CN107358490A - 一种图像匹配方法、装置及电子设备 - Google Patents
一种图像匹配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107358490A CN107358490A CN201710462828.2A CN201710462828A CN107358490A CN 107358490 A CN107358490 A CN 107358490A CN 201710462828 A CN201710462828 A CN 201710462828A CN 107358490 A CN107358490 A CN 107358490A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- image
- source image
- msup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000009191 jumping Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 70
- 238000004422 calculation algorithm Methods 0.000 claims description 65
- 238000012545 processing Methods 0.000 claims description 40
- 238000003707 image sharpening Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 22
- 210000000746 body region Anatomy 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 238000005034 decoration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 29
- 239000000284 extract Substances 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像匹配方法、装置及电子设备,方法包括:获得视频中待匹配服饰的源图像;提取所述源图像的第一特征参数;并基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像;显示用于跳转到所述目标图像的跳转信息。应用本发明实施例提供的方案,实现了简化图像匹配过程。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种图像匹配方法、装置及电子设备。
背景技术
在图像处理的过程中,快速准确的对视频内容中的指定图像进行匹配,具有重要意义。比如,在随视购系统中,为了实现用户在观看视频的同时,对视频中明星穿的衣服进行购买,需要在播放视频前,对视频内容进行预处理,将视频中某些明星穿的衣服识别出来,进而,在图片库中寻找与该衣服匹配的相似服饰,从而可以向用户推荐该相似服饰,并提供正在销售相似服饰的相关网站,即可实现用户在观看视频的同时进行商品购买推荐,从而便于用户购买视频中明星穿的衣服,因而,研究图像匹配方法具有重要的现实意义。
目前,从待播放的视频中,获得待匹配服饰的源图像后,从大量对比图像中识别与该源图像中服饰匹配的目标图像的方法主要为:先利用大量图像的特征参数训练机器学习模型,然后利用训练后的机器学习模型学习源图像特征参数,识别出源图像中服饰的类别,进而从对比图像识别出与该服饰类别相同的图像,并将该图像作为与该源图像匹配的目标图像。利用这种方法进行图像匹配时,需要利用特征参数训练复杂的机器学习模型,需要耗费大量的训练时间以及系统资源,使得整个图像匹配的过程变得繁琐。
发明内容
本发明实施例的目的在于提供一种图像匹配方法、装置及电子设备,以实现简化图像匹配过程。具体技术方案如下:
第一方面,本发明实施例提供了一种图像匹配方法,所述方法包括:
获得视频中待匹配服饰的源图像;
提取所述源图像的第一特征参数;并基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像;
显示用于跳转到所述目标图像的跳转信息。
可选的,所述提取所述源图像的第一特征参数,包括:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的特征提取算法,从所述人体区域中提取所述源图像的第一特征参数。
可选的,所述提取所述源图像的第一特征参数,包括:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的人脸识别算法,识别所述人体区域中的人脸区域;并获得所述人体区域中除去所述人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除所述躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从所述服饰区域中提取所述源图像的第一特征参数。
可选的,所述基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像,包括:
获得各个所述对比图像的第二特征参数,其中,各个所述第二特征参数为:按照从所述源图像中提取第一特征参数的方法,从各个所述对比图像中提取的参数;
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度;
根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像。
可选的,所述第二特征参数存储于数据库中,所述利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度,包括:
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,由所述数据库计算每个所述对比图像和所述源图像之间的相似度。
