[发明专利]一种基于显著性检测的商品目标快速检索方法

说明书

本发明属于计算机视觉技术领域，提供了一种基于显著性检测的商品目标快速检索方法。由于大多数商品目标在商品图像中是比较显眼的，显著性检测可以预测图像中显著区域的位置。本发明提出的方法利用显著性检测得到的显著区域去过滤使用Selective Search提取到的初始候选框，并保留与显著区域有较高重叠率的候选框，最终利用显著区域和保留下来的候选框作为显著候选框来定位商品图片中的目标并提取相应的特征。这种方法一方面可以减少候选框的数量，提高检索效率；另一方面，显著候选框可以准确定位到目标，使得提取到的目标特征更加准确，进而提高检索精度。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于显著性检测的商品目标快速检索方法。

背景技术

目前，亚马逊，阿里巴巴，京东等电子商务平台有了很大的发展，用户的购买习惯也发生了很大的改变。人们不再局限于时间和地点，只要拥有一部智能手机，就能够轻松查找到想要购买的商品。目前在PC端或移动端，很大一部分用户都是通过文本关键词来获取目标商品，但是当用户需求的商品的周边信息不明确时，很难通过抽象出有限的关键词来进行检索。后来各大电商平台争先推出了以图搜商品的检索方案。在这种检索方案中，用户只需拍一张所要购买商品的照片上传购物网站，就可以检索到电商平台与所要购买商品相符的商品，这极大的改善了用户的购物体验。如何从海量商品数据集中检索目标商品就成了这一方案的关键所在。

目标检索方法通常包含两个子任务：①检索出包含目标的图片；②使用一个标注框框出目标在图片中的位置。准确定位目标不仅可以使得对图片特征的表示更加准确，而且可以使得候选框的数量降低，进而减少检索时间。所以准确定位目标对这两个子任务是至关重要的。

在先前的研究中，定位方法主要分为两种类型，一种是监督的端到端深度学习机制，这种方法可以同时学习目标的定位以及标签。例如Amaia Salvador等人(“Faster r-cnn features for instance search,”in Computer Vision and Pattern RecognitionWorkshops,2016,pp.394–401.)利用RPN网络来对图片提取候选框，这个网络可以产生高质量的候选框，并有效的减少了检索计算时间。但是这种类型的方法有一个很明显的缺陷就是需要大量的有目标标签和标注框标注的图片来训练网络。考虑到商品数据集的短缺，显然这种类型的方法对于商品目标检索是不适用的。另一种是非监督机制。早期滑动窗口被广泛使用。这种方法通过每一个窗口和查询目标进行匹配来进行目标的定位，由于需要匹配大量的窗口，这种方法是非常耗时的。为了减少滑动窗口的搜索空间，有些方法开始利用图片分割，边缘，纹理等信息去指导图片中候选框的生成。其中比较典型的方法有EdgeBox(“Edge boxes:Locating object proposals from edges,”in European Conference onComputer Vision,2014,pp.391–405.)和Selective Search(“Selective search forobject recognition,”International Journal of Computer Vision,vol.104,no.2,pp.154–171,2013.)。EdgeBox依赖于稀疏但信息丰富的边缘信息。该方法可以保留具有包含目标可能性较大的的候选框。Selective Search结合穷举搜索和分层的语义分割。这种方法可以生成类别独立的高质量的候选框。这两种方法可以在一定程度上减少搜索空间。但是如果只使用较少的候选框，而不是使用提取到图片所有的候选框，则这两种方法都不能很好的定位目标，进而导致检索精度的下降。

本发明受商品图片中背景与目标不相关，商品目标在图片中是非常明显的特点的启发，我们结合定位方法中非监督机制，针对快速定位商品位置，提出了一种基于显著性检测的商品目标快速检索方法。

发明内容

本发明的目的是针对商品图片数据的特点，设计一种既快速又精确的检索商品目标方法。

本发明的技术方案：