基于图像相似性的门窗智能推荐方法及系统技术方案

本发明专利技术涉及人工智能领域，具体为一种基于图像相似性的门窗智能推荐方法及系统，该方法包括：基于用户对门窗的基本需求信息获取若干门窗图片，将每张门窗图片映射为二维的特征点；确定根节点，基于二维坐标系中特征点相对于根节点的位置分布信息构建树结构；获取树结构中每个与根节点直接相连的子节点的子树；子树中每个节点分别作为目标节点，基于子树中目标节点的度以及目标节点所在的目标层和目标层临近层中节点的数量，计算目标节点对应的特征点为聚类中心的概率，选择该子树对应的初始聚类中心；基于初始聚类中心进行特征点的聚类，聚类完成后，新的聚类中心对应的门窗图片为要推荐的门窗图片。本发明专利技术可为用户提供更精确的门窗推荐信息。确的门窗推荐信息。确的门窗推荐信息。

【技术实现步骤摘要】
基于图像相似性的门窗智能推荐方法及系统


[0001]本专利技术涉及人工智能领域，具体涉及一种基于图像相似性的门窗智能推荐方法及系统。

技术介绍

[0002]现有的基于图片特征的图片推荐系统通常是利用DNN网络模型计算图片相似性，但该方法需要大量的训练数据，打标签等前期工作，前期训练过程较长且计算量大。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于图像相似性的门窗智能推荐方法及系统，所采用的技术方案具体如下：
[0004]第一方面，本专利技术一个实施例提供了一种基于图像相似性的门窗智能推荐方法，该方法包括以下具体步骤：
[0005]获取用户对门窗的基本需求信息，基于所述基本需求信息获取若干门窗图片，将每张门窗图片映射为二维的特征点；
[0006]确定根节点，基于二维坐标系中特征点相对于根节点的位置分布信息构建树结构；其中，根据二维坐标系中所有特征点横纵坐标的均值得到参考点，距离参考点最近的特征点为根节点；
[0007]对于树结构中每个与根节点直接相连的子节点，获取该子节点对应的子树；子树中每个节点分别作为目标节点，基于子树中目标节点的度以及目标节点所在的目标层和目标层临近层中节点的数量，计算目标节点对应的特征点为聚类中心的概率；基于所述概率选择该子树对应的初始聚类中心；
[0008]基于所述初始聚类中心进行特征点的聚类，聚类完成后，新的聚类中心对应的门窗图片为要推荐的门窗图片。
[0009]进一步地，将每张门窗图片映射为二维的特征点，具体为：基于自编码网络，对门窗图片的特征数据进行降维，得到所述二维的特征点。
[0010]进一步地，所述树结构的构建具体为：
[0011]在二维坐标系中，以根节点为中心确定初始搜索范围，在初始搜索范围中按照预设搜索规则搜索特征点，基于搜索到的特征点为进行树结构的更新；扩大搜索范围，获取搜索到的新增特征点，并确定新增特征点的父节点，进行树结构的更新；不断扩大搜索范围，每次扩大后均进行树结构的更新，直至树结构中包括了所有的特征点。
[0012]进一步地，确定新增特征点的父节点的具体方法为：
[0013]获取前一次树结构更新后树结构中的新增节点，对于每个新增特征点，若该新增特征点和与该新增特征点距离最小的新增节点之间的位置偏差小于等于偏差阈值，则与该新增特征点距离最小的新增节点为其父节点；否则，根节点为其父节点。
[0014]进一步地，计算目标节点对应的特征点为聚类中心的概率，具体地：
[0015]目标节点的度与目标节点所属子树中节点的度的最大值的比值为第一数值；
[0016]为目标层和目标层临近层设置层权值，目标层临近层越靠近目标层，其层权值越大，目标层和目标层临近层中节点的数量进行加权求和后进行归一化处理，得到第二数值；
[0017]基于第一数值和第二数值得到目标节点对应的特征点为聚类中心的概率。
[0018]进一步地，为目标层和目标层临近层设置的层权值符合高斯分布，目标层的层权值大于目标层临近层的层权值。
[0019]第二方面，本专利技术另一个实施例提供了一种基于图像相似性的门窗智能推荐系统，该系统具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于图像相似性的门窗智能推荐方法的步骤。
[0020]本专利技术实施例至少具有如下有益效果：本专利技术基于树结构进行符合用户需求的门窗图片的推荐，计算量小，可更快地为用户提供更精确的门窗推荐信息。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0022]图1为本专利技术实施例中特征点在二维坐标系中的分布图。