可选的,所述根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像,包括:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像。
可选的,所述相似度计算公式为:基于向量距离的相似度计算公式,其中,所述相似度计算公式为:
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
第二方面,本发明实施例提供了一种图像匹配装置,所述装置包括:
收发模块,用于获得视频中待匹配服饰的源图像;
处理模块,用于提取所述源图像的第一特征参数;并基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像;显示用于跳转到所述目标图像的跳转信息。
可选的,所述处理模块,还用于:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;利用预设的特征提取算法,从所述人体区域中提取所述源图像的第一特征参数。
可选的,所述处理模块,还用于:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的人脸识别算法,识别所述人体区域中的人脸区域;并获得所述人体区域中除去所述人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除所述躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从所述服饰区域中提取所述源图像的第一特征参数。
可选的,所述处理模块,还用于:
获得各个所述对比图像的第二特征参数,其中,各个所述第二特征参数为:按照从所述源图像中提取第一特征参数的方法,从各个所述对比图像中提取的参数;
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度;
根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像。
可选的,所述第二特征参数存储于数据库中,所述处理模块,还用于:
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,由所述数据库计算每个所述对比图像和所述源图像之间的相似度。
可选的,所述处理模块,还用于:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像。
可选的,所述相似度计算公式为:基于向量距离的相似度计算公式,其中,所述相似度计算公式为:
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的图像匹配方法。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的图像匹配方法。
可见,应用本发明实施例提供的技术方案进行图像匹配时,用相似度计算公式替代了机器学习模型,简化了从多个预设的对比图像中识别出与源图像中服饰匹配的目标图像的过程,从而实现了简化图像匹配过程,并且进一步,显示了目标图像的跳转信息,从而,便于用户购买与源图像中服饰相似的服饰。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种图像匹配方法的流程示意图;
图2为图1所示实施例中提取源图像的第一特征参数的方法的一种流程示意图;
图3为图1所示实施例中提取源图像的第一特征参数的方法的另一种流程示意图;
图4为图1所示实施例中识别目标图像的方法的流程示意图;
图5为本发明实施例提供的一种图像匹配装置的结构示意图;
图6为本发明实施例提供的另一种图像匹配装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
为了简化图像匹配过程,本发明实施例提供了一种图像匹配方法、装置及电子设备。
具体的,本发明实施例提供的图像匹配方法的一种应用场景可以为:服务器获得待播放视频中待匹配服饰的源图像,并提取该源图像的第一特征参数;进而,基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像,当播放该视频的该源图像时,显示用于跳转到该目标图像的跳转信息。
本发明实施例提供的图像匹配方法的另一种应用场景可以为:服务器获得正在播放的视频中待匹配服饰的源图像,并提取该源图像的第一特征参数;进而,基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像,在播放该源图像的同时,显示用于跳转到该目标图像的跳转信息。
下面对本发明实施例所提供的一种图像匹配方法进行介绍。
需要说明的是,本发明实施例所提供的一种图像匹配方法应用于电子设备,其中,在具体应用中,该电子设备可以为服务器,也可以为终端设备,这都是合理的。另外,实现本发明实施例所提供的一种图像匹配方法的功能软件可以为专门的图像处理软件,也可以为现有图像处理软件或其他具有图像处理功能的软件中的插件。
图1为本发明实施例提供的一种图像匹配方法的一种流程示意图。如图1所示,本发明实施例所提供的一种图像匹配方法,可以包括如下步骤:
S101,获得视频中待匹配服饰的源图像;
需要说明的是,该视频可以是待播放的视频,也可以是正在播放的视频,故,获得源图像的方式可以为:一次获得待播放的视频中所有待匹配服饰的图像,依次将各个图像作为源图像;也可以是获得正在播放的视频中当前显示的图像,当检测到该图像中有待匹配的服饰时,将该图像作为源图像。
S102,提取该源图像的第一特征参数;并基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像;
第一特征参数用于表征源图像中的服饰特点,由于颜色、纹理、形状三个特征可以较好的区分不同类型的服饰,因此,具体的第一特征参数可以包括:源图像的颜色特征、纹理特征、形状特征中的一种或多种。需要说明的是,在计算机图形学中,纹理既可指物体表面凹凸不平的沟纹,同时也可指在光滑物体表面上的彩色图案,在本发明实施例中,纹理主要是指在光滑物体表面上的彩色图案,可用于识别服饰是否带有条纹,是否为纯色等属性。
