[发明专利]一种基于显著性检测的商品目标快速检索方法

权利要求书

1.一种基于显著性检测的商品目标快速检索方法，其特征在于，包括离线处理数据集阶段和在线查询目标阶段；

(1)离线处理数据集阶段，首先利用显著性目标检测网络处理数据集中的图像得到相应的显著图，再对显著图优化处理，得到清晰的显著区域；在进行显著性检测的同时，也对数据集图片用Selective Search方法获取图片中的候选框；然后利用显著区域筛选Selective Search提取到的候选框，保留与显著区域重叠率大的候选框；被保留的候选框和显著区域统称为显著候选框；最后提取并保存显著候选框的卷积最大响应MAC特征；

具体步骤如下：

步骤(1.1)，给定数据集，对数据集中的图片利用显著性检测网络进行显著性检测，得到图片的显著图；

步骤(1.2)，对显著图求像素平均值，对显著图中低于平均值的像素值置为0，高于平均值的像素值置为255，得到二值化图像；

步骤(1.3)，对步骤(1.2)得到的二值化图像求最大联通区域；

步骤(1.4)，计算最大联通区域和原始图像的重叠率，如果最大联通区域与原始图像重叠率小于0.5，则保留此最大联通区域作为显著区域，否则，对步骤(1.1)得到的显著图进行显著性检测，并重复步骤(1.2)到步骤(1.4)，直到得到作为显著区域的最大联通区域；

步骤(1.5)，对数据集中的图片使用Selective Search方法提取初始候选框；

步骤(1.6)，使用显著区域去选步骤(1.5)得到的初始候选框，保留与显著区域有重叠的候选框，具体重叠率根据需求而定；保留的候选框和显著区域统称为显著候选框，最终提取显著候选框的卷积最大响应MAC特征并保存；

(2)在线查询目标阶段，给定一张查询图像，提取查询图像中待检测目标的特征，然后与保存的显著候选框的特征匹配，得到初始检索结果；最后使用检索得到的前N张图片中目标特征与查询图片中目标特征做融合，生成新的查询特征再在初始检索结果重新检索，得到最终的检索结果；

具体步骤如下：

步骤(2.1)，对查询图片提取相应的卷积最大响应MAC特征；

步骤(2.2)，计算待查询图片特征与显著候选框特征之间的相似度得到初始检索结果；相似度计算使用欧几里得距离，公式如下：

其中，表示两个卷积最大响应MAC特征向量；

(3)计算待查询图片与前N的显著候选框特征的平均特征，重新使用平均特征作为查询特征，再在初始检索结果重新检索，得到最终的检索结果。

2.根据权利要求1所述的基于显著性检测的商品目标快速检索方法，其特征在于，所述的显著性目标检测网络基于Caffe框架搭建而成，共有16层卷积层，1层反卷积层；以数据集图像作为输入；第一卷积层通道数为64，第二卷积层通道数为128，第三层与第一层相同，第四层与第二层相同，第五层卷积层通道数为256，第六层卷积层通道数为512；第七卷积层通道数为512；第八、十一层与第五层相同，第九、十二层与第六层相同，第十、十三层与第七层相同，最终构成13层卷积层；在13层卷积层中，采用3*3的卷积核，并在第二、四、七、十、十三层后使用2*2池化核，步长为2的最大值池化进行下采样；第十四层卷积层采用7*7的卷积核，通道数为4096，并使用Dropout优化；第十五层卷积层采用1*1的卷积层，通道数为4096，也使用Dropout优化；前十五层都使用Relu函数激活；第十六层卷积层采用1*1的卷积核，通道数为1；第十七层使用反卷积进行上采样，最终得到显著图；在训练过程中使用Euclidean损失函数，公式如下：

其中，定义为训练集图片，x_i表示第i张图片；定义为对应于训练图片的真值二值图；θ定义为网络中所有的参数；f(*)表示显著性检测网络函数。