圖像sift條紋特征濾除方法以及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機(jī)圖像技術(shù)領(lǐng)域，尤其涉及一種圖像SIFT條紋特征濾除方法以及裝置。
【背景技術(shù)】
[0002]近幾年來電子商務(wù)得到了飛速的發(fā)展。消費者網(wǎng)購服裝時通常希望在諸多同款中找到價格最低的一件，這導(dǎo)致了基于商品圖像的同款搜索功能出現(xiàn)，即對給定的服裝圖像，依據(jù)圖像搜索技術(shù)返回網(wǎng)站中所有的同款商品。
[0003]通常地，條紋類服飾(例如條紋襯衫、條紋裙子)的同款搜索效果較差。條紋服飾的最大的特點就是有各種條紋，而不同條紋之間差異性小，導(dǎo)致不同的服飾卻有相似的特征，大大降低了查全率和查準(zhǔn)率，這種情況在使用局部特征用于同款搜索時尤為明顯。
[0004]SIFT (Scale Invariant Feature Transform，尺度不變特征變換)具有尺度、旋轉(zhuǎn)不變性，對局部畸變也有較強(qiáng)的抗性，因而是使用最為廣泛的局部特征。但是，SIFT特征描述局部區(qū)域的梯度信息，而條紋關(guān)鍵點的局部區(qū)域在垂直于條紋的方向上有很大的梯度，在其他方向上則梯度很小，導(dǎo)致不同衣服的條紋局部區(qū)域特征非常相似。由于條紋關(guān)鍵點的SIFT特征缺乏區(qū)分度，因此盡管SIFT特征適用于大多數(shù)同款搜索情形，但在條紋類服裝同款搜索上經(jīng)常出現(xiàn)誤檢。
[0005]為了避免誤檢，使用SIFT特征用于同款搜索時需要在提取特征后去除可能的條紋特征?，F(xiàn)有技術(shù)中采用人工預(yù)設(shè)固定的規(guī)則的方法去除條紋特征。舉例來說:可以根據(jù)觀察和經(jīng)驗發(fā)現(xiàn)，條紋特征往往在垂直于條紋的方向上有很大的梯度，而在其他方向上梯度較小。因此，在條紋特征向量上，就表現(xiàn)為向量的方差較大，而且存在向量的某一維度有很大的值?；诖?，可以人工設(shè)置規(guī)則:當(dāng)某個特征的向量方差足夠大同時向量各維度的最大值足夠大時，將該特征判斷為條紋特征從而去除。方差和最大值的閾值可以根據(jù)實驗獲取，通過反復(fù)選取及組合，使該濾除規(guī)則的性能達(dá)到需求。由上可知，該方法一方面需要大量的實驗和嘗試，耗費時間與精力，另一方面該方法精度較低，難以找到適用于各種條紋模式的規(guī)則，往往會在去除少部分條紋特征的同時，去除大量的有用的非條紋特征，從而大大降低同款搜索的效果。

【發(fā)明內(nèi)容】

[0006]有鑒于此，本發(fā)明提供一種圖像SIFT條紋特征濾除方法以及裝置，能夠快速準(zhǔn)確地濾除圖像中的SIFT條紋特征。
[0007]為實現(xiàn)上述目的，根據(jù)本發(fā)明的一個方面，提供了一種SIFT條紋特征濾除方法。
[0008]本發(fā)明的圖像SIFT條紋特征濾除方法，包括:從條紋訓(xùn)練圖像中收集訓(xùn)練特征數(shù)據(jù)，所述訓(xùn)練特征數(shù)據(jù)包括SIFT條紋訓(xùn)練特征和SIFT非條紋訓(xùn)練特征；根據(jù)所述訓(xùn)練特征數(shù)據(jù)進(jìn)行分類器訓(xùn)練，得到SIFT條紋特征分類器；利用所述SIFT條紋特征分類器濾除待預(yù)測圖像中的條紋特征。
[0009]可選地，所述從條紋訓(xùn)練圖像中收集訓(xùn)練特征數(shù)據(jù)的步驟包括:對所述條紋訓(xùn)練圖像提取SIFT特征，將提取到的所述SIFT特征聚類成多個子類；將各個子類中的SIFT特征對應(yīng)的關(guān)鍵點顯示在所述條紋訓(xùn)練圖像上，接收判斷指令，若所述判斷指令表示所述關(guān)鍵點位于所述條紋訓(xùn)練圖像的條紋區(qū)域內(nèi)，則將當(dāng)前子類中的所有SIFT特征標(biāo)記為SIFT條紋訓(xùn)練特征，否則標(biāo)記為SIFT非條紋訓(xùn)練特征。
[0010]可選地，所述根據(jù)所述訓(xùn)練特征數(shù)據(jù)進(jìn)行分類器訓(xùn)練，得到SIFT條紋特征分類器的步驟包括:平衡所述訓(xùn)練特征數(shù)據(jù)中所述SIFT條紋訓(xùn)練特征和所述SIFT非條紋訓(xùn)練特征的數(shù)目；對平衡后的所述訓(xùn)練特征數(shù)據(jù)進(jìn)行歸一化；利用歸一化后的所述訓(xùn)練特征數(shù)據(jù)對基于二分類的分類器進(jìn)行訓(xùn)練，得到所述SIFT條紋特征分類器。
