基于内容的商标检索技术答辩PPT.ppt

Company Logo LOGO 基于内容的商标检索技术 论文的结构和主要内容 第一部分 研究背景以及意义和现状 第二部分 基于内容的商标检索的特征提取方法 第三部分 基于内容的商标检索的性能检测方法 第四部分 基于内容的商标检索的实验及分析 第五部分 总结和展望 背景 我国商标注册申请量、审查量和有效注册商标量均位居世界第一。因此，高效、准确地从商标库中检索出潜在的近似商标成为一个重要研究方向。 意义 传统的商标检索既耗时又主观主义。而基于内容的商标检索技术可以很好的解决这些问题。 研究背景和意义 研究现状 国外研究成果 QBIC(Query By Image Content)是IBM公司的推出的世界上第一个商业化的基于内容的图像检索系统，它的出现对后来的图像检索技术发展有着深远的影响。 STAR(System for Trademark Archival and Retrieval)结合颜色和形状特征，而且同时使用了商标图像的三种主要的特征，商标形状和结构、商标文字和商标含义，使得在计算图像相似性时的判断更加灵活。 国内研究成果 MIRES是中科院计算所智能信息处理重点实验室研制的，可以完成示例图像、关键词或两种模式交互混合三种方式的检索。 商标检索算法步骤 1 输入图像 2 提取特征 3 特征匹配 4 输出结果 商标图像的特征 定义 图像的特征主要是指图像的纹理特征、 颜色特征、形状特征。商标图像与一般图像比较，有图像简单，纹理信息比较少，而且颜色信息和空间信息也不足以判别两个商标是否相似。所以基于内容的商标检索中，形状特征是相对而言更加重要的特征。 本文主要使用的特征提取方法 Zernike矩、伪Zernike矩、Legendre矩、Hu矩、模糊方向和SIFT算法。 商标图像的特征 本文主要使用的特征提取方法 Zernike矩：Zernike矩描述子是Zernike在1934年引入了一组定义在单位圆上的复数函数集 ， 具有完备性和正交性，使得它可以定义在单位圆内的任何平方可积函数。其定义为： 伪Zernike矩:伪Zernike其实和Zernike矩很相似，它也是一种正交矩，只不过两者之间的正交多项式不一样。两者相比，伪Zernike矩在抑制噪声方面比Zernike矩效果更好。 商标图像的特征 本文主要使用的特征提取方法 Fuzzy算法：Fuzzy C-means算法主要是比较RGB空间的每个像素值与Cluster中的每个中心点值，最终给每个像素指派一个值(0-1之间)说明该像素更接近于哪里Cluster的中心点，模糊规则是该像素对所有cluster的值之和为1。 Legendre矩：对于一个密度函数为的二维图像，它的（p+q）阶Legendre正交矩定义为： 式中为p阶的Legendre多项式，其定义为： 商标图像的特征 本文使用的特征提取方法 Hu矩：利用二阶和三阶归一化中心矩构造了7个不变矩 ：M1-M7，这7个不变矩构成一组特征量，并用这一组特征量来表征图像的特征。Hu.M.K在1962年证明了他们具有旋转，缩放和平移不变性。 传统商标检索算法 我首先使用了多种不同的传统方法对商标特征进行提取。包括：Zernike矩、伪Zernike矩、Fuzzy、Hu矩。使用欧式距离算法来匹配检索图像与图像数据库中图像的相似程度。并使用PVR指数来表征他们各种的性能。 基于Zernike矩的检索结果 传统商标检索算法 基于伪Zernike矩的检索结果 基于Legendre矩的检索结果 传统商标检索算法 基于模糊方向特征的检索结果 基于Hu矩的检索结果 SIFT算法 SIFT算法流程图 SIFT算法 高斯模糊 二维高斯模糊效果图 SIFT算法 特征点采集实验 SIFT算法 关键点方向分配 SIFT算法检验传统算法结果 接下来我使用了现今比较流行的SIFT算法对传统算法检索出的结果分别进行匹配，用SIFT算法得出的匹配结果比较传统算法的优劣。 商标图像的SIFT匹配 主要结论 传统算法PVR指数表 结果表明：基于Zernike矩，伪Zernike矩、Legendre矩和模糊方向特征检索的性能高于Hu矩；在相同维数情况下，基于伪Zernike矩的商标检索性能优于其他几种算法，它的检索结果符合人的视觉感受。 主要结论 不同的特征提取方法的SIFT特征匹配数对比表 我们可以发现，运用