CN109684496A - 一种同款商品的图像匹配方法、装置、设备以及存储介质 - Google Patents
一种同款商品的图像匹配方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN109684496A CN109684496A CN201811518653.3A CN201811518653A CN109684496A CN 109684496 A CN109684496 A CN 109684496A CN 201811518653 A CN201811518653 A CN 201811518653A CN 109684496 A CN109684496 A CN 109684496A
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- image data
- money
- data set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
- G06Q30/0605—Supply or demand aggregation
-
- 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]
- G06Q30/0623—Item investigation
- G06Q30/0625—Directed, with specific intent or strategy
- G06Q30/0629—Directed, with specific intent or strategy for generating comparisons
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种同款商品的图像匹配方法,通过获取待匹配的图像数据集;对图像数据集中的各个图像分别进行图像预处理;采用图像哈希方法对经过图像预处理的图像进行过滤,将图像数据集中拥有同款商品的图像组成同款图像数据集;采用深度学习方法对同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。本申请利用传统的图像处理方法,得到一批匹配图像对。然后利用深度学习方法在过滤后的图像数据集上做二次过滤。通过将传统的图像处理方法与深度学习方法相结合,进行两次图像匹配,能够在保证图片匹配精确度的前提下,提高召回率。此外,本申请还提供了一种具有上述技术效果的同款商品的图像匹配装置、设备以及计算机可读存储介质。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种同款商品的图像匹配方法、装置、设备以及计算机可读存储介质。
背景技术
同款商品匹配是根据查询商品,在网络商家中找到售卖同款商品的商家。常用的技术是图像匹配技术。具体而言是指,根据某个商品的图像,将其与所有网络商家上传的商品图像进行匹配,若图像相同,则认为该商家提供该商品;否则,则认为该商家并不提供该商品。
在同款商品匹配的应用场景中,需要保证图像与图像之间匹配的准确性,即,不是同款的商品之间的匹配是无法忍受的。目前,同款商品匹配一般采用传统的图像处理技术,例如采用离散傅里叶变换方法对图像进行压缩,得到缩略图,再对缩略图进行二值化处理,得到二值向量,以对同款商品进行图像匹配。采用传统的图像处理方法在保证图像匹配的精确度在99.5%时,所召回的图片数量有限;而在召回图片的数量满足要求时,其精确度又会降低到90%以下。此外,还存在部分基于深度学习进行图像匹配的方法,这种方法虽然能够在保证精确度的前提下,召回远多于传统图像处理方法的同款,但这类方法在时间和空间上开销都非常大,以至于无法被工程化。可见,现有图像匹配方法都无法在算法的鲁棒性和差异图像的区分能力上做平衡。
鉴于此,在有限的计算资源(包括时间资源和空间资源)的现实背景下,如何在保证精确度的前提下,召回更多的同款商品对本领域技术人员来说是一个需要考虑的难题。
发明内容
本发明的目的是提供一种同款商品的图像匹配方法、装置、设备以及计算机可读存储介质,以在保证精确度的前提下,召回更多的同款商品。
为解决上述技术问题,本发明提供一种同款商品的图像匹配方法,包括:
获取待匹配的图像数据集;
对所述图像数据集中的各个图像分别进行图像预处理;
采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
可选地,所述对所述图像数据集中的各个图像分别进行图像预处理包括:
对所述图像数据集中的各个图像分别进行前后景分割、裁剪、滤波以及尺寸统一处理。
可选地,所述采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集包括:
对经过图像预处理的图像进行图像压缩,得到缩略图;
对压缩后的图像进行二值化处理,得到一维的二值向量;
利用哈希值对所述二值向量进行表示,当哈希值相同时判定对应的图像为拥有同款商品的图像;
将拥有同款商品的图像组成同款图像数据集。
可选地,所述采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果包括:
将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
对所述假匹配图像对进行过滤,得到最终的匹配结果。
可选地,所述计算两两图像对应的特征向量的距离包括:
计算两两图像对应的特征向量之间的欧式距离、或汉明距离。
可选地,所述采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果包括:
将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
对所有图像的特征向量进行量化和聚类,得到特征向量的聚类空间;
从对应的聚类空间中搜索匹配的图像,得到最终的匹配结果。
本申请还提供了一种同款商品的图像匹配装置,包括:
图像数据集获取模块,用于获取待匹配的图像数据集;
预处理模块,用于对所述图像数据集中的各个图像分别进行图像预处理;
图像过滤模块,用于采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
深度学习模块,用于采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
可选地,所述深度学习模块包括:
特征向量获取单元,用于将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
距离计算单元,用于计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
过滤单元,用于对所述假匹配图像对进行过滤,得到最终的匹配结果。
本申请还提供了一种同款商品的图像匹配设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种所述同款商品的图像匹配方法的步骤。
本申请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上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述同款商品的图像匹配方法的步骤。
本发明所提供的同款商品的图像匹配方法,通过获取待匹配的图像数据集;对图像数据集中的各个图像分别进行图像预处理;采用图像哈希方法对经过图像预处理的图像进行过滤,将图像数据集中拥有同款商品的图像组成同款图像数据集;采用深度学习方法对同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。本申请利用传统的图像处理方法,得到一批匹配图像对。使用这批图像组成同款数据集,做数据集规模上的缩减。然后利用深度学习方法在过滤后的图像数据集上做二次过滤,过滤掉假匹配图像对,得到最终的匹配结果。通过将传统的图像处理方法与深度学习方法相结合,进行两次图像匹配,能够在保证图片匹配精确度的前提下,提高召回率。并且,本申请提供的方法在时间和空间上开销都是极小的,能够应用于兆级别的图像匹配。此外,本申请还提供了一种具有上述技术效果的同款商品的图像匹配装置、设备以及计算机可读存储介质。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的同款商品的图像匹配方法的一种具体实施方式的流程图;
图2为本申请实施例采用图像哈希方法对经过图像预处理的图像进行过滤的过程示意图;
图3为本申请实施例采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤的一种具体实施方式示意图;
图4为本申请实施例采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤的另一种具体实施方式示意图;
图5为本发明实施例提供的同款商品的图像匹配装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的同款商品的图像匹配方法的一种具体实施方式的流程图如图1所示,该方法包括:
步骤S1:获取待匹配的图像数据集;
本申请中图像数据集包括了所要进行匹配的所有图像数据,图像数据集中的图像可以包含本地图像,也可以包含网络图像,这均不影响本申请的实现。
步骤S2:对所述图像数据集中的各个图像分别进行图像预处理;
可选地,本申请实施例中对图像进行预处理的过程可以具体包括:对所述图像数据集中的各个图像分别进行前后景分割、裁剪、滤波以及尺寸统一处理。
通过前后景分割,并进行裁剪将后景部分进行去除,可以将图像中的背景去除,大大减小了背景图案对匹配结果的影响。对图像进行滤波可以过滤掉图像中的噪音点,提高后续图像处理的准确率。而将图像缩放到统一的尺寸,可以方便后续的处理。需要指出的是,本步骤中对图像进行预处理的各个操作之间没有前后顺序上的限制,在此并不做限定。
步骤S3:采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
具体地,参照图2,本步骤中采用图像哈希方法对经过图像预处理的图像进行过滤的过程可以包括:
步骤S31:对经过图像预处理的图像进行图像压缩,得到缩略图;
步骤S32:对压缩后的图像进行二值化处理,得到一维的二值向量;
步骤S33:利用哈希值对所述二值向量进行表示,当哈希值相同时判定对应的图像为拥有同款商品的图像;
步骤S34:将拥有同款商品的图像组成同款图像数据集。
为了节省存储开销,可以利用一个十六进制的数来表示二值向量。进而,每个输入图像都可以用一个十六进制的数来表示,称之为哈希值,拥有相同哈希值的图像是相同的,是同款。进而找到图像数据集中所有拥有同款的图像,组成同款数据集。
本步骤中利用了传统的图像哈希方法,进行初次图像匹配。这种方法的优点:计算开销小,约60ms/张,空间开销小,每张图像的哈希值只需要几个B的存储开销。并且,该方法的召回率高,它的召回率是经典方法-基于离散傅里叶变换的图像哈希方法的2倍。但是也存在一定的缺点,匹配的精确度在约为90%,会出现部分错误的匹配。
步骤S4:采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
本步骤在利用传统图像哈希方法的基础上,将经过初次过滤后的图像输入深度神经网络,得到相应的特征向量,进而可得所有输入图像的特征向量;对于每两张图像,计算它们之间的特征向量的距离。认为若两张图像之间的距离小于某个阈值,则这两张图像是匹配的,是同款商品对应的图像。进而,得到最终的图像匹配对。