实际应用中,为了提高对源图像中服饰描述的准确度,可以采用MPEG-7标准描述源图像的颜色特征、纹理特征、形状特征,MPEG-7的名称是“多媒体内容描述接口”(Multimedia Content Description Interface),是一个用于描述多媒体内容的国际标准,MPEG-7标准规定了如何描述、组织特征,以及如何进行特征的提取。具体的,提取该源图像的第一特征参数的方式可以为:利用基于MPEG-7标准的特征提取算法提取颜色特征、纹理特征、形状特征。
需要说明的是,本发明实施例以第一特征参数包括:源图像的颜色特征、纹理特征、形状特征三个特征为例进行说明,仅为本发明的一个具体实例,并不构成对本发明的限定。在实际应用中,第一特征参数中包含的特征类型可以根据用户需要进行设定。
基于第一特征参数以及相似度计算公式,可以得到每个对比图像和源图像之间的相似度,从而可以根据各个相似度,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像。具体的,根据各个相似度从对比图像中识别出目标图像的方式可以根据设定,本发明实施例对该方式不做限定。例如,该方式可以为:将排名最高的相似度所对应的对比图像,作为与该源图像匹配的目标图像。
可以看出,相比于现有技术利用机器学习模型从多个预设的对比图像中识别出与源图像中服饰匹配的目标图像的方法,本发明实施例用相似度计算公式,直接计算各个对比图像与源图像的相似度,从而识别与源图像匹配目标图像,简化了从多个对比图像中识别出目标图像的过程,从而,实现了简化图像匹配过程。
S103,显示用于跳转到该目标图像的跳转信息。
实际应用中,跳转信息可以是:目标图像的链接信息,也可以是:目标图像的二维码信息,故观看该视频的用户在看到源图像中的服饰后,可以通过点击链接信息或者扫描二维码信息,来获取目标图像,由于目标图像中的服饰与源图像中的服饰匹配,从而便于用户购买与源图像中服饰相似的服饰。
可见,应用本发明实施例提供的技术方案进行图像匹配时,用相似度计算公式替代了机器学习模型,简化了从多个预设的对比图像中识别出与源图像中服饰匹配的目标图像的过程,从而实现了简化图像匹配过程,并且进一步,显示了目标图像的跳转信息,从而,便于用户购买与源图像中服饰相似的服饰。
为了缩小提取第一特征参数的搜索范围,加快提取第一特征参数的速度,作为图1方法的细化,在一种具体的实施方式中,S102中提取源图像的第一特征参数的步骤,可以分为以下两步:
S1021,利用预设的图像锐化算法,对源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;
可以理解的是,图像锐化算法可以使图像的边缘变得清晰,从而对源图像进行图像锐化处理后,可以得到该源图像的人体区域边界,进而,可以基于该人体区域边界,得到源图像中的人体区域。具体的实现图像锐化算法的方法为现有技术,本发明实施例在此不再赘述。本发明实施例对具体的图像锐化算法不做限定,例如,可以利用高通滤波和空域微分法设计图像锐化算法。
S1022,利用预设的特征提取算法,从该人体区域中提取该源图像的第一特征参数。
实际应用中,特征提取算法可以为:基于MPEG-7标准的特征提取算法。
可以看出,从源图像的人体区域中提取第一特征参数,相较于从源图像中提取第一特征参数而言,缩小了提取第一特征参数的搜索范围,加快了提取第一特征参数的速度。
为了进一步缩小提取第一特征参数的搜索范围,加快提取第一特征参数的速度,作为图1方法的细化,在本发明提供的又一实施例中,步骤S102中提取源图像的第一特征参数的步骤,还可以包括以下步骤:
S1023,利用预设的图像锐化算法,将该源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;
此步骤与步骤S1021相同,具体描述可以参见步骤S1021部分。
S1024,利用预设的人脸识别算法,识别该人体区域中的人脸区域;并获得该人体区域中除去该人脸区域后的躯干区域;
理论上,基于特征的识别算法比基于像素的识别算法要快得多,因此,为了提高识别人脸区域的速度,人脸识别算法可以为:基于Haar特征的Adaboost人脸识别算法。Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器(强分类器)。Haar特征,即矩形特征,应用于人脸表示,能够较好的反映人的脸部特征。
为了实现高效、准确的识别人脸区域,可以预先获得一批人脸图像的Haar特征,利用该Haar特征构建训练集,训练Adaboost算法,得到具有最优训练参数的分类器,利用该分类器来实现高效和准确的人脸区域识别,从而完成基于haar特征的Adaboost人脸识别算法。具体的基于haar特征的Adaboost人脸识别算法的实现过程为现有技术,本发明实施例在此不再赘述。
在识别出人体区域中的人脸区域后,可以获得该人体区域中除去该人脸区域后的躯干区域。
S1025,利用预设的最大类间差算法,得到剔除该躯干区域中的皮肤区域后的服饰区域;
由于躯干区域中还包含了人的皮肤,而人的皮肤是进行服装匹配时的无关因素,故可以消去躯干区域中的皮肤区域,以进一步的缩小提取第一特征参数的搜索范围,加快提取第一特征参数的速度。
实际应用中,基于皮肤的颜色梯度变化小的特点,可以使用最大类间差算法消去皮肤区域,得到剔除躯干区域中的皮肤区域后的服饰区域。最大类间差算法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。具体来说,一幅图像有若干个灰度级,OTSU根据每个像素点的灰度级,可以将一幅图分为前景和背景。例如,前景和背景的分割阈值记作T,前景是指所有灰度级低于或等于T的像素点,背景是指所有灰度级大于T的像素点。一般而言,使类间方差值最大的分割阈值T,分割前景和背景最为准确。
