[发明专利]一种基于深度学习融合位置和形状信息的商品识别方法

权利要求书

1.一种基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述方法包括以下步骤：

步骤1、采用目标检测算法检测检出商品图中的所有目标商品；

步骤2、根据检出的bounding box计算所述检出商品图中目标商品的形状信息和位置信息；

步骤3、建立基于深度学习融合商品位置和形状信息的算法模型；

步骤4、利用所述目标商品的图像特征、形状信息和位置信息训练所述算法模型，并不断验证得到最终的商品识别算法模型。

2.如权利要求1所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤2中的目标商品的形状信息包括高度、宽度、宽高比。

3.如权利要求1所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤2中的目标商品的位置信息包括四角坐标、中心点坐标。

4.如权利要求3所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述目标商品的位置信息被配置为所述检出商品图中目标商品的位置。

5.如权利要求1所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤3中的融合商品位置和形状的算法模型被配置为根据所述目标商品的bounding box将其逐个从所述检出商品图中切出，得到所述目标商品的切出图。

6.如权利要求5所述的基于深度学习的多摄像头采集图像的物品识别方法，其特征在于，所述目标商品的切出图resize后的图像块大小为224×224。

7.如权利要求1所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤3中的融合商品位置和形状的算法模型被配置为卷积神经网络结构，包括ResNet、VGG、GoogLeNet、DenseNet等网络结构。

8.如权利要求1所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤3中的融合商品位置和形状的算法模型被配置为将所述目标商品的图像特征、形状信息、位置信息并联拼接作为所述目标商品的全部特征。

9.如权利要求8所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述目标商品的形状信息和位置信息还需进行归一化处理。

10.如权利要求8所述的基于深度学习融合位置和形状信息的商品识别方法，其特征在于，所述步骤3中的融合商品位置和形状的算法模型被配置为将所述目标商品的全部特征输入至全连接网络中。