本发明所提供的同款商品的图像匹配方法,通过获取待匹配的图像数据集;对图像数据集中的各个图像分别进行图像预处理;采用图像哈希方法对经过图像预处理的图像进行过滤,将图像数据集中拥有同款商品的图像组成同款图像数据集;采用深度学习方法对同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。本申请利用传统的图像处理方法,得到一批匹配图像对。使用这批图像组成同款数据集,做数据集规模上的缩减。然后利用深度学习方法在过滤后的图像数据集上做二次过滤,过滤掉假匹配图像对,得到最终的匹配结果。通过将传统的图像处理方法与深度学习方法相结合,进行两次图像匹配,能够在保证图片匹配精确度的前提下,提高召回率。并且,本申请提供的方法在时间和空间上开销都是极小的,能够应用于兆级别的图像匹配。
参照图3,在上述实施例的基础上,本申请所提供的同款商品的图像匹配方法中,所述采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果的过程可以具体包括:
步骤S411:将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
步骤S412:计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
其中,计算两两图像对应的特征向量的距离可以为计算两两图像对应的特征向量之间的欧式距离、或汉明距离。
步骤S413:对所述假匹配图像对进行过滤,得到最终的匹配结果。
由于图像之间两两计算距离所需的时间开销较大(例如,一次汉明距离计算的时间开销约为1ns),本申请实施例对步骤S4进行进一步优化,参照图4,该过程可以具体包括:
步骤S421:将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
步骤S422:对所有图像的特征向量进行量化和聚类,得到特征向量的聚类空间;
步骤S423:从对应的聚类空间中搜索匹配的图像,得到最终的匹配结果。
本实施例首先对所有图像的特征向量进行量化和聚类,得到特征向量的聚类空间,然后对于每张输入图像,都从聚类空间中搜索匹配的图像。此时,计算的开销随着量化算法的不同而改变。在大数据的背景下,这种方法能快速给出匹配结果。
下面对本发明实施例提供的同款商品的图像匹配装置进行介绍,下文描述的同款商品的图像匹配装置与上文描述的同款商品的图像匹配方法可相互对应参照。
图5为本发明实施例提供的同款商品的图像匹配装置的结构框图,参照图5同款商品的图像匹配装置可以包括:
图像数据集获取模块100,用于获取待匹配的图像数据集;
预处理模块200,用于对所述图像数据集中的各个图像分别进行图像预处理;
图像过滤模块300,用于采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
深度学习模块400,用于采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
可选地,本申请所提供的同款商品的图像匹配装置中,所述预处理模块用于对所述图像数据集中的各个图像分别进行前后景分割、裁剪、滤波以及尺寸统一处理。
可选地,本申请所提供的同款商品的图像匹配装置中,所述图像过滤模块包括:
压缩单元,用于对经过图像预处理的图像进行图像压缩,得到缩略图;
二值化处单元,用于对压缩后的图像进行二值化处理,得到一维的二值向量;
判断单元,用于利用哈希值对所述二值向量进行表示,当哈希值相同时判定对应的图像为拥有同款商品的图像;
同款图像数据集生成单元,用于将拥有同款商品的图像组成同款图像数据集。
可选地,本申请所提供的同款商品的图像匹配装置中,所述深度学习模块包括:
特征向量获取单元,用于将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
距离计算单元,用于计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
过滤单元,用于对所述假匹配图像对进行过滤,得到最终的匹配结果。
可选地,本申请所提供的同款商品的图像匹配装置中,所述距离计算单元用于:计算两两图像对应的特征向量之间的欧式距离、或汉明距离
可选地,本申请所提供的同款商品的图像匹配装置中,所述深度学习模块包括:
特征向量生成单元,用于将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
量化和聚类单元,用于对所有图像的特征向量进行量化和聚类,得到特征向量的聚类空间;
搜索单元,用于从对应的聚类空间中搜索匹配的图像,得到最终的匹配结果。
本实施例的**装置用于实现前述的同款商品的图像匹配方法,因此同款商品的图像匹配装置中的具体实施方式可见前文中的同款商品的图像匹配方法的实施例部分,例如,图像数据集获取模块100,预处理模块200,图像过滤模块300,深度学习模块400,分别用于实现上述同款商品的图像匹配方法中步骤S101,S102,S103和S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明所提供的同款商品的图像匹配装置,通过获取待匹配的图像数据集;对图像数据集中的各个图像分别进行图像预处理;采用图像哈希方法对经过图像预处理的图像进行过滤,将图像数据集中拥有同款商品的图像组成同款图像数据集;采用深度学习方法对同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。本申请利用传统的图像处理方法,得到一批匹配图像对。使用这批图像组成同款数据集,做数据集规模上的缩减。然后利用深度学习方法在过滤后的图像数据集上做二次过滤,过滤掉假匹配图像对,得到最终的匹配结果。通过将传统的图像处理方法与深度学习方法相结合,进行两次图像匹配,能够在保证图片匹配精确度的前提下,提高召回率。并且,本申请提供的方法在时间和空间上开销都是极小的,能够应用于兆级别的图像匹配。
