《电子技术应用》
您所在的位置:首页 > 其他 > 设计应用 > 基于多特征融合的商品识图匹配算法研究
基于多特征融合的商品识图匹配算法研究
信息技术与网络安全
王鑫城,范 红,刘锡泽,胡晨熙,林 威,禹素萍
(东华大学 信息科学与技术学院,上海201620)
摘要: 随着近几年无人超市的不断发展成熟,自助购物越来越普及。如果商品售出后没能及时补充,会影响消费者的购买意愿。为提升商品图像识别的准确率,采用多特征融合的方法,即将多种算法的特征联合,形成优势互补。采用融合SIFT特征和灰度共生矩阵特征的方法完成货架商品图像的匹配。实验表明,该方法对比灰度共生矩阵方法准确率提升20.6%,对比SIFT算法和PCA-SIFT算法准确率分别提升8.9%和5.6%;处理时间对比以上三种算法略有增加。此方法还可用于分析货物受欢迎程度以及确认哪些柜台需要加货等,从而及时有效地对短缺的商品进行补充。
中图分类号: TP391
文献标识码: A
DOI: 10.19358/j.issn.2096-5133.2021.04.011
引用格式: 王鑫城,范红,刘锡泽,等. 基于多特征融合的商品识图匹配算法研究[J].信息技术与网络安全,2021,
40(4):70-74.
Matching algorithm of product image based on multi-feature fusion
Wang Xincheng,Fan Hong,Liu Xize,Hu Chenxi,Lin Wei,Yu Suping
(College of Infrmation Science and Technology,Donghua University,Shanghai 201620,China)
Abstract: With the continuous development of unmanned supermarkets in recent years, self-service shopping has become more and more popular. If the goods are not replenished in time after they are sold, it will affect consumers′ willingness to buy. In order to improve the accuracy of product image recognition, a multi-feature fusion method is adopted, that is, the features of multiple algorithms are combined to form complementary advantages. The method of fusing SIFT features and gray level co-occurrence matrix features is used in this paper to complete the matching of shelf product images. Experiments show that the accuracy of this method is increased by 20.6% compared with the gray-level co-occurrence matrix method, and the accuracy of the SIFT algorithm and the PCA-SIFT algorithm are increased by 8.9% and 5.6% respectively; the processing time is slightly increased compared with the above three algorithms. This method can also be used to analyze the popularity of goods and confirm which counters need to be restocked, so as to supplement the shortage of goods in a timely and effective manner.
Key words : image matching;SIFT features;gray level co-occurrence matrix;feature fusion

0 引言

随着人工智能的不断发展,对图像进行特征提取并通过特征匹配完成对目标的对比及识别,成为了计算机视觉领域中最主要的手段之一,并在大量领域有着广泛的应用,如人脸识别、车牌检测、无人驾驶和医学诊断等。对于商品货架图片而言,特征点的提取数量与匹配的精度会对商家后续的运作有较大的影响。在图像匹配算法研究中,最为常见的莫过于尺度不变特征变换算法(Scale-Invariant Feature Transform,SIFT),经典SIFT算法由LOWE D G在1999年提出[1],并于2004年完善[2]。该算法稳定性高,对旋转、尺度缩放和亮度变换保持不变性。传统SIFT算法的描述子是具有128维的特征向量,在特征点的特征向量生成以及最后进行匹配的过程中需要大量的运行时间。因此,降低特征向量的维数是学者们的一个重要研究方向,如SPCA、PCA[3]算法。另一个研究方向是采用特殊结构[4],基于二分查找的思想,对得到的特征描述子进行划分,同时结合KNN算法,加快特征向量的匹配搜索速度,常用的结构有KD-Tree[5]等。2006年BAY H提出SUFR(Speeded Up Robust Features)[6]算法,提升了特征提取速度,但在对尺度和旋转的适应性方面不及SIFT算法。秦绪佳[7]提出在特征匹配中引入灰度域和空间域的自相关性,提高匹配准确性,但增加了算法复杂度,耗时大。RUBLEE E等[8]结合了BRIEF算法和FAST算法,提出了ORB算法来解决旋转不变性问题,但其特征符的区分性弱,匹配效果一般。



本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003480




作者信息:

王鑫城,范  红,刘锡泽,胡晨熙,林  威,禹素萍

(东华大学 信息科学与技术学院,上海201620)


此内容为AET网站原创,未经授权禁止转载。