【技术实现步骤摘要】
一种基于特征图的商品定位检测重识别方法
本专利技术涉及图像识别领域，尤其涉及一种基于特征图的商品定位检测重识别方法。
技术介绍
随着人工智能的发展，机器视觉的应用越来越广泛。物体分类与检测是计算机视觉、模式识别与机器学习领域非常活跃的研究方向。物体分类与检测在很多领域得到广泛应用，包括安防领域的人脸识别、行人检测、智能视频分析等。同时也诞生了一些基于CNN和RNN深度神经网络的物体检测方法，比如单帧识别、基于CNN扩展网络识别、双路CNN识别和基于LSTM的识别方法等。但它们由于网络结构复杂，在网络可解释性和训练耗时等方面还有待改进。在已经投入市场运营的无人超市中，功能最完善、访问量最多的，在国内和国外分别是阿里无人超市和AmazonGo了，但他们也存在一些技术上的不足。AmazonGo商店中通过图像信息和声音信息来无死角地确定一个用户的购物行为是基于商店内密布的摄像头和麦克风等设备。虽然这些相机它们甚至能识别人类皮肤的颜色，并通过图像分析精确找到用户的手，极大程度地降低了相机系统的失误率，但是在开店之初这样便大大增加了成本的投入，在识别精度得到保障的同时成本和开...
【技术保护点】
1.一种基于特征图的商品定位检测重识别方法，其特征在于包括以下步骤：1)首先通过实时视频帧采样得到时序样本图像，然后利用物体检测网络YOLO检测出样本图像中所有商品的位置和所属类别，完成样本图像中所有商品的定位操作；2)根据步骤1)得到样本图像第k帧图像中第j个商品的位置，生成动态遮罩矩阵M
【技术特征摘要】
1.一种基于特征图的商品定位检测重识别方法，其特征在于包括以下步骤：1)首先通过实时视频帧采样得到时序样本图像，然后利用物体检测网络YOLO检测出样本图像中所有商品的位置和所属类别，完成样本图像中所有商品的定位操作；2)根据步骤1)得到样本图像第k帧图像中第j个商品的位置，生成动态遮罩矩阵Mk,jmask，矩阵中标识商品j位置的矩形框数值为1，其余为0；将Mk,jmask与其样本图像矩阵按元素逐个相乘，得到商品j的特征子图；3)重复步骤2)，计算步骤1)中所有检测到的商品的特征子图，构成所有商品的待识别集合；4)将待识别集合中的每个商品以并行的方式输入到识别网络中，其中第j个子识别网络的第i层对应识别集合中商品j的特征子图的第i次卷积，进行卷积处理后将得到的特征图通过全连接层构成商品j的第i级特征向量之后对特征图进行下采样将处理结果转交给第i+1层，重复本操作直至子识别网络的最后一层卷积层；5)将步骤4)得到的每层卷积层输出的单级特征向量进行嵌入操作形成商品j的特征矩阵Mj；6)从商品库中选取m个与商品j同属一类的商品特征矩阵组成识别序列，商品库中每个商品的特征矩阵由所述步骤1)-步骤5)获得；7)计算商品j的特征矩阵和所述识别序列中每个商品的特征矩阵的相似度，其相似度similarity(Mjt,Mj)计算如下：其中Mj为商品j的特征矩阵，Mjt为商品j的识别序列中第t个商品的特征矩阵，similarity(Mjt,Mj)为特征矩阵Mjt与Mj的相...
【专利技术属性】
技术研发人员：张剑清，俞东进，杨宏福，孙笑笑，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。