此外,本申请还提供了一种同款商品的图像匹配设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种所述同款商品的图像匹配方法的步骤。
此外,本申请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上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述同款商品的图像匹配方法的步骤。
本申请所提供的同款商品的图像匹配设备、计算机可读存储介质与上述同款商品的图像匹配方法相对应,其具体实施方式可以相互参照,在此不再赘述。
综上,本申请利用传统的图像处理方法,得到一批匹配图像对。使用这批图像组成同款数据集,做数据集规模上的缩减。然后利用深度学习方法在过滤后的图像数据集上做二次过滤,过滤掉假匹配图像对,得到最终的匹配结果。通过将传统的图像处理方法与深度学习方法相结合,进行两次图像匹配,能够在保证图片匹配精确度的前提下,提高召回率。并且,本申请提供的方法在时间和空间上开销都是极小的,能够应用于兆级别的图像匹配。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的同款商品的图像匹配方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种同款商品的图像匹配方法,其特征在于,包括:
获取待匹配的图像数据集;
对所述图像数据集中的各个图像分别进行图像预处理;
采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
2.如权利要求1所述的同款商品的图像匹配方法,其特征在于,所述对所述图像数据集中的各个图像分别进行图像预处理包括:
对所述图像数据集中的各个图像分别进行前后景分割、裁剪、滤波以及尺寸统一处理。
3.如权利要求1所述的同款商品的图像匹配方法,其特征在于,所述采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集包括:
对经过图像预处理的图像进行图像压缩,得到缩略图;
对压缩后的图像进行二值化处理,得到一维的二值向量;
利用哈希值对所述二值向量进行表示,当哈希值相同时判定对应的图像为拥有同款商品的图像;
将拥有同款商品的图像组成同款图像数据集。
4.如权利要求1至3任一项所述的同款商品的图像匹配方法,其特征在于,所述采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果包括:
将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
对所述假匹配图像对进行过滤,得到最终的匹配结果。
5.如权利要求4所述的同款商品的图像匹配方法,其特征在于,所述计算两两图像对应的特征向量的距离包括:
计算两两图像对应的特征向量之间的欧式距离、或汉明距离。
6.如权利要求4所述的同款商品的图像匹配方法,其特征在于,所述采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果包括:
将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
对所有图像的特征向量进行量化和聚类,得到特征向量的聚类空间;
从对应的聚类空间中搜索匹配的图像,得到最终的匹配结果。
7.一种同款商品的图像匹配装置,其特征在于,包括:
图像数据集获取模块,用于获取待匹配的图像数据集;
预处理模块,用于对所述图像数据集中的各个图像分别进行图像预处理;
图像过滤模块,用于采用图像哈希方法对经过图像预处理的图像进行过滤,将所述图像数据集中拥有同款商品的图像组成同款图像数据集;
深度学习模块,用于采用深度学习方法对所述同款图像数据集中的假匹配图像对进行过滤,得到最终的匹配结果。
8.如权利要求7所述的同款商品的图像匹配装置,其特征在于,所述深度学习模块包括:
特征向量获取单元,用于将同款图像数据集中的图像输入至深度神经网络中,得到每个图像对应的特征向量;
距离计算单元,用于计算两两图像对应的特征向量的距离,当所述距离不小于预设阈值时,判定对应图像为假匹配图像对;
过滤单元,用于对所述假匹配图像对进行过滤,得到最终的匹配结果。
9.一种同款商品的图像匹配设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述同款商品的图像匹配方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述同款商品的图像匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518653.3A CN109684496A (zh) | 2018-12-12 | 2018-12-12 | 一种同款商品的图像匹配方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811518653.3A CN109684496A (zh) | 2018-12-12 | 2018-12-12 | 一种同款商品的图像匹配方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684496A true CN109684496A (zh) | 2019-04-26 |
Family
ID=66187598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811518653.3A Pending CN109684496A (zh) | 2018-12-12 | 2018-12-12 | 一种同款商品的图像匹配方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684496A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363251A (zh) * | 2019-07-23 | 2019-10-22 | 杭州嘉云数据科技有限公司 | 一种sku图像分类方法、装置、电子设备及存储介质 |
