[发明专利]一种商标图像识别方法

说明书

本发明提供一种商标图像识别方法，包括以下步骤：准备待识别商标的训练样本，提取其局部特征并进行聚类和量化；利用互信息进行特征选择；对测试图像提取与训练样本相同的局部特征，并利用之前得到的聚类中心对局部特征进行量化；利用特征选择保留下来的特征对测试图片的关键点进行过滤，然后对测试图片和正样本进行关键点匹配；利用空间拓扑关系对匹配进行约束，去除错误匹配的关键点对，统计配点对中不同视觉词的数目作为测试图像与正样本的相似度；根据相似度大小确定测试图像是否包含该商标。本发明从过滤不相关特征点和消除错误匹配两个方面进行考虑，它们之间是一种互补的关系，能够相互促进，从而更好地提高商标识别准确率。

技术领域

本发明属于视觉目标检测与识别技术领域，具体涉及一种商标图像识别方法。

背景技术

近年来，随着互联网技术的迅速发展和普及，尤其是社交网站的不断推广和应用，网络上的图像呈快速增长趋势，这使得网络媒体成为最具潜力的广告及商业平台。品牌跟踪是近些年出现的一种服务，通过分析品牌在媒体上曝光的频繁程度以及用户的评价来评估品牌的成长。传统的分析方法有两种，一种是依靠人工进行分析和统计，由于网络媒体数量巨大，这种方式需要耗费大量的人力和时间；第二种方式是通过网站的关键词搜索功能检索相关的图像，然而关键词并不一定与内容密切相关：一方面搜索结果中含有大量噪声，尽管含有关键词，但经常与品牌并不相关，另一方面大量含有商标的图像无法检索到。因此设计一种对图像内容进行分析，自动识别其中所含商标的方法，具有重要的商业应用价值。

近年来，研究人员提出了一些基于“词袋模型”的商标识别方法：首先从图像中提取SIFT或SURF特征，然后对这些特征进行聚类，形成视觉词，然后将原始特征进行量化得到这些视觉词，这样每张图像就可以表示成视觉词的集合。跟直接使用原始的特征相比，量化后的特征维度大大降低，可以用于大规模的商标识别任务。但是，基于“词袋模型”的方法存在两点不足：一是量化过程在降低原始特征维度的同时，也在一定程度上降低了原始特征的表示能力，导致两个原本不同的特征在量化后可能会被认为是相同的，称为“误匹配”。为了尽可能地减少这些误匹配，研究者们提出了一系列方法。代表作包括S.Romberg等人2013年在文献“Bundle min-hashing for logo recognition”中提出的同时考虑相邻的多个关键点的方法，以及C.Wan等人2013年在文献“Tree-based shape descriptor for scalablelogo detection”中提出的将空间位置满足一定条件的四个关键点组合成一种树形结构的方法。这些方法能在一定程度上缓解误匹配的问题，但是它们对图像的仿射变换以及关键点缺失的鲁棒性还有不足。

基于“词袋模型”的方法的第二个不足之处在于图像中存在大量与商标不相关的关键点，这些关键点不仅会干扰商标的正确识别，同时也会严重影响识别速度。为了去除这些不相关的关键点，比较直接的做法是仅考虑出现在商标区域中的那些关键点，但是，对于不同类型的商标，检测出来的关键点数量差异很大，如果太少会影响识别效果，如果太多会降低识别速度；另外，那些出现在商标区域内的关键点有很多是与背景相关的，它们与商标本身并没有什么相关性。所以，只考虑出现在商标区域内的关键点的方法并不能很好地去除那些商标无关的关键点。

综上所述，现有的商标识别技术存在两个不足之处：一是没有一种对图像仿射变换和关键点缺失具有较好鲁棒性的误匹配消除方法；二是没有在识别过程中能有效过滤那些与商标不相关关键点的方法。

发明内容

针对现有技术的不足，本发明提出了一种新的商标图像识别方法，该技术采用首先使用基于互信息的特征选择方法来过滤掉大量与商标不相关的特征点，然后使用一种新的拓扑约束方法来消除误匹配，通过二者的结合，能够达到识别速度快、识别率高的效果。

本发明的一种商标图像识别方法，包括如下步骤：

首先采用基于互信息的特征选择方法来过滤掉大量与商标不相关的特征点，包含以下步骤：