假设源图像中的躯干区域共有M×N个像素点,前景和背景的分割阈值记作T,w0是指躯干区域中像素点的灰度级小于或等于阈值T的像素个数,即为前景的像素点个数,w0=hist(0)+hist(1)+……+hist(T),hist指各个灰度级上的像素个数;w1是指像素点的灰度级大于阈值T的像素个数,即为背景的像素点个数,w1=hist(T+1)+hist(T+2)+……+hist(255);u0是指前景的加权平均,u1是指背景的加权平均,整幅图像的加权平均为u,u=u0*w0+u1*w1。
类间方差记为g,g=m0*m1*(μ0-μ1)^2,其中,m0为前景的像素点个数占躯干区域的比例,m0=w0/(M×N);m1为背景像素点个数占躯干区域的比例,m1=w1/(M×N);计算使得g最大的T值,从而将躯干区域中的皮肤区域和其它区域分割开来,可以得到剔除皮肤区域后的服饰区域。
S1026,利用预设的特征提取算法,从该服饰区域中提取该源图像的第一特征参数。
实际应用中,特征提取算法可以为:基于MPEG-7标准的特征提取算法。
可以看出,从服饰区域中提取源图像的第一特征参数,相较于从源图像,或者源图像的人体区域中提取第一特征参数而言,进一步缩小提取第一特征参数的搜索范围,加快了提取第一特征参数的速度。
为了提高图像匹配的速度,作为图1方法的细化,在本发明提供的又一实施例中,步骤S102中基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像的步骤,可以包括以下步骤:
S1027,获得各个对比图像的第二特征参数,
其中,各个第二特征参数为:按照从源图像中提取第一特征参数的方法,从各个对比图像中提取的参数。
例如,提取源图像第一参数的过程为:利用预设的图像锐化算法,将源图像进行图像锐化处理,得到源图像的人体区域边界,并基于源图像的人体区域边界,得到源图像中的人体区域;利用预设的特征提取算法,从源图像的人体区域中提取源图像的第一特征参数;
则任一对比图像对应的第二特征参数为:通过以下步骤的提取的参数:
利用预设的图像锐化算法,将对比图像进行图像锐化处理,得到对比图像的人体区域边界,并基于该对比图像的人体区域边界,得到对比图像中的人体区域;利用特征提取算法,从对比图像的人体区域中提取对比图像的第二特征参数。
S1028,利用相似度计算公式、第一特征参数以及各个第二特征参数,计算每个对比图像和源图像之间的相似度;
相似度用于表征对比图像和源图像之间的相似程度,相似度越高,表明对比图像和源图像越相似,利用相似度计算公式、第一特征参数以及各个第二特征参数,可以计算得到每个对比图像和源图像之间的相似度。
S1029,根据各个相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像。
具体的,根据各个相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像的方法可以根据用户需求设定,例如,该方法可以为:将排名最高的相似度所对应的对比图像,作为与该源图像匹配的目标图像。
可以看出,利用相似度计算公式计算每个对比图像和源图像之间的相似度,从而,根据各个相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像,替代了用机器学习模型识别目标图像的方法,简化了简化图像匹配过程,提高了图像匹配的速度。
为了进一步简化图像匹配过程,提高图像匹配速度,在一种具体的实施方式中,第二特征参数存储于数据库中,具体的,利用相似度计算公式、第一特征参数以及各个第二特征参数,计算每个对比图像和源图像之间的相似度,可以为:
利用相似度计算公式、第一特征参数以及各个第二特征参数,由数据库计算每个所述对比图像和所述源图像之间的相似度。
可以理解的是,由于在数据库中使用sql语句能够实现图片的相似度计算,并且不需要维护复杂的数据结构和索引等,使得整个图像匹配过程变得简单和方便扩展,因此,由数据库计算每个对比图像和源图像之间的相似度时,整个图像匹配系统只需要额外运行一个用于处理和提取图像特征参数的图像处理服务,图像的匹配逻辑可以完全在数据库中实现,从而实现了简化整个图像匹配过程,并且由于数据库具有高效的运算能力,因此,加快了相似度的计算速度,从而,提高了图像匹配速度。
为了能够给用户提供更多的选择机会,提高用户体验,在一种具体的实施方式中,根据各个相似度,从多个预设的对比图像中,识别与源图像中服饰匹配的目标图像,可以为:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与源图像中服饰匹配的目标图像;
可以看出,将各个相似度按照降序进行排名;并将排名位于第一预设值之前的相似度所对应的对比图像,作为与源图像中服饰匹配的目标图像,从而,目标图像包含第一预设值张图像,本发明实施例对第一预设值的具体数值不做限定,例如,第一预设值可以为100,则目标图像包含100张图像,本发明实施例增加了目标图像包含的图像数量,从而,使用户拥有更多的选择机会,提高了用户体验。
为了加快获得目标图像的过程,在另一种具体的实施方式中,根据各个相似度,从多个预设的对比图像中,识别与源图像中服饰匹配的目标图像,可以为:
将排名最高的相似度所对应的对比图像,作为与源图像中服饰匹配的目标图像。
可以看出,直接将排名最高的相似度所对应的对比图像,作为与源图像中服饰匹配的目标图像,不需要将各个相似度进行排名,从而,简化了获得目标图像的过程。
理论上,基于向量距离的相似度计算,能够极大地降低相似度计算过程的复杂度,因此,为了降低相似度计算过程的复杂度,具体的,相似度计算公式可以为:基于向量距离的相似度计算公式,其中,所述相似度计算公式为:
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
利用基于向量距离的相似度计算公式进行相似度计算时,需要调整第一特征参数、第二特征参数的向量维度和权重因子,来实现快速准确的得到每个对比图像和源图像之间的相似度。例如,当第一特征参数包括:颜色特征、纹理特征和形状特征时,可以调整颜色特征、纹理特征和形状特征的向量维度,以及分别对应颜色特征、纹理特征和形状特征的权重因子,来优化相似度计算过程。
