CN109815358A - 一种商标图案近似查询系统和方法 - Google Patents

Abstract

本发明公开了一种商标图案近似查询系统和方法，包括商标图案特征库生成子系统、卷积神经网络、商标图案特征库和商标图案查询子系统；商标图案特征库生成子系统为卷积神经网络提供初始训练集，卷积神经网络训练自动处理商标图案的机器学习模型，将商标图案特征和相关索引信息存到商标图案特征库，输入查询对象商标图案时，商标图案特征库查询子系统将查询对象商标图案与商标图案特征库中存储的商标图案进行特征匹配，并将匹配结果反馈到卷积神经网络，完成机器学习模型校正。本发明将商标图案作为输入，采用基于卷积神经网络的智能算法，对特征库中图案的特征进行学习，无需人工标注，提高商标图案近似查询的精度和效率。

Description

一种商标图案近似查询系统和方法

技术领域

本发明涉及一种商标图案近似查询系统和方法。

背景技术

商标是公司、产品或服务用来区别一个经营者的品牌或服务和其他经营者的商品或服务的标记，与企业的商品质量、服务质量、经营管理融为一体，在工商业社会中起着非常重要的作用，是公司及其产品的一个重要属性，具有唯一性。为使商标得到合法的保护，必须向商标局正式注册。随着我国经济的发展和全球化进程的加快，商标数量逐年递增。防止重复注册或相似商标注册是商标管理的核心问题。为了保护注册商标的合法权益，打击仿冒盗用注册商标的违法行为，需要对待注册的商标进行近似商标检索，与已注册的商标进行比较，查询与目标商标近似的商标内容，给企业商标风险、近似做大数据分析。

商标图像的近似查询是多媒体信息检索领域的热点问题，图像识别检索方法尽管多种多样，但其核心问题都是围绕特征提取。目前的商标识别检索方法主要针对图案较简单的高品质商标图像，对于图像较为复杂的商标图像的识别具有一定的局限性，识别率较低，检索效率较差，而且需要额外人工标注。而图像的标注需要大量的人力和财力，因为当前的计算机视觉技术无法达到对图像自动标注的要求。此外，人工标注因为不可避免地会带有一些主观偏差，从而导致标注往往是不精准和不客观的。换言之，每个人对相同的图片的理解程度不同，这种主观的理解偏差会导致商标图案近似查询系统中的失配现象。

发明内容

本发明提出一种商标图案近似查询系统和方法，解决了现有技术对于图像较为复杂的商标图像的识别具有一定的局限性，识别率较低，检索效率较差，而且需要额外人工标注，人工标注不精准和不客观的问题。

本发明的技术方案是这样实现的：

一种商标图案近似查询系统，包括商标图案特征库生成子系统、卷积神经网络、商标图案特征库和商标图案查询子系统；商标图案特征库生成子系统为卷积神经网络提供初始训练集，卷积神经网络训练自动处理商标图案的机器学习模型，将商标图案特征和相关索引信息存到商标图案特征库，输入查询对象商标图案时，商标图案特征库查询子系统将查询对象商标图案与商标图案特征库中存储的商标图案进行特征匹配，并将匹配结果反馈到卷积神经网络，辅助卷积神经网络完成机器学习模型校正。

优选的，商标图案特征库生成子系统用于图案采集和图案预处理，卷积神经网络用于获取训练集和构建机器学习模型；图案采集使用爬虫或商标图案信息库获得商标图案，通过图案预处理提取商标图案的特征，并将获得的特征作为卷积神经网络中的初始训练集，卷积神经网络获取训练集，通过训练集构建自动处理商标图案获得图案特征的机器学习模型。

优选的，商标图案特征库包括商标图案注释和商标图案索引信息，商标图案注释用来存储已被处理商标图案的特征，商标图案索引信息用来存储已被处理商标图案的存放位置信息；商标图案的特征是机器学习模型自动处理商标图案得到的特征输出。

