一种基于稀疏表示的超市商品图像识别方法技术

本发明专利技术公开了一种基于稀疏表示的超市商品图像识别方法，先采集商品的图像数据，并分成训练集和测试集，首先分别对训练集以及测试集的图像数据进行处理后得到训练集的关键点的局部描述符以及测试集的关键点的局部描述符，根据训练集的关键点的局部描述符可以训练得到稀疏字典，训练好的稀疏字典可以对局部描述符进行稀疏并计算得到全局特征描述符，利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器，然后将测试集的全局特征描述符输入到SVM分类器即可完成对商品的识别，本发明专利技术的识别方法对超市商品的识别精度较高。

A method of supermarket commodity image recognition based on sparse representation

This invention discloses a supermarket recognition method based on sparse representation. It first collects the image data of the goods and divides it into training set and test set. First, the local descriptors of the key points of the training set and the key points of the test set are obtained after processing the training set and the image data of the test set respectively. According to the local descriptor at the key point of the training set, the sparse dictionary can be trained. The trained sparse dictionary can be sparse and calculate the global feature descriptor for the local descriptors. The SVM classification method is used to train the image data class standard and the global feature descriptor of the training set to get the SVM classifier. Then the global feature descriptor of the test set can be input to the SVM classifier to identify the goods. The recognition method of the invention has high recognition precision for the supermarket goods.

【技术实现步骤摘要】
一种基于稀疏表示的超市商品图像识别方法
本专利技术涉及计算机视觉与智能识别
，特别是一种基于稀疏表示的超市商品图像识别方法。
技术介绍
随着计算机及相关技术的迅猛发展，人工智能技术已经慢慢地渗透到人们的生活当中，无人超市作为智慧城市概念的一个热点，为人们提供便利，但无人超市在经营过程中存在一个难以避免的问题，就是因一些消费者的不自觉行为而导致超市的损失；随着机器视觉技术和图像处理技术的极大发展，开发一种新颖有效的基于图像处理的商品图像识别系统是解决无人超市盗损问题和自动结账的有效方式，商品图像识别系统利用图像分析算法对输入图像进行分析，分辨其所属的商品种类并清算消费者所消费的账单，这样既能达到自动识别商品并结账的功能，也能解决商品被盗损的问题。
技术实现思路
为解决上述问题，本专利技术的目的在于提供一种基于稀疏表示的超市商品图像识别方法，可以对超市内的商品进行较为精确的识别。本专利技术解决其问题所采用的技术方案是：一种基于稀疏表示的超市商品图像识别方法，包括以下步骤：A、采集商品的图像数据，并分成训练集和测试集，分别对训练集和测试集的各个图像数据进行分割、合并以及提取处理，得到训练集和测试集中各个商品完整的食物区域；B、选取训练集和测试集中对应的食物区域的关键点；C、对每一个关键点进行特征提取后得到每一个关键点的局部描述符；D、根据训练集的关键点的局部描述符，采用稀疏字典训练方法对图像数据进行学习得到一个过完备的稀疏字典；E、利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，并计算得到训练集的全局特征描述符以及测试集的全局特征描述符；F、利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器；G、SVM分类器根据测试集的全局特征描述符对商品进行识别。进一步，所述步骤A中分别对训练集和测试集的各个图像数据进行分割处理，采用基于SLIC的超像素分割方法对图像数据进行分割并得到小图像块。分成多个小图像块便于分析出相似度高的小图像块。进一步，所述步骤A中分别对训练集和测试集的各个图像数据进行合并处理，利用区域合并的方法对相似度高的小图像块进行合并。将相似度高的小图像块合并后，合并的图像块还会存在一些多余的边缘区域。进一步，所述步骤A中分别对训练集和测试集的各个图像数据进行提取处理，其具体步骤为：采用亮度、颜色和纹理作为合并图像块的特征，利用特征空间进行全局对比度计算后生成对应的亮度显著图、颜色显著图以及纹理显著图，取上述三种显著图的平均值作为合并图像块的显著图，提取合并图像块显著图的显著性部分并得到完整的食物区域。通过基于显著性检测的图像分割算法将合并图像块之中完整的食物区域分割出来，以免多余的边缘区域影响后续的训练过程。进一步，所述步骤B中选取训练集和测试集中对应的食物区域的关键点，采用SURF算法分别对训练集和测试集的食物区域进行关键点的检测，将检测到的点作为训练集和测试集的食物区域的关键点。进一步，所述步骤C中对每一个关键点进行特征提取后得到每一个关键点的局部描述符，具体步骤为：对以关键点为中心的16*16个像素点的邻域内提取其RGB颜色空间的颜色直方图特征和SURF纹理特征作为每一个关键点的局部描述符。进一步，所述步骤E中利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，其中，稀疏字典采用正交匹配追踪算法对局部描述符进行稀疏表示。进一步，所述步骤E中计算得到训练集的全局特征描述符以及测试集的全局特征描述符，具体步骤为：在得到训练集和测试集的所有稀疏表示的局部描述符后，通过对稀疏的局部描述符的特征向量进行叠加得到图像的全局特征描述符。本专利技术的有益效果是：本专利技术采用的一种基于稀疏表示的超市商品图像识别方法，先采集商品的图像数据，并分成训练集和测试集，训练集用于对稀疏字典以及SVM分类器进行训练，测试集用于进行最终的识别，根据训练集的关键点的局部描述符，采用稀疏字典训练方法对图像数据进行学习，可得到一个过完备的稀疏字典，然后根据稀疏字典对训练集的关键点的局部描述符进行稀疏表示并进行计算后得到训练集的全局特征描述符，利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器，同时利用稀疏字典对测试集的关键点的局部描述符进行稀疏表示并进行计算后得到测试集的全局特征描述符，将测试集的全局特征描述符输入到SVM分类器即可完成对商品的识别，本专利技术的识别方法对超市商品的识别精度较高。附图说明下面结合附图和实例对本专利技术作进一步说明。图1是本专利技术一种基于稀疏表示的超市商品图像识别方法的流程图；图2是本专利技术一种基于稀疏表示的超市商品图像识别方法的识别框架图。具体实施方式参照图1-图2，本专利技术的一种基于稀疏表示的超市商品图像识别方法，具体来说包括两个步骤：训练以及测试，所以在对超市商品图像进行采集后，将超市商品图像数据分成训练集和测试集，分别对训练集和测试集的图像数据进行处理以后可以得到训练集和测试集的局部描述符，然后根据训练集的局部描述符训练一个稀疏字典，利用训练完成的稀疏字典对训练集的局部描述符以及测试集的局部描述符进行稀疏表示，对稀疏表示后的训练集的局部描述符以及测试集的局部描述符分别进行计算可得到训练集的全局特征描述符以及测试集的全局特征描述符，利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器，SVM分类器即可对测试集的全局特征描述符进行识别从而完成对商品的识别过程。由于图像在拍摄过程中会受到光照变化的影响，在图像处理过程中对图像作归一化的处理能减少图像受光照变化对于食物色彩的影响。在训练和测试两个过程中，均会对训练集和测试集的图像数据进行局部描述符的获取，两个图像集的局部描述符的获取步骤相同，具体步骤为：首先采用采用基于简单的线性迭代聚类(SimpleLinearIterativeClustering，SLIC)超像素分割方法对图像数据进行分割得到很多小图像块，再利用区域合并的方法对相似度高的小图像块进行合并，完成区域合并后，采用基于显著性检测的图像分割算法，将食物区域完整的分割出来。在分割出食物区域后，进行关键点的检测，由于超市商品的包装变化多样，所以直接使用SURF算法对食物区域进行关键点检测，选取最强的100个关键点作为该图像的关键点；若图像检测出来的关键点不足100个，则将能检测的所有的关键点作为该图像的关键点。对以关键点为中心的16*16个像素点的邻域内提取其RGB颜色空间的颜色直方图特征(共48维)和SURF纹理特征(128维)作为每一个关键点的局部描述符，其中对于颜色特征的表达，本专利技术分别在四种常用的颜色空间提取了颜色直方图，此四种颜色空间直方图分别为RGB颜色直方图、YCBCR颜色直方图、Lab颜色直方图以及色度颜色直方图；对于纹理特征的描述，本专利技术采用了SURF算法对特征点的邻域进行纹理特征的描述，首先对分割后的图像进行等密度采样选取关键点，将以关键点为中心的16*16个像素点的邻域分成4*4的小区域，接着对每个小区域的点计算其Haar小波在水平方向的响应dx和垂直方向的响应dy，最后对区域中所有的点的Haar小波响应并求和得到一个4维本文档来自技高网...

【技术保护点】
1.一种基于稀疏表示的超市商品图像识别方法，其特征在于：包括以下步骤：A、采集商品的图像数据，并分成训练集和测试集，分别对训练集和测试集的各个图像数据进行分割、合并以及提取处理，得到训练集和测试集中各个商品完整的食物区域；B、选取训练集和测试集中对应的食物区域的关键点；C、对每一个关键点进行特征提取后得到每一个关键点的局部描述符；D、根据训练集的关键点的局部描述符，采用稀疏字典训练方法对图像数据进行学习得到一个过完备的稀疏字典；E、利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，并计算得到训练集的全局特征描述符以及测试集的全局特征描述符；F、利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器；G、SVM分类器根据测试集的全局特征描述符对商品进行识别。

【技术特征摘要】
1.一种基于稀疏表示的超市商品图像识别方法，其特征在于：包括以下步骤：A、采集商品的图像数据，并分成训练集和测试集，分别对训练集和测试集的各个图像数据进行分割、合并以及提取处理，得到训练集和测试集中各个商品完整的食物区域；B、选取训练集和测试集中对应的食物区域的关键点；C、对每一个关键点进行特征提取后得到每一个关键点的局部描述符；D、根据训练集的关键点的局部描述符，采用稀疏字典训练方法对图像数据进行学习得到一个过完备的稀疏字典；E、利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，并计算得到训练集的全局特征描述符以及测试集的全局特征描述符；F、利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器；G、SVM分类器根据测试集的全局特征描述符对商品进行识别。2.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行分割处理，采用基于SLIC的超像素分割方法对图像数据进行分割并得到小图像块。3.根据权利要求2所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行合并处理，利用区域合并的方法对相似度高的小图像块进行合并。4.根据权利要求3所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行提取处理，其具体步骤为：...

【专利技术属性】
技术研发人员：滕家宁，张东，
申请(专利权)人：佛山市顺德区中山大学研究院，广东顺德中山大学卡内基梅隆大学国际联合研究院，中山大学，
类型：发明
国别省市：广东,44