可以选择调整颜色特征的向量维度为32维、64维、128维、256维等等,纹理特征的向量维度为32维、64维、128维、256维等等、形状特征的向量维度为32维、64维、128维、256维等等,较优的,可以根据多次试验结果,确定使相似度计算结果更准确,计算过程更快速的颜色、纹理、形状特征的向量维度,和/或分别对应颜色特征、纹理特征和形状特征的权重因子,例如,确定颜色、纹理、形状特征的向量维度均为64维,则相似度计算公式可以为:
与上述的方法实施例相对应,本发明实施例还提供一种图像匹配装置,该装置可以位于终端中,还可以位于服务器中。
参见图5,图5为本发明实施例所提供的一种图像匹配装置的结构示意图,包括:
收发模块501,用于获得视频中待匹配服饰的源图像;
处理模块502,用于提取该源图像的第一特征参数;并基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像;显示用于跳转到该目标图像的跳转信息。
可见,应用本发明实施例提供的技术方案进行图像匹配时,用相似度计算公式替代了机器学习模型,简化了从多个预设的对比图像中识别出与源图像中服饰匹配的目标图像的过程,从而实现了简化图像匹配过程,并且进一步,显示了目标图像的跳转信息,从而,便于用户购买与源图像中服饰相似的服饰。
可选的,该处理模块502,还用于:
利用预设的图像锐化算法,对该源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;利用预设的特征提取算法,从该人体区域中提取该源图像的第一特征参数。
可选的,该处理模块502,还用于:
利用预设的图像锐化算法,对该源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;
利用预设的人脸识别算法,识别该人体区域中的人脸区域;并获得该人体区域中除去该人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除该躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从该服饰区域中提取该源图像的第一特征参数。
可选的,该处理模块502,还用于:
获得各个对比图像的第二特征参数,其中,各个第二特征参数为:按照从所述源图像中提取第一特征参数的方法,从各个对比图像中提取的参数;
利用该相似度计算公式、该第一特征参数以及各个第二特征参数,计算每个对比图像和该源图像之间的相似度;
根据各个相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像。
可选的,第二特征参数存储于数据库中,该处理模块502,还用于:
利用该相似度计算公式、该第一特征参数以及各个第二特征参数,由该数据库计算每个对比图像和该源图像之间的相似度。
可选的,该处理模块502,还用于:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与该源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与该源图像中服饰匹配的目标图像。
其中,该相似度计算公式为:基于向量距离的相似度计算公式,其中,该相似度计算公式为:
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
在可选的实施例中,如图6所示,本发明实施例中的处理模块502可以为处理器610,收发模块501可以是收发器620,同时,本发明实施例提供图像匹配装置,还可以包括存储器630,存储器630用于存储程序代码和数据。
本发明实施例还提供了一种电子设备,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信,
存储器703,用于存放计算机程序;
处理器701,用于执行存储器703上所存放的程序时,实现本发明实施例所提供的图像匹配方法,具体的,该图像匹配方法包括如下步骤:
获得视频中待匹配服饰的源图像;
提取该源图像的第一特征参数;并基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像;
显示用于跳转到该目标图像的跳转信息。
可选的,提取该源图像的第一特征参数,包括:
利用预设的图像锐化算法,对该源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;
利用预设的特征提取算法,从该人体区域中提取该源图像的第一特征参数。
可选的,提取该源图像的第一特征参数,包括:
利用预设的图像锐化算法,对该源图像进行图像锐化处理,得到该源图像的人体区域边界,并基于该人体区域边界,得到该源图像中的人体区域;
利用预设的人脸识别算法,识别该人体区域中的人脸区域;并获得该人体区域中除去该人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除该躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从该服饰区域中提取该源图像的第一特征参数。
可选的,基于该第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与该源图像中服饰匹配的目标图像,包括:
获得各个对比图像的第二特征参数,其中,各个第二特征参数为:按照从该源图像中提取第一特征参数的方法,从各个对比图像中提取的参数;
利用该相似度计算公式、该第一特征参数以及各个第二特征参数,计算每个对比图像和该源图像之间的相似度;
根据各个相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像。
可选的,第二特征参数存储于数据库中,利用该相似度计算公式、该第一特征参数以及各个第二特征参数,计算每个对比图像和该源图像之间的相似度,包括:
利用该相似度计算公式、该第一特征参数以及各个第二特征参数,由该数据库计算每个对比图像和该源图像之间的相似度。
可选的,根据各个该相似度,从多个预设的对比图像中,识别与该源图像中服饰匹配的目标图像,包括:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与该源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与该源图像中服饰匹配的目标图像。