优选的，所述商标图案特征库查询子系统包括商标图案信息存储装置，用于商标图案相似度计算、商标图案索引匹配和输出匹配度高的目标商标图案；

用户输入要查询的商标图案，通过机器学习模型自动处理输入的商标图案，将得到商标图案的特征输出给商标信息存储装置；

商标图案相似度计算接收商标信息存储装置中存储的商标图案的特征，计算该特征与商标图案的注释中存储的商标图案的特征之间的相似度；

商标图案索引匹配用于存储相似度高的商标图案的索引信息；

输出匹配度高的目标商标图案即输出商标图案索引匹配存储的索引信息对应的商标图案。

优选的，所述商标图案特征库查询子系统还用于在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库。

一种商标图案近似查询方法，具体包括以下步骤：

(1)商标图案特征库生成子系统获取商标图案信息库内的商标图案，对商标图案进行图案预处理提取特征，将获得的特征作为卷积神经网络的初始训练集，卷积神经网络通过训练集建立机器学习模型，自动处理商标图案；

(2)构建商标图案特征库，存储商标图案注释和商标图案索引信息；

(3)商标图案特征库查询子系统在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库；

(4)在搜索结果的反馈下对机器学习模型进行校正。

优选的，步骤(3)中，对用户输入的商标图案进行反向搜索，具体包括

特征分析抽取，自动抽取商标图案的特征信息，建立特征索引库，用户提出待检索的商标图案的特征信息，在特征索引库中寻找对应的商标图案；

特征匹配，对商标图案定义描述词并分类，用户根据待检索的商标图案的描述词寻找对应的商标图案；

相似度计算，对商标图案生成图案指纹，图案指纹的相似度即为商标图案的相似度。

优选的，相似度计算具体包括

将商标图案缩小到8x8的尺寸，总共64个像素；

将缩小后的商标图案，转为灰度图；

计算所有像素的灰度平均值；

将每个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；生成一个64位字符串，记为图案指纹；

比较不同商标图案的图案指纹不同的数据位，得到图案指纹的相似度。

优选的，步骤(1)中卷积神经网络通过训练集建立机器学习模型具体包括以下步骤

a)从训练集中取一个样本(Xp，dp)，将Xp输入卷积神经网络；Xp为输入向量，dp为理想输出向量；

b)输入向量与每层的权值矩阵W(V，M)相点乘，V表示卷积神经网络输入层到隐层的权值矩阵，M表示隐层到输入层的权值矩阵，计算相应的实际输出Op；

Op＝Fn(…(F2(F1(XpW(1))W(2))…)W(n))；

p为样本模式计数器；

n表示输出层单元数；

c)计算实际输出Op与理想输出向量dp的差，记为误差E；

d)误差反传，调整各层权值矩阵W(V，M)；

e)检查是否所有样本完成一次轮训；

f)检查卷积神经网络误差E是否小于精度Emin，误差E小于精度则结束训练，误差E大于精度Emin返回步骤a)；

g)按极小化误差的方法反向传播调整权值矩阵。

本发明的有益效果在于：将商标图案本身作为输入，提高了搜索的效率和可靠性，相较其他搜索系统，针对性强。采用基于卷积神经网络的智能算法，对特征库中图案的属性进行学习，无需耗费大量人力和财力进行人工标注，这意味着随着对图案搜索的次数增加，它输出的属性会变得愈发精确。能显著提高商标图案近似查询的精度和效率。

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，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为本发明一种商标图案近似查询系统一个实施例的原理框图；

图2为本发明一种商标图案近似查询系统一个实施例的流程图；

图3为卷积神经网络构建和训练过程的流程图。

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清楚、完整地描述，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作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。

如图1所示，本发明提出了一种商标图案近似查询系统，包括商标图案特征库生成子系统、卷积神经网络、商标图案特征库和商标图案查询子系统；商标图案特征库生成子系统为卷积神经网络提供初始训练集，卷积神经网络训练自动处理商标图案的机器学习模型，将商标图案特征和相关索引信息存到商标图案特征库，输入查询对象商标图案时，商标图案特征库查询子系统将查询对象商标图案与商标图案特征库中存储的商标图案进行特征匹配，并将匹配结果反馈到卷积神经网络，辅助卷积神经网络完成机器学习模型校正。

商标图案特征库生成子系统用于图案采集和图案预处理，卷积神经网络用于获取训练集和构建机器学习模型；图案采集使用爬虫或商标图案信息库获得商标图案，通过图案预处理提取商标图案的特征，并将获得的特征作为卷积神经网络中的初始训练集，卷积神经网络获取训练集，通过训练集构建自动处理商标图案获得图案特征的机器学习模型。

商标图案特征库包括商标图案注释和商标图案索引信息，商标图案注释用来存储已被处理商标图案的特征，商标图案索引信息用来存储已被处理商标图案的存放位置信息；商标图案的特征是机器学习模型自动处理商标图案得到的特征输出。

商标图案特征库查询子系统包括商标图案信息存储装置，用于商标图案相似度计算、商标图案索引匹配和输出匹配度高的目标商标图案；

用户输入要查询的商标图案，通过机器学习模型自动处理输入的商标图案，将得到商标图案的特征输出给商标信息存储装置；

商标图案相似度计算接收商标信息存储装置中存储的商标图案的特征，计算该特征与商标图案的注释中存储的商标图案的特征之间的相似度；

商标图案索引匹配用于存储相似度高的商标图案的索引信息；

输出匹配度高的目标商标图案即输出商标图案索引匹配存储的索引信息对应的商标图案。

商标图案特征库查询子系统还用于在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库。

反向检索技术的查询条件来自于图像本身，在提取图像特征时，图像的特征即为查询的条件。在获得查询条件后，通过比较其特征与商标图案库中的特征来决定其和商标图案库中图像的相似度。如果图像库庞大，那么在检索的过程中，时效性变得尤为突出。也是评价一个检索系统好坏的标准。在基于商标图案内容的检索系统中，通常用颜色、纹理、轮廓等底层特征来描述一副商标图案的基本特征，而检索的结果是以上基本特征相互匹配与商标图案库中特征对比计算得来的。反向检索主要完成三部分内容：特征分析抽取、特征匹配、相似度计算。

基于图案形式特征的抽取：由图案分析软件自动抽取图案的颜色、形状、纹理等特征，建立特征索引库，用户只需将要查找的商标图案的大致特征描述出来，就可以找出与之具有相近特征的商标图案。但目前这种较成熟的检索技术主要应用于图案数据库的检索，在网上图案搜索引擎中应用这种检索技术还具有一定的困难。

基于商标图案内容特征匹配：这是一种语义层次的匹配。需要对商标图案的内容(如形状、背景、构成、颜色特征等)进行描述并分类，给出描述词。检索时，将主要在这些描述词中搜索你的检索词。这种查询方式是比较准确的，一般来讲可以获得较好的查准率。

在相似度匹对方面，本发明拟采用感知哈希算法设计图案搜索算法，它的作用是对每张商标图案生成一个“指纹”字符串，然后比较不同商标图案的指纹。结果越接近，就说明商标越相似。

卷积神经网络使用商标图案特征库生成子系统处理得到的商标图案特征作为初始训练集，得到机器学习模型，使用该模型处理大量图案构建商标图案特征库，同时商标图案特征库查询子系统使用该模型分析用户图案特征并通过查询结果不断完善该模型。

如图2所示，本发明还提出了一种商标图案近似查询方法，具体包括以下步骤：

(1)商标图案特征库生成子系统获取商标图案信息库内的商标图案，对商标图案进行图案预处理提取特征，将获得的特征作为卷积神经网络的初始训练集，卷积神经网络通过训练集建立机器学习模型，自动处理商标图案；

(2)构建商标图案特征库，存储商标图案注释和商标图案索引信息；

(3)商标图案特征库查询子系统在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库；

(4)在搜索结果的反馈下对机器学习模型进行校正。

步骤(3)中，对用户输入的商标图案进行反向搜索，具体包括

特征分析抽取，自动抽取商标图案的特征信息，建立特征索引库，用户提出待检索的商标图案的特征信息，在特征索引库中寻找对应的商标图案；

特征匹配，对商标图案定义描述词并分类，用户根据待检索的商标图案的描述词寻找对应的商标图案；

相似度计算，对商标图案生成图案指纹，图案指纹的相似度即为商标图案的相似度。

相似度计算具体包括

将商标图案缩小到8x8的尺寸，总共64个像素；

将缩小后的商标图案，转为灰度图；

计算所有像素的灰度平均值；

将每个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；生成一个64位字符串，记为图案指纹；

比较不同商标图案的图案指纹不同的数据位，得到图案指纹的相似度。

如图3所示，步骤(1)中卷积神经网络通过训练集建立机器学习模型具体包括以下步骤

a)从训练集中取一个样本(Xp，dp)，将Xp输入卷积神经网络；Xp为输入向量，dp为理想输出向量；

b)输入向量与每层的权值矩阵W(V，M)相点乘，V表示卷积神经网络输入层到隐层的权值矩阵，M表示隐层到输入层的权值矩阵，计算相应的实际输出Op；

Op＝Fn(…(F2(F1(XpW(1))W(2))…)W(n))；

p为样本模式计数器；P表示训练样本对的总数；

n表示输出层单元数；

c)计算实际输出Op与理想输出向量dp的差，记为误差E；

d)误差反传，调整各层权值矩阵W(V，M)；

e)检查是否所有样本完成一次轮训；

f)检查卷积神经网络误差E是否小于精度Emin，误差E小于精度则结束训练，误差E大于精度Emin返回步骤a)；

g)按极小化误差的方法反向传播调整权值矩阵。

本发明的有益效果在于：将商标图案本身作为输入，提高了搜索的效率和可靠性，相较其他搜索系统，针对性强。采用基于卷积神经网络的智能算法，对特征库中图案的属性进行学习，无需耗费大量人力和财力进行人工标注，这意味着随着对图案搜索的次数增加，它输出的属性会变得愈发精确。能显著提高商标图案近似查询的精度和效率，商标图案特征库的建立基于的卷积神经网络方法，降低了网络模型的复杂度，减少了权值的数量，避免了显式的特征抽取，而隐式地从训练数据中进行学习，网络结构简单，适应性强。

上述技术方案公开了本发明的改进点，未详细公开的技术内容，可由本领域技术人员通过现有技术实现。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种商标图案近似查询系统，其特征在于：包括商标图案特征库生成子系统、卷积神经网络、商标图案特征库和商标图案查询子系统；商标图案特征库生成子系统为卷积神经网络提供初始训练集，卷积神经网络训练自动处理商标图案的机器学习模型，将商标图案特征和相关索引信息存到商标图案特征库，输入查询对象商标图案时，商标图案特征库查询子系统将查询对象商标图案与商标图案特征库中存储的商标图案进行特征匹配，并将匹配结果反馈到卷积神经网络，辅助卷积神经网络完成机器学习模型校正。

2.根据权利要求1所述的商标图案近似查询系统，其特征在于：商标图案特征库生成子系统用于图案采集和图案预处理，卷积神经网络用于获取训练集和构建机器学习模型；图案采集使用爬虫或商标图案信息库获得商标图案，通过图案预处理提取商标图案的特征，并将获得的特征作为卷积神经网络中的初始训练集，卷积神经网络获取训练集，通过训练集构建自动处理商标图案获得图案特征的机器学习模型。

3.根据权利要求1所述的商标图案近似查询系统，其特征在于：商标图案特征库包括商标图案注释和商标图案索引信息，商标图案注释用来存储已被处理商标图案的特征，商标图案索引信息用来存储已被处理商标图案的存放位置信息；商标图案的特征是机器学习模型自动处理商标图案得到的特征输出。

4.根据权利要求3所述的商标图案近似查询系统，其特征在于：所述商标图案特征库查询子系统包括商标图案信息存储装置，用于商标图案相似度计算、商标图案索引匹配和输出匹配度高的目标商标图案；

用户输入要查询的商标图案，通过机器学习模型自动处理输入的商标图案，将得到商标图案的特征输出给商标信息存储装置；

商标图案相似度计算接收商标信息存储装置中存储的商标图案的特征，计算该特征与商标图案的注释中存储的商标图案的特征之间的相似度；

商标图案索引匹配用于存储相似度高的商标图案的索引信息；

输出匹配度高的目标商标图案即输出商标图案索引匹配存储的索引信息对应的商标图案。

5.根据权利要求1或4所述的商标图案近似查询系统，其特征在于：所述商标图案特征库查询子系统还用于在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库。

6.一种商标图案近似查询方法，其特征在于，具体包括以下步骤：

(1)商标图案特征库生成子系统获取商标图案信息库内的商标图案，对商标图案进行图案预处理提取特征，将获得的特征作为卷积神经网络的初始训练集，卷积神经网络通过训练集建立机器学习模型，自动处理商标图案；

(2)构建商标图案特征库，存储商标图案注释和商标图案索引信息；

(3)商标图案特征库查询子系统在已建好的商标图案特征库的基础上，对用户输入的商标图案进行反向搜索，并把搜索结果反馈到商标图案特征库；

(4)在搜索结果的反馈下对机器学习模型进行校正。

7.根据权利要求6所述的商标图案近似查询方法，其特征在于，步骤(3)中，对用户输入的商标图案进行反向搜索，具体包括

特征分析抽取，自动抽取商标图案的特征信息，建立特征索引库，用户提出待检索的商标图案的特征信息，在特征索引库中寻找对应的商标图案；

特征匹配，对商标图案定义描述词并分类，用户根据待检索的商标图案的描述词寻找对应的商标图案；

相似度计算，对商标图案生成图案指纹，图案指纹的相似度即为商标图案的相似度。

8.根据权利要求7所述的商标图案近似查询方法，其特征在于，相似度计算具体包括

将商标图案缩小到8x8的尺寸，总共64个像素；

将缩小后的商标图案，转为灰度图；

计算所有像素的灰度平均值；

将每个像素的灰度，与平均值进行比较，大于或等于平均值，记为1；小于平均值，记为0；生成一个64位字符串，记为图案指纹；

比较不同商标图案的图案指纹不同的数据位，得到图案指纹的相似度。

9.根据权利要求6所述的商标图案近似查询方法，其特征在于，步骤(1)中卷积神经网络通过训练集建立机器学习模型具体包括以下步骤

a)从训练集中取一个样本(Xp，dp)，将Xp输入卷积神经网络；Xp为输入向量，dp为理想输出向量；

b)输入向量与每层的权值矩阵W(V，M)相点乘，V表示卷积神经网络输入层到隐层的权值矩阵，M表示隐层到输入层的权值矩阵，计算相应的实际输出Op；

Op＝Fn(…(F2(F1(XpW(1))W(2))…)W(n))；

p为样本模式计数器；

n表示输出层单元数；

c)计算实际输出Op与理想输出向量dp的差，记为误差E；

d)误差反传，调整各层权值矩阵W(V，M)；

e)检查是否所有样本完成一次轮训；

f)检查卷积神经网络误差E是否小于精度Emin，误差E小于精度则结束训练，误差E大于精度Emin返回步骤a)；

g)按极小化误差的方法反向传播调整权值矩阵。