[0023]图2为图1对应的树结构示意图。
具体实施方式
[0024]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图和较佳实施例，对依据本专利技术提出的一种基于图像相似性的门窗智能推荐方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0025]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0026]本专利技术实施例以下面的应用场景为例对本专利技术进行说明：
[0027]该应用场景为：当用户对自己所需求的实际门窗不确定，只有一个大致的要求时，可以通过对符合用户要求的大量的门窗图片进行筛选，将不同层面的最佳门窗图片推荐给用户，进而辅助用户进行门窗的选择。
[0028]本专利技术一个实施例提供了一种基于图像相似性的门窗智能推荐方法，该方法包括以下步骤：
[0029]步骤S1，获取用户对门窗的基本需求信息，基于所述基本需求信息获取若干门窗图片，将每张门窗图片映射为二维的特征点。
[0030]具体地，用户对门窗的基本需求信息包括颜色、材质、风格等信息；基于用户对门窗的基本需求信息，爬取若干门窗图片。
[0031]具体地，将每张门窗图片映射为二维的特征点：基于自编码网络，对门窗图片的特征数据进行降维，得到所述二维的特征点，即用两个数据表征门窗图片；其中，自编码网络的中间隐藏层中包括两个神经元。需要说明，当爬取的门窗图片中包括背景等干扰因素时，需要在门窗图片中进行门窗的截取，得到只包括门窗的门窗图片；优选地，实施例中首先基于语义分割网络获取门窗遮罩，门窗遮罩中门窗像素值为1，其他像素值为0，基于门窗遮罩进行门窗的截取。
[0032]步骤S2，确定根节点，基于二维坐标系中特征点相对于根节点的位置分布信息构建树结构；其中，根据二维坐标系中所有特征点横纵坐标的均值得到参考点，距离参考点最近的特征点为根节点。
[0033]具体地，共爬取M张门窗图片，门窗图片对应的两个数据为其对应特征点的二维坐标，相应的，二维坐标系中包括M个特征点，则参考点的坐标为(X,Y)，标，相应的，二维坐标系中包括M个特征点，则参考点的坐标为(X,Y)，(x
i
,11)为二维坐标系中第i个特征点。
[0034]所述树结构的构建具体为：在二维坐标系中，以根节点为中心确定初始搜索范围，在初始搜索范围中按照预设搜索规则搜索特征点，基于搜索到的特征点为进行树结构的更新；扩大搜索范围，获取搜索到的新增特征点，并确定新增特征点的父节点，进行树结构的更新；不断扩大搜索范围，每次扩大后均进行树结构的更新，直至树结构中包括了所有的特征点。
[0035]其中，搜索范围可以是矩形或圆形的搜索范围，优选地，实施例中搜索范本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像相似性的门窗智能推荐方法，其特征在于，该方法包括：获取用户对门窗的基本需求信息，基于所述基本需求信息获取若干门窗图片，将每张门窗图片映射为二维的特征点；确定根节点，基于二维坐标系中特征点相对于根节点的位置分布信息构建树结构；其中，根据二维坐标系中所有特征点横纵坐标的均值得到参考点，距离参考点最近的特征点为根节点；对于树结构中每个与根节点直接相连的子节点，获取该子节点对应的子树；子树中每个节点分别作为目标节点，基于子树中目标节点的度以及目标节点所在的目标层和目标层临近层中节点的数量，计算目标节点对应的特征点为聚类中心的概率；基于所述概率选择该子树对应的初始聚类中心；基于所述初始聚类中心进行特征点的聚类，聚类完成后，新的聚类中心对应的门窗图片为要推荐的门窗图片。2.如权利要求1所述的方法，其特征在于，将每张门窗图片映射为二维的特征点，具体为：基于自编码网络，对门窗图片的特征数据进行降维，得到所述二维的特征点。3.如权利要求2所述的方法，其特征在于，所述树结构的构建具体为：在二维坐标系中，以根节点为中心确定初始搜索范围，在初始搜索范围中按照预设搜索规则搜索特征点，基于搜索到的特征点为进行树结构的更新；扩大搜索范围，获取搜索到的新增特征点，并确定新增特征点的父节点，进行树结构的更...

【专利技术属性】
技术研发人员：刘运胜，孟陆，
申请(专利权)人：徐州大工电子科技有限公司，
类型：发明
国别省市：