在超市場(chǎng)景下,商家以及消費(fèi)者需要實(shí)時(shí)地獲得貨架上的商品相關(guān)信息。目前這些商品的相關(guān)信息都是通過(guò)人工獲得,但是超市的商品數(shù)目巨大,人工獲得商品信息的方式成本高并且效率低,因此基于視覺(jué)的商品識(shí)別方法具有重要的研究意義和商業(yè)價(jià)值。超市商品識(shí)別方法主要有三個(gè)部分:商品目標(biāo)的檢測(cè),商品目標(biāo)的特征提取和商品目標(biāo)的識(shí)別。目前常用的商品識(shí)別方法主要步驟如下:首先利用圖像分割技術(shù)得到目標(biāo),然后提取商品的手工特征并與標(biāo)準(zhǔn)商品模板庫(kù)中的商品匹配,進(jìn)而得到商品目標(biāo)的識(shí)別結(jié)果。但是超市中商品種類繁多,商品的表觀特征沒(méi)有一定的規(guī)律,因此常用的圖像分割技術(shù)很難將未知的商品目標(biāo)從圖片中分離出,同時(shí)手工提取的特征很難自適應(yīng)地表達(dá)海量商品的特性,導(dǎo)致這些方法在超市真實(shí)場(chǎng)景中不具備實(shí)用性。針對(duì)以上問(wèn)題,本論文將深度學(xué)習(xí)算法應(yīng)用到超市商品識(shí)別方法中,通過(guò)深度神經(jīng)網(wǎng)絡(luò)檢測(cè)出商品目標(biāo)區(qū)域并利用網(wǎng)絡(luò)里的卷積層自適應(yīng)地提取商品特征。本文的主要工作以及貢獻(xiàn)點(diǎn)如下:1.本論文利用深度學(xué)習(xí)的方法對(duì)超市貨架圖片中的商品進(jìn)行檢測(cè)并且粗分類。首先在超市真實(shí)場(chǎng)景中采集數(shù)據(jù),對(duì)貨架圖片中的商品區(qū)域進(jìn)行標(biāo)注并且粗分類,制作可供網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集;其次構(gòu)... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

局部特征特征描述子生成圖

圖2.2 SURF 特征描述子生成示意圖以得到每個(gè)子區(qū)域攜帶 4 個(gè)信息，每個(gè) SURF 此每個(gè) SURF 特征點(diǎn)可以用 64 維的向量表示，描述子的維度減少了一半，從而大大加快了特征征圖（Histogram of Oriented Gradient，HOG）是一強(qiáng)度分布特性的描述符，通過(guò)計(jì)算和統(tǒng)計(jì)圖像局子。HOG 特征提取的主要步驟有包括：歸一化直方圖，組合梯度方向直方圖的細(xì)胞單元，塊內(nèi)歸一化像進(jìn)行預(yù)處理以減少光照因素的影響，常用的方a 校正。：

為了保證真實(shí)超市場(chǎng)景中目標(biāo)商品被準(zhǔn)確檢測(cè)，我們需要采集超市內(nèi)的真實(shí)貨架商品圖片，這些圖片是最可靠的數(shù)據(jù)源，如圖 3.2 所示為貨架圖片示例。圖3.2 貨架圖片示例2）商品圖片標(biāo)注在超市真實(shí)場(chǎng)景采集足夠多的貨架圖片后，首先將無(wú)用的采集圖片丟棄，然后對(duì)剩下的貨架圖片進(jìn)行標(biāo)注，標(biāo)注出貨架圖片包含的每個(gè)商品目標(biāo)區(qū)域以及商品所屬的粗類別，商品目標(biāo)區(qū)域用左上角頂點(diǎn)的坐標(biāo)1 1( x , y )和右下角頂點(diǎn)2 2( x , y )表示，因此一個(gè)商品目標(biāo)區(qū)域可以表示成：1 1 2 2( x , y , x , y)根據(jù)商品的外形以及用途，本論文將商品分成 32 個(gè)大類：背景，雜物工具、瓶裝清潔用品、瓶裝飲料、瓶裝調(diào)料、瓶裝酒、瓶裝洗護(hù)用品、瓶裝零食、袋裝調(diào)料、袋裝零食、袋裝食材、袋裝紙巾、袋裝清潔用品、袋裝日用品、罐裝罐頭，罐裝飲料、罐裝奶粉、罐裝酒、盒裝零食、盒裝玩具、盒裝飲品、盒裝日用品、盒裝洗護(hù)用品、盒裝食材、杯子、碗、包、箱


本文編號(hào)：3300246