[0011]可選地，所述利用歸一化后的所述訓(xùn)練特征數(shù)據(jù)對基于二分類的分類器進(jìn)行訓(xùn)練，得到所述SIFT條紋特征分類器的步驟包括:將歸一化的所述訓(xùn)練特征數(shù)據(jù)輸入隨機(jī)森林模型，用交叉驗證的方法選取超參數(shù)，選取在驗證集上精度最高的模型為最終的所述SIFT條紋特征分類器。
[0012]可選地，所述利用所述SIFT條紋特征分類器濾除待預(yù)測圖像中的條紋特征的步驟包括:采用SIFT算法對待預(yù)測圖像進(jìn)行特征提取，得到多個原始SIFT特征；將所述多個原始SIFT特征逐條輸入所述SIFT條紋特征分類器，若所述SIFT條紋特征分類器判斷該原始SIFT特征為SIFT條紋特征，則濾除該原始SIFT特征，若所述SIFT條紋特征分類器判斷該原始SIFT特征為SIFT非條紋特征，則保留該原始SIFT特征。
[0013]為實現(xiàn)上述目的，根據(jù)本發(fā)明的另一個方面，提供了一種SIFT條紋特征濾除裝置。
[0014]本發(fā)明的圖像SIFT條紋特征濾除裝置，包括:訓(xùn)練數(shù)據(jù)收集模塊，用于從條紋訓(xùn)練圖像中收集訓(xùn)練特征數(shù)據(jù)，所述訓(xùn)練特征數(shù)據(jù)包括SIFT條紋訓(xùn)練特征和SIFT非條紋訓(xùn)練特征；分類器訓(xùn)練模塊，用于根據(jù)所述訓(xùn)練特征數(shù)據(jù)進(jìn)行分類器訓(xùn)練，得到SIFT條紋特征分類器；條紋特征濾除模塊，用于利用所述SIFT條紋特征分類器濾除待預(yù)測圖像中的條紋特征。
[0015]可選地，所述訓(xùn)練數(shù)據(jù)收集模塊還用于:對所述條紋訓(xùn)練圖像提取SIFT特征，將提取到的所述SIFT特征聚類成多個子類；將各個子類中的SIFT特征對應(yīng)的關(guān)鍵點顯示在所述條紋訓(xùn)練圖像上，接收判斷指令，若所述判斷指令表示所述關(guān)鍵點位于所述條紋訓(xùn)練圖像的條紋區(qū)域內(nèi)，則將當(dāng)前子類中的所有SIFT特征標(biāo)記為SIFT條紋訓(xùn)練特征，否則標(biāo)記為SIFT非條紋訓(xùn)練特征。
[0016]可選地，所述分類器訓(xùn)練模塊還用于:平衡所述訓(xùn)練特征數(shù)據(jù)中所述SIFT條紋訓(xùn)練特征和所述SIFT非條紋訓(xùn)練特征的數(shù)目；對平衡后的所述訓(xùn)練特征數(shù)據(jù)進(jìn)行歸一化；利用歸一化后的所述訓(xùn)練特征數(shù)據(jù)對基于二分類的分類器進(jìn)行訓(xùn)練，得到所述SIFT條紋特征分類器。
[0017]可選地，所述分類器訓(xùn)練模塊還用于:將歸一化的所述訓(xùn)練特征數(shù)據(jù)輸入隨機(jī)森林模型，用交叉驗證的方法選取超參數(shù)，選取在驗證集上精度最高的模型為最終的所述SIFT條紋特征分類器。
[0018]可選地，所述條紋特征濾除模塊還用于:采用SIFT算法對待預(yù)測圖像進(jìn)行特征提取，得到多個原始SIFT特征；將所述多個原始SIFT特征逐條輸入所述SIFT條紋特征分類器，若所述SIFT條紋特征分類器判斷該原始SIFT特征為SIFT條紋特征，則濾除該原始SIFT特征，若所述SIFT條紋特征分類器判斷該原始SIFT特征為SIFT非條紋特征，則保留該原始SIFT特征。
[0019]根據(jù)本發(fā)明的技術(shù)方案，利用機(jī)器學(xué)習(xí)技術(shù)，依靠訓(xùn)練數(shù)據(jù)自動地學(xué)習(xí)出針對SIFT條紋特征和SIFT非條紋特征的分類器，然后用該分類器濾除圖像中的SIFT條紋特征。本發(fā)明適用于各種各樣難以人為制定確定規(guī)則的條紋模式，適用范圍廣；可以減少人力參與，處理效率高；避免了人為誤差，提高濾除條紋特征的準(zhǔn)確性。
【附圖說明】
[0020]附圖用于更好地理解本發(fā)明，不構(gòu)成對本發(fā)明的不當(dāng)限定。其中:
[0021]圖1是根據(jù)本發(fā)明實施例的圖像SIFT條紋特征濾除方法的主要步驟的示意圖；
[0022]圖2是根據(jù)本發(fā)明實施例的圖像SIFT條紋特征濾除裝置的主要部件的示意圖。