[发明专利]一种基于商标密度的个性化商标匹配识别方法

说明书

技术领域

本发明涉及目标检测与识别技术领域，尤其涉及一种基于商标密度的个性化商标匹配识别方法，可以用于快速商标识别及商标检索。

背景技术

特定目标识别是计算机视觉中具有挑战性的工作之一，同时，随着目标种类的爆炸式增长，对于大规模类别下实时目标识别的需求越来越高，尤其是在移动应用和推荐系统中的特定区域识别。商标可以看做是一种平坦表面的目标，他们在现代市场，广告和商标注册中具有很大的价值。特别的，商标库可以达到上万的种类，这种规模在普通的目标检测和识别领域很少出现。我们的主要目标就是给定一个自然场景下的查询区域或者一张未知图片，以及一个大规模的商标库，识别出其中的商标(如图1所示)。

早期研究主要集中于文本文档中的商标识别和分类，但是这些场景中的商标都是非彩色，正面视角的并且背景简单，这些方法不适用于实际场景中的商标识别。基于内容的商标检索中，形状是分辨商标很重要的信息，因此很多研究采用形状描述子来进行识别，比如形状上下文(shape context，SC)，以及后来对其改进的广义形状上下文(generalized shape contexts，GSCs)。同时还有一些将颜色和形状结合的全局特征用于检测实际场景中的商标。局部特征对于实际场景中的商标也有很好的检测和识别效果，比如SIFT和SURF。最近很多研究将关键信息中融入了一些空间信息，利用视觉单词进行识别。

尽管这些基于全局和局部描述子的商标识别系统有很好的效果，但是他们都对所有的商标采用相同的识别框架，并没有考虑商标的多样性和差异性。因此，随着商标库规模的增大，这些通用的方法没有办法将每一个商标都很好的识别出。对于采用基于形状特征的方法来说，当商标的形状有很多琐碎的小区域构成，如图1中的星巴克和联合利华，这些特征无法获得准确的形状特征。因此当商标复杂并且边界信息很难获得时，这些基于边界的描述子就不合适了。对于采用局部特征的系统，当商标由一些平滑的区域构成或者商标非常简单时，如图1中的百度和德士古，局部特征无法获得足够多的关键点。因此对于简单商标来说，局部特征会导致较低的召回率和准确率。因此，在识别匹配时要考虑商标的多样性，对不同的商标采用不同的匹配方案，将形状和局部特征自适应地结合，利用各自的优点来弥补对方的缺点，达到综合的准确识别。

发明内容

为了达到快速准确识别的目的，本发明区别于以上的现有技术，从商标本身的特点出发，提出了一种基于商标密度的个性化匹配识别方法。

本发明提出的一种基于商标密度的个性化商标匹配识别方法，包括以下步骤：

建立商标图片样本库；

对商标图片样本库中的商标图片提取SIFT特征，计算所有商标图片的商标密度ρ_L；

根据得到的所述商标密度，设定待识别的图像区域与所述商标图片样本库中的商标图片的个性化匹配策略；

对所述商标图片样本库中的商标图片提取SIFT及GSC特征，并利用这些特征建立SIFT词袋模型和GSC词袋模型；

对所述待识别的图像区域提取SIFT及GSC特征，并利用得到的商标图片的所述SIFT词袋模型和GSC词袋模型，计算所述待识别的图像区域与所述商标图片样本库中的商标图片的SIFT相似度列表及GSC相似度列表；

利用得到的基于商标密度的个性化匹配策略，将所述待识别的图像区域与所述商标图片样本库中的商标图片的SIFT相似度列表及GSC相似度列表融合，得到所述待识别的图像区域与所述商标图片样本库中的商标图片的最终相似度列表；

基于所述最终相似度列表中相似度最大且满足相似度阈值的商标，得到所述待识别的图像区域的识别结果。

其中，所述的商标密度ρ_L表示单位面积中的平均关键点数目，如下所示：

ρ_L＝ＫN/UAN

UAN＝Area/UA

其中，KN是对所述商标图像提取SIFT特征后得到的SIFT关键点数目，UAN是所述商标中单位面积的数目，UA设为100，Area是所述商标图像长宽的乘积。

其中，所述的设定待识别的图像区域与所述商标图片样本库中的商标图片的个性化匹配策略的步骤进一步包括：

根据所述待识别的图像区域与所述商标图片样本库中的商标图片的商标密度，得到匹配密度计算公式如下：