一种基于深度学习的物体识别及匹配方法组成比例

本发明专利技术涉及图像识别技术领域，提供一种基于深度学习的物体识别及匹配方法，首先获取待识别物体图像以及靠近待识别物体图像的区域图像，同时导出预先创建的检索图像库；使用训练好的卷积神经网络提取待识别图像与区域图像的特征点，并在检索图像库内筛选出与待识别物体图像和区域图像的特征点相匹配的N个待筛图像；从N个待筛图像中，选择与待识别图像和区域图像之间海明距离最小的图像作为目标图像；在目标图像预先匹配好的素材库内选择用于目标图像的指定素材，本发明专利技术实现提高了对同类物体的识别精度，可以准确、快速地识别出与检索图像库相似度最高的图像，并匹配出素材库供用户选择，有效地提高了客户体验。

A Method of Object Recognition and Matching Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的物体识别及匹配方法
本专利技术涉及图像识别
，具体涉及一种基于深度学习的物体识别及匹配方法。
技术介绍
基于内容的图像检索技术(CBIR，content-basedimageretrieval)指的是用于搜索的对象本身就是一幅图像，或者是对于图像内容的特征描述。现存的大多数方法采用的是图像的底层视觉特征，如sift描述子，以及使用bag-of-words(BoW)、Fishervectors或者vectorlocallyaggregateddescriptors对sift描述子进行编码。但大多数的传统图像检索算法性能还不能满足人们的要求。究其原因，主要是底层特征和高层特征语义理解之间的差异，即语义鸿沟。随后，卷积神经网络在图像识别领域取得了巨大的成功，全局卷积神经网络特征作为一种高层的语义表示，开始用于其它的识别任务并表现优异。Razavian研究了全局卷积神经网络特征的特点，将其用于不同的图像识别任务，包括图像检索。Yandex提出了使用目标数据集微调卷积神经网络并提取fc6层特征用于图像检索，并取得了最优的效果。KevinLin利用哈希编码将fc6层特征处本文档来自技高网...

【技术保护点】
1.一种基于深度学习的物体识别及匹配方法，其特征在于，包括以下步骤：步骤S1：获取待识别物体图像以及靠近所述待识别物体图像的区域图像，同时导出预先创建的检索图像库；步骤S2：使用训练好的卷积神经网络提取所述待识别图像与所述区域图像的特征点，并在检索图像库内筛选出与所述待识别物体图像和所述区域图像的特征点相匹配的N个待筛图像；步骤S3：从N个待筛图像中，选择与所述待识别图像和所述区域图像之间海明距离最小的图像作为目标图像；步骤S4：在所述目标图像预先匹配好的素材库内选择用于所述目标图像的指定素材。

【技术特征摘要】
1.一种基于深度学习的物体识别及匹配方法，其特征在于，包括以下步骤：步骤S1：获取待识别物体图像以及靠近所述待识别物体图像的区域图像，同时导出预先创建的检索图像库；步骤S2：使用训练好的卷积神经网络提取所述待识别图像与所述区域图像的特征点，并在检索图像库内筛选出与所述待识别物体图像和所述区域图像的特征点相匹配的N个待筛图像；步骤S3：从N个待筛图像中，选择与所述待识别图像和所述区域图像之间海明距离最小的图像作为目标图像；步骤S4：在所述目标图像预先匹配好的素材库内选择用于所述目标图像的指定素材。2.根据权利要求1所述的一种基于深度学习的物体识别及匹配方法，其特征在于，步骤S1中所述区域图像为用户通过GUI选定的具有区分力的区域图像。3.根据权利要求1所述的一种基于深度学习的物体识别及匹配方法，其特征在于，所述训练好的卷积神经网络包括conv1、conv2、conv3、conv4、conv5五个卷积层，且conv1、conv2和conv5通过后面连接的池化层形成有全连接层。4.根据权利要求1所述的一种基于深度学习的物体识别及匹配方法，其特征在于，所述使用训练好的卷积神经网络提取所述待识别图像与所述区域图像的特征点还包括：利用不同卷积核对图像做卷积后得到矩阵；矩阵的每个元素加上偏置值后输入到激活...

【专利技术属性】
技术研发人员：蔡启文，顾洁怡，
申请(专利权)人：广州市云家居云科技有限公司，
类型：发明
国别省市：广东,44