可选的,该相似度计算公式为:基于向量距离的相似度计算公式,其中,该相似度计算公式为:
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Ne twork Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Applica tion SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明实施的又一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的图像匹配方法。
在本发明实施的又一方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的图像匹配方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备。计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (15)
1.一种图像匹配方法,其特征在于,所述方法包括:
获得视频中待匹配服饰的源图像;
提取所述源图像的第一特征参数;并基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像;
显示用于跳转到所述目标图像的跳转信息。
2.根据权利要求1所述的方法,其特征在于,所述提取所述源图像的第一特征参数,包括:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的特征提取算法,从所述人体区域中提取所述源图像的第一特征参数。
3.根据权利要求1所述的方法,其特征在于,所述提取所述源图像的第一特征参数,包括:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的人脸识别算法,识别所述人体区域中的人脸区域;并获得所述人体区域中除去所述人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除所述躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从所述服饰区域中提取所述源图像的第一特征参数。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像,包括:
获得各个所述对比图像的第二特征参数,其中,各个所述第二特征参数为:按照从所述源图像中提取第一特征参数的方法,从各个所述对比图像中提取的参数;
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度;
根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像。
5.根据权利要求4所述的方法,其特征在于,所述第二特征参数存储于数据库中,所述利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度,包括:
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,由所述数据库计算每个所述对比图像和所述源图像之间的相似度。
6.根据权利要求4或5所述的方法,其特征在于,所述根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像,包括:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像。
7.根据权利要求1或2所述的方法,其特征在于,所述相似度计算公式为:基于向量距离的相似度计算公式,其中,所述相似度计算公式为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>11</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>12</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>31</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>31</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>32</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>32</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
8.一种图像匹配装置,其特征在于,所述装置包括:
收发模块,用于获得视频中待匹配服饰的源图像;
处理模块,用于提取所述源图像的第一特征参数;并基于所述第一特征参数以及预设的相似度计算公式,从多个预设的对比图像中识别出与所述源图像中服饰匹配的目标图像;显示用于跳转到所述目标图像的跳转信息。
9.根据权利要求8所述的装置,其特征在于,所述处理模块,还用于:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;利用预设的特征提取算法,从所述人体区域中提取所述源图像的第一特征参数。
10.根据权利要求8所述的装置,其特征在于,所述处理模块,还用于:
利用预设的图像锐化算法,对所述源图像进行图像锐化处理,得到所述源图像的人体区域边界,并基于所述人体区域边界,得到所述源图像中的人体区域;
利用预设的人脸识别算法,识别所述人体区域中的人脸区域;并获得所述人体区域中除去所述人脸区域后的躯干区域;
利用预设的最大类间差算法,得到剔除所述躯干区域中的皮肤区域后的服饰区域;
利用预设的特征提取算法,从所述服饰区域中提取所述源图像的第一特征参数。
11.根据权利要求8-10任一项所述的装置,其特征在于,所述处理模块,还用于:
获得各个所述对比图像的第二特征参数,其中,各个所述第二特征参数为:按照从所述源图像中提取第一特征参数的方法,从各个所述对比图像中提取的参数;