CN111353526A (zh) * | 2020-02-19 | 2020-06-30 | 上海小萌科技有限公司 | 一种图像匹配方法、装置以及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217222A (zh) * | 2014-09-25 | 2014-12-17 | 中国科学院自动化研究所 | 一种基于随机采样哈希表示的图像匹配方法 |
CN106815588A (zh) * | 2015-12-01 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 垃圾图片过滤方法及装置 |
CN106934008A (zh) * | 2017-02-15 | 2017-07-07 | 北京时间股份有限公司 | 一种垃圾信息的识别方法及装置 |
-
2018
- 2018-12-12 CN CN201811518653.3A patent/CN109684496A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217222A (zh) * | 2014-09-25 | 2014-12-17 | 中国科学院自动化研究所 | 一种基于随机采样哈希表示的图像匹配方法 |
CN106815588A (zh) * | 2015-12-01 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 垃圾图片过滤方法及装置 |
CN106934008A (zh) * | 2017-02-15 | 2017-07-07 | 北京时间股份有限公司 | 一种垃圾信息的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
WEIXIN_36308821: "基于深度学习的商品检索技术", 《CSDN》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363251A (zh) * | 2019-07-23 | 2019-10-22 | 杭州嘉云数据科技有限公司 | 一种sku图像分类方法、装置、电子设备及存储介质 |
CN111353526A (zh) * | 2020-02-19 | 2020-06-30 | 上海小萌科技有限公司 | 一种图像匹配方法、装置以及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151690B2 (en) | Image super-resolution reconstruction method, mobile terminal, and computer-readable storage medium | |
CN111275626B (zh) | 一种基于模糊度的视频去模糊方法、装置及设备 | |
CN107220997B (zh) | 一种立体匹配方法及系统 | |
CN109416727B (zh) | 一种人脸图像中眼镜去除方法及装置 | |
US20180197278A1 (en) | Image processing apparatus and method | |
CN110413396B (zh) | 一种资源调度方法、装置、设备及可读存储介质 | |
CN109035246B (zh) | 一种人脸的图像选择方法及装置 | |
CN106325756B (zh) | 一种数据存储、数据计算方法和设备 | |
CN104253929B (zh) | 视频降噪方法及其系统 | |
CN107481271A (zh) | 一种立体匹配方法、系统及移动终端 | |
CN104159120B (zh) | 一种视频稳像方法、装置及系统 | |
CN110349080B (zh) | 一种图像处理方法及装置 | |
CN109684496A (zh) | 一种同款商品的图像匹配方法、装置、设备以及存储介质 | |
CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108521547A (zh) | 图像处理方法、装置及设备 | |
CN108665475A (zh) | 神经网络训练、图像处理方法、装置、存储介质和电子设备 | |
CN107578375B (zh) | 图像处理方法及装置 | |
CN105979283A (zh) | 视频转码方法和装置 | |
CN109034384B (zh) | 一种数据处理方法和装置 | |
CN108416425A (zh) | 一种卷积方法及装置 | |
Chen et al. | Inexact alternating direction method based on proximity projection operator for image inpainting in wavelet domain | |
CN107220994A (zh) | 一种立体匹配的方法及系统 | |
CN110880160A (zh) | 图片帧超分方法、装置、终端设备及计算机可读存储介质 | |
CN113747136B (zh) | 视频数据处理方法、装置、设备及介质 | |
CN112232361B (zh) | 图像处理的方法及装置、电子设备及计算机可读存储介质 |
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 |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |