花纹识别方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种花纹识别方法、装置、电子设备及存储介质，所述方法包括：获取用于构成花纹的原子花纹元素，并获取所述原子花纹元素的类别；将所述原子花纹元素粘贴到背景图像中，生成样本图像；以所述样本图像为训练样本，并以所述样本图像中的各处原子花纹元素的类别为样本标签，训练预设的机器学习模型准确识别出所述样本图像中的各处原子花纹元素的类别，得到训练后的机器学习模型，并通过所述训练后的机器学习模型对目标图像进行花纹识别。本申请通过提高机器学习模型的训练效率，使得训练后的机器学习模型适用识别更多种类的花纹，扩展了花纹识别的适用范围。扩展了花纹识别的适用范围。扩展了花纹识别的适用范围。

【技术实现步骤摘要】
花纹识别方法、装置、电子设备及存储介质


[0001]本申请涉及图像处理领域，具体涉及一种花纹识别方法、装置、电子设备及存储介质。

技术介绍

[0002]随着经济的快速发展，市场上的商品种类也在快速增长。很多商品并没有明显的LOGO，主要凭借其花纹来代表商品品牌。从而导致很多作弊者通过抄袭其商品花纹假冒品牌方的商品，对品牌方的知识产权造成了侵犯。出于对品牌方的知识产权的保护，需要对商品花纹进行准确快速地识别，以制止此类侵权行为的发生。
[0003]现有技术中，通常是采用传统图像特征(例如：HOG特征，SIFT特征等)提取的方式进行花纹识别，或者是采用深度学习分类的方式进行花纹识别。传统图像特征提取的方式在面对复杂的商品种类或相似的商品花纹场景时，作用极为有限，识别准确率也比较低；深度学习分类的方式虽然能够在一定程度上提高识别准确率，但由于机器学习模型的训练需要大量训练数据，训练数据的标签标注耗时耗力，尤其是在商品种类规模较大时，训练数据的采集更为困难，标签标注也同样更为艰难，从而导致机器学习模型的训练效率低下，从而导致训练出的模型仅能适用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种花纹识别方法，其特征在于，所述方法包括：获取用于构成花纹的原子花纹元素，并获取所述原子花纹元素的类别；将所述原子花纹元素粘贴到背景图像中，生成样本图像；以所述样本图像为训练样本，并以所述样本图像中的各处原子花纹元素的类别为样本标签，训练预设的机器学习模型准确识别出所述样本图像中的各处原子花纹元素的类别，得到训练后的机器学习模型，并通过所述训练后的机器学习模型对目标图像进行花纹识别。2.根据权利要求1所述的方法，其特征在于，获取用于构成花纹的原子花纹元素，包括：对采集到的物品图像进行前景检测，得到所述物品图像的前景图像；对所述前景图像中的相互独立的元素进行拆分，得到所述原子花纹元素。3.根据权利要求1所述的方法，其特征在于，将所述原子花纹元素粘贴到背景图像中，生成样本图像，包括：去除所述原子花纹元素的非本体部分，得到所述原子花纹元素的本体部分；将所述原子花纹元素的本体部分粘贴到所述背景图像中，生成所述样本图像。4.根据权利要求1所述的方法，其特征在于，将所述原子花纹元素粘贴到背景图像中，生成样本图像，包括：对所述原子花纹元素进行样式变换，得到样式变换后的原子花纹元素；将所述样式变换后的原子花纹元素粘贴到所述背景图像中，生成所述样本图像。5.根据权利要求1所述的方法，其特征在于，将所述原子花纹元素粘贴到背景图像中，生成样本图像，包括：获取与所述原子花纹元素相似的易误检花纹元素；将所述原子花纹元素和所述易误检花纹元素共同粘贴到所述背景图像中，生成所述样本图像。6.根据权利要求1
‑
5任一项所述的方法，其特征在于，所述预设的机器学习模型为深度卷积网络，所述深度卷积网络包括：骨干网络，所述骨干网络配置为提取所输入图像的图像特征；头网络，所述头网络包括至少两种网格尺寸的输出头，所述头网络配置为通过所述输出头分别对所述图像特征进行处理，输出对应网格尺寸的预测框，以及对应网格尺寸的预测框的类别；过滤网络，所述过...

【专利技术属性】
技术研发人员：冯旭，王语斌，施亮，
申请(专利权)人：同盾科技有限公司，
类型：发明
国别省市：