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,计算每个所述对比图像和所述源图像之间的相似度;
根据各个所述相似度,从多个预设的对比图像中,识别与所述源图像中服饰匹配的目标图像。
12.根据权利要求11所述的装置,其特征在于,所述第二特征参数存储于数据库中,所述处理模块,还用于:
利用所述相似度计算公式、所述第一特征参数以及各个所述第二特征参数,由所述数据库计算每个所述对比图像和所述源图像之间的相似度。
13.根据权利要求11或12所述的装置,其特征在于,所述处理模块,还用于:
将各个相似度按照降序进行排名;将排名位于第一预设值之前的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像;或者,
将排名最高的相似度所对应的对比图像,作为与所述源图像中服饰匹配的目标图像。
14.根据权利要求8或9所述的装置,其特征在于,所述相似度计算公式为:基于向量距离的相似度计算公式,其中,所述相似度计算公式为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>11</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>12</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mn>3</mn>
</msub>
<mo>*</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>31</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>31</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>32</mn>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mn>32</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mn>3</mn>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,w1+w2+w3=1,P表示相似度,w1、w2、w3均表示权重因子,表示第一特征参数,表示第二特征参数。
15.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710462828.2A CN107358490A (zh) | 2017-06-19 | 2017-06-19 | 一种图像匹配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710462828.2A CN107358490A (zh) | 2017-06-19 | 2017-06-19 | 一种图像匹配方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358490A true CN107358490A (zh) | 2017-11-17 |
Family
ID=60272352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710462828.2A Pending CN107358490A (zh) | 2017-06-19 | 2017-06-19 | 一种图像匹配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358490A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364024A (zh) * | 2018-02-11 | 2018-08-03 | 金蝶软件(中国)有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN110222235A (zh) * | 2019-06-11 | 2019-09-10 | 百度在线网络技术(北京)有限公司 | 三维立体内容显示方法、装置、设备及存储介质 |
CN111612063A (zh) * | 2020-05-20 | 2020-09-01 | 济南浪潮高新科技投资发展有限公司 | 一种图像匹配方法、装置、设备及计算机可读存储介质 |
CN112822393A (zh) * | 2020-12-29 | 2021-05-18 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
CN114463217A (zh) * | 2022-02-08 | 2022-05-10 | 口碑(上海)信息技术有限公司 | 一种图像处理方法以及装置 |
CN114528424A (zh) * | 2022-01-12 | 2022-05-24 | 北京百度网讯科技有限公司 | 一种基于图像的信息搜索方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10207941A (ja) * | 1997-01-17 | 1998-08-07 | Hitachi Ltd | 商品情報提供装置及び商品情報提供方法 |
CN105792010A (zh) * | 2014-12-22 | 2016-07-20 | Tcl集团股份有限公司 | 基于图像内容解析及图片索引的电视购物的方法与装置 |
CN105913275A (zh) * | 2016-03-25 | 2016-08-31 | 哈尔滨工业大学深圳研究生院 | 一种基于视频主角识别的服装广告投放方法及系统 |
-
2017
- 2017-06-19 CN CN201710462828.2A patent/CN107358490A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10207941A (ja) * | 1997-01-17 | 1998-08-07 | Hitachi Ltd | 商品情報提供装置及び商品情報提供方法 |
CN105792010A (zh) * | 2014-12-22 | 2016-07-20 | Tcl集团股份有限公司 | 基于图像内容解析及图片索引的电视购物的方法与装置 |
CN105913275A (zh) * | 2016-03-25 | 2016-08-31 | 哈尔滨工业大学深圳研究生院 | 一种基于视频主角识别的服装广告投放方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364024A (zh) * | 2018-02-11 | 2018-08-03 | 金蝶软件(中国)有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN108364024B (zh) * | 2018-02-11 | 2021-05-07 | 金蝶软件(中国)有限公司 | 图像匹配方法、装置、计算机设备和存储介质 |
CN110222235A (zh) * | 2019-06-11 | 2019-09-10 | 百度在线网络技术(北京)有限公司 | 三维立体内容显示方法、装置、设备及存储介质 |
CN111612063A (zh) * | 2020-05-20 | 2020-09-01 | 济南浪潮高新科技投资发展有限公司 | 一种图像匹配方法、装置、设备及计算机可读存储介质 |
CN112822393A (zh) * | 2020-12-29 | 2021-05-18 | 维沃移动通信有限公司 | 图像处理方法、装置及电子设备 |
CN114528424A (zh) * | 2022-01-12 | 2022-05-24 | 北京百度网讯科技有限公司 | 一种基于图像的信息搜索方法、装置、设备及存储介质 |
CN114463217A (zh) * | 2022-02-08 | 2022-05-10 | 口碑(上海)信息技术有限公司 | 一种图像处理方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9317778B2 (en) | Interactive content generation | |
CN105144239B (zh) | 图像处理装置、图像处理方法 | |
Kao et al. | Visual aesthetic quality assessment with a regression model | |
CN107358490A (zh) | 一种图像匹配方法、装置及电子设备 | |
US10949702B2 (en) | System and a method for semantic level image retrieval | |
US10282431B1 (en) | Image similarity-based group browsing | |
KR102630342B1 (ko) | 이미지 특징 데이터 추출 및 사용 | |
US8750602B2 (en) | Method and system for personalized advertisement push based on user interest learning | |
US20140089326A1 (en) | Image Search by Query Object Segmentation | |
US20140314313A1 (en) | Visual clothing retrieval | |
US11475500B2 (en) | Device and method for item recommendation based on visual elements | |
US10134149B2 (en) | Image processing | |
US10275819B1 (en) | Reducing incompatible pairings | |
CN111062426A (zh) | 一种建立训练集的方法、装置、电子设备以及介质 | |
US9691004B2 (en) | Device and method for service provision according to prepared reference images to detect target object | |
CN113657273B (zh) | 确定商品信息的方法、装置、电子设备及介质 | |
US20130236065A1 (en) | Image semantic clothing attribute | |
CN108960265B (zh) | 图像分类过程的优化方法、图像分类方法、装置及系统 | |
US20230334121A1 (en) | Machine Learning Techniques for Differentiability Scoring of Digital Images | |
Chen et al. | Multithreading cascade of SURF for facial expression recognition | |
Li et al. | An efficient robust eye localization by learning the convolution distribution using eye template | |
David et al. | Authentication of Vincent van Gogh’s work | |
KR102561734B1 (ko) | 이미지 복원 기반 상품검색 방법 및 시스템 | |
CN111127128A (zh) | 商品推荐方法、装置及存储介质 | |
Sasireka | Comparative analysis on video retrieval technique using machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |