摘 要

目前，我国超市主要采用的商品识别技术是条形码扫描技术，其优点是扫描条形码提取信息方便，缺点是商品ID等大量信息需要人工手动录入，而且条形码易缺损，寻找条形码扫描亦费时间。在货物存储时，工作人员需要手动录入商品的信息，统计件数、种类数；在购物结算时，工作人员需要寻找商品的条形码，如果条形码丢失或者破损的话，手动录入非常麻烦，而这正是造成排队长龙的罪魁祸首。

最近十年来，图像识别技术飞速发展，在各个领域和行业都有很大的前景，将图像识别技术运用在商品图像识别的研究也越来越多。超市商品图像的信息丰富且鲜明，这些图像信息可以很好的利用图像识别技术来进行识别，而使用商品识别技术在统计商品的种类、数量上比以往传统的人工筛选统计更加的高效和稳定。而在超市这种环境中，商品图像识别也存在不少的客观难点，比如超市内的商品可能会存在各种形变，光照条件也会对拍摄造成影响等。 但是这样采集到的商品图像依旧有丰富的颜色特征、形状特征和纹理特征，适用于颜色特征识别、形状特征识别和SURF特征识别。

本文针对超市环境的缺点，设计了一种综合了颜色特征、SURF特征、形状特征等图像匹配算法的商品自动识别系统，弥补因为超市环境所导致传统图像识别在商品识别中的缺陷，提高商品图像识别的准确性。

关键词：颜色特征；商品识别；形状特征；SURF算法；图像匹配

Abstract

At present, the commodity identification technology mainly used in supermarkets in China is bar code scanning technology. The advantage is that it is convenient to scan the bar code to extract information. The disadvantage is that a lot of information such as product ID needs to be manually entered manually, and the bar code is easy to be damaged, and searching for bar code scanning also takes time. When the goods are stored, the staff needs to manually enter the information of the goods, and count the number of items and the number of categories. When the shopping is settled, the staff needs to search for the barcode of the product. If the barcode is lost or damaged, manual entry is very troublesome, and this is caused by The culprit is the long queue.

In the recent ten years, image recognition technology has developed rapidly and has great prospects in various fields and industries. There are more and more researches on image recognition technology used in image recognition of goods. Supermarket commodity image information is rich and clear. These image information can be well recognized by using image recognition technology. The use of commodity recognition technology is more efficient and stable than the traditional manual screening statistics in the category and quantity of statistical goods. In the environment of supermarkets, there are many objective difficulties in product image recognition. For example, there may be various deformations in the commodities in the supermarket, and the lighting conditions may also affect the shooting. However, the product images thus collected still have rich color features, shape features, and texture features, and are suitable for color feature recognition, shape feature recognition, and SURF feature recognition.

Based on the shortcomings of supermarket environment, this paper designs an automatic product recognition system that integrates image matching algorithms such as color features, SURF features, and shape features to make up for the defects of traditional image recognition in product recognition due to the supermarket environment and improve product images. The accuracy of the identification.

Key Words：Product identification; Color characteristics; Shape features; SURF algorithm; Image matching

目 录

第1章 绪论 1

1.1 课题研究背景及意义 1

1.2 商品图像识别的发展和研究现状 1

1.3 本文研究内容及章节安排 3

第2章 图像匹配原理 4

2.1 图像匹配 4

2.2 图像特征 4

2.3 相似度量方法 5

2.4 本章小结 6

第3章 图像特征提取方法 7

3.1 颜色特征 7

3.1.1 颜色特征提取 7

3.1.2 实验举例 9

3.2 边缘特征 10

3.2.1 边缘特征提取 10

3.2.2 实验举例 12

3.3 SURF特征 13

3.3.1 SURF特征提取 13

3.3.2 实验举例 15

3.4 本章小结 16

第4章 商品图像识别方法 17

4.1 基于颜色特征匹配的商品图像识别 17

4.2 基于边缘特征匹配的商品图像识别 18

4.3 基于SURF特征匹配的商品图像识别 20

4.4 本章小结 20

第5章 系统设计 21

5.1 商品图像识别系统总体设计方案 21

5.2 系统界面设计 22

5.3 系统实验结果及其分析 23

5.4 本章小结 26

第6章 总结与展望 27

6.1 本文工作总结 27

6.2 进一步展望 27

参考文献 28

致 谢 29

第1章 绪论

1.1 课题研究背景及意义

超市是现代社会中一种新兴的零售业，它为消费者提供一个自由、舒适、轻松的购物环境，越来越受到消费者的青睐。近年来，国内外出现了大量新增的超市以及无人售卖机，让消费者有了更多的选择的同时，超市行业的竞争也越来越激烈。许多超市都采用低价策略来吸引顾客，但是，仅仅依靠降低价格是远远不够的，只有注重商品管理，优化超市服务，以商品交易的智能化来降低人工成本，超市才能更多地提升竞争力、提高销售额。

目前，我国超市主要采用的商品识别技术是条形码扫描技术，其优点是扫描条形码提取信息方便，缺点是商品id等大量信息需要人工手动录入，而且条形码易缺损，寻找条形码扫描亦费时间。在货物存储时，工作人员需要手动录入商品的信息，统计件数、种类数；在购物结算时，工作人员需要寻找商品的条形码，如果条形码丢失或者破损的话，手动录入非常麻烦，而这正是造成超市排队长龙问题的罪魁祸首，所以需要探索更为先进的商品识别方法。

近年来，利用图像识别技术处理超市内的商品图像获取有效信息的研究越来越多，这些图像信息能协助超市管理商品信息，在统计商品的数量、商品的种类数上比传统的人工方式更加高效和稳定。商品图像识别常用方法有ORB特征、细粒度特征、SIFT特征、SURF特征。其中SIFT特征是一种尺度旋转不变特征，具有良好的鲁棒性，但是SIFT的特征向量描述子维数高且计算复杂，导致算法运算量很大，相比于SIFT算法来说，SURF特征减少了特征向量描述子的向量维数，优化了特征向量描述子的计算方法，降低了运算量，保留了高效的鲁棒特征[1]。目前商品图像识别一般单独使用上述特征作为识别参数来进行识别，也有综合利用其他颜色特征、边缘特征等其他特征参数进行辅助识别。

超市环境中的商品图像识别也存在诸多难点，图像内的商品存在各种形变、倾斜，拍摄时光照对图像的影响等。使用单一的特征如SIFT特征、SURF特征、形状特征等，在识别商品时，由于图像有变形、倾斜、光照等影响且商品图像纹理丰富特征点繁多，导致错误匹配数增多，降低了商品识别的准确性。

本文提出了一种以SURF特征匹配算法、颜色特征匹配算法、形状特征匹配算法为基础的商品自动识别系统，以弥补传统传统单一算法在商品图像识别中的缺陷，提高商品图像识别的准确性与有效性。本文通过Matlab软件设计出一种集颜色识别、形状识别和SURF识别三种识别方法的商品图像快速识别系统，以达到对商品进行快速、便捷、准确的识别，节省商品录入、商品结账计价时间的目的。

1.2 商品图像识别的发展和研究现状

数字图像处理技术可以追溯20世纪20年代，当时利用数字压缩技术通过海底电缆从英国伦敦到美国纽约传输了一幅照片。20世纪50年代，由于“太空计划”的推动，图像处理技术逐渐发展成为独立的一门学科理论。20世纪70年代，应用于医学的CT扫描技术诞生，此后数字图像处理技术的成果百花齐放。国内对于数字图像处理技术的研究始于20世纪50年代，经过多年的不断研究和发展，我国的数字图像处理技术在世界上已处于领先水平了。

图像识别是数字图像处理技术中尤为重要的一部分。图像识别一般包括图像预处理、图像特征提取和图像特征分类三部分。图像识别技术在许多领域都有广泛的应用，许多学者和机构都在不断的研究和发展。2012年Alex Krizhevsky突破性的提出AlexNet的网络结构，借助深度学习的算法，将图像特征的提取、筛选和分类三个模块集成于一体，设计5层卷积层加3层全连接层的深度卷积神经网络结构，逐层对图像信息进行不同方向的挖掘提取，譬如浅层卷积通常获取的是图像边缘等通用特征，深层卷积获取的一般是特定数据集的特定分布特征。AlexNet以15.4%的创纪录低失误率夺得2012年ILSVRC（ImageNet大规模视觉识别挑战赛）的年度冠军，值得一提的是当年亚军得主的错误率为26.2%。AlexNet超越传统机器学习的完美一役被公认为是深度学习领域里程碑式的历史事件，一举吹响了深度学习在计算机领域爆炸发展的号角。

商品图像识别技术最早起始于商品条形码识别技术。应用于商品的条形码识别技术诞生后，此后人们对商品条形码识别技术不断的研究和改进，随后，“二维码”被研究出来，“条码工业”开始。直到今天，条形码已像灯泡一样十分普及，在各个领域和行业都有它的影子，日常生活中最常见的就是超市商品上的条形码。条形码商品识别技术所识别的主体是条形码，而非商品本身。所以在以条形码识别技术为基础的超市商品售卖系统中，就不可避免的出现条形码被遮挡、损毁、有污渍等问题。

近年来，由于图像识别技术的飞速发展，以商品本身为识别主体的研究已成热门。由于商品本身拥有非常丰富的颜色、形状等特征，所以商品图像识别技术主要依赖于目前主流的图像识别技术，如颜色特征识别、形状特征识别、SIFT特征识别和SURF特征识别等。

在国外，Varol提出了一种针对位于货架上的零售商品的识别系统，该系统提取了商品图像的SIFT特征和HSV特征两种常用的图像特征，并将这两种图像特征通过加权计算形成了商品图像的一个特征向量，最后利用该向量来设计识别算法来对商品进行识别。

而国外的另一人Kejriwal则介绍了一种超市功能机器人，该机器人自带相机，通过相机来对商品存放区域进行录像，提取单帧的商品图像，通过商品图像的SURF特征并同时利用KD树来使用最近邻法进行识别。

Merler则综合使用了颜色直方图匹配和SIFT特征匹配的方法来进行商品图像的识别，经过良好的数据训练后得到了不错的识别效果。

Saran针对货架商品，用Haudorff距离来分析整个货架图的放置与空闲情况，为此，他设计了一种利用SURF特征来识别商品并统计商品数量的系统。

George针对智能手机的便捷性，设计了能在智能手机上使用的商品识别APP。

在国内，成立于2014年的码隆科技一直专注于人工智能商品识别，它的ProductAI平台就是一个自助式的人工智能视觉应用平台，也是全球第一个商品识别人工智能平台。ProductAI平台能够通过调用API实现各垂直领域的商品识别、场景识别、行为识别、图像内容理解等功能技术。

1.3 本文研究内容及章节安排

本文研究的商品图像自动识别系统，主要是设计了三种图像识别方法即颜色特征识别、形状特征识别、SURF特征识别等图像识别方法来实现的。

其中，本文设计的颜色特征识别方法是通过提取商品图像的RGB颜色特征直方图，再进行HSV空间量化，计算特征向量及其直方图，最终通过计算欧式距离来评价其相似度。所设计的形状特征识别方法是先将商品图像二值化处理，通过提取商品图像的边缘特征建立直方图，继而计算欧式距离来评价其相似度。SURF特征识别方法的设计是先对待识别商品图像生成边缘点用于构建Hessian矩阵[5]，再通过Hessian矩阵来建立构建尺度空间、特征点主方向分配等。

全文共有六章，各章节内容安排如下：

第1章主要阐述了商品图像识别的研究意义和目的，商品识别的发展和国内外的研究现状。最后给出了本文的研究内容。

第2章主要介绍了图像匹配的基本原理，简述图像匹配的预处理以及各有特点的颜色特征、边缘特征、纹理特征、SIFT特征和SURF特征等几种常用特征。

第3章重点研究本系统所设计的颜色特征识别中的颜色提取方法、边缘特征识别中的边缘特征提取方法以及SURF特征识别中的SURF特征提取方法及其实验举例。

第4章对提取到的颜色特征参数、边缘特征参数建立边缘特征直方图；对提取到的SURF特征点建立SURF特征直方图；通过计算待识别商品图像的特征向量直方图与图库中所有商品图像的特征向量直方图之间的欧式距离来进行相似性度量。

第5章说明系统设计方案，设计系统界面UI；对系统中所采用的颜色特征匹配、边缘特征匹配和SURF特征匹配三种匹配方法的进行仿真实验，最后给出了三种匹配的实验结果及其分析。

第6章主要是本文已做工作进行的总结及对未来工作进一步展望。

第2章 图像匹配原理

2.1 图像匹配

图像匹配是指通过设计的匹配算法计算两幅图像之间的相似度的过程。图像匹配一般主要分为灰度匹配和特征匹配。

灰度匹配是将图像进行灰度化，即将彩色图像转化为二值图像，再通过设计相似度量方法来评价图像的二值信息相似度。基于灰度匹配方法的图像匹配过程简单，但是一般运算量很大，不得不说是其一大缺点，而在很多使用图像匹配的场合中对运行速度都有一定的要求，所以基于灰度匹配的图像匹配方法很少被使用到。

特征匹配是提取两幅图像的各种特征，通过对特征进行比较的来进行识别的一类算法。特征匹配所使用到的特征种类很多，一般常见的有颜色、形状等特征。与灰度匹配相比，特征匹配具有运算量小，识别度高等优点。所以本商品识别系统是基于特征匹配算法的系统。

图像匹配的主要过程是：先将待匹配图像进行预处理，再对处理后的图像进行某种特征的提取，然后设计对应所提取特征的匹配算法，对待两幅或多幅图所提取的特征进行相似性度量[3]。

图2-1 图像识别过程框图

（1）图像获取：通过相机拍摄采集或者其他图像获得图像，作为匹配系统的输入。

（2）预处理：预处理是为了方便匹配系统对图像特征的提取而做的，通常有滤波平滑、去噪声、二值化、归一化等方法。

（3）特征提取：根据匹配系统的需要，将图像的某种特征通过相应的提取算法提取处理并数据化，比较常见的图像特征颜色特征、形状特征、边缘特征、纹理特征、空间关系特征、SIFT特征和SURF特征等。

（4）图像匹配：根据第（3）所提取的特征种类设计相应的匹配算法，通过计算两幅图或者多幅图的相似度来得到匹配结果。

2.2 图像特征

在图像匹配中，图像特征的选取关乎着系统的匹配效果。需求不同的系统、内容不同的图像，所使用的图像特征也会有所不同。通常图像的特征有颜色特征、纹理特征、形状特征、SURF特征、SIFT特征等几种[4]，下面是这几种常见特征的简单介绍。

（1）颜色特征：图像的颜色特征是一种全局特征，它包含了图像中存在的所有颜色信息。在计算机领域内，图像的所有颜色都可以使用RGB空间来描述，图像的颜色直方图描述了图像包含的各种颜色的频数，通常的颜色特征提取方法都是计算图像颜色的直方图。但是颜色直方图或者RGB空间并不包含颜色在图像中的位置信息，也不能获得图像中物体的局部特征如形状、大小等。

（2）纹理特征：图像的纹理特征也是一种全局特征，它描述的是图像中物体的表面特征，如物体的边缘、树叶花草的纹路、文字的轮廓等。物体在图像中形状和强度保持相同并具同时有重复性的区域称为纹理特征。一般常见的纹理特征提取方法有：灰度共生矩阵法、Gabor滤波法等。纹理特征具有旋转不变性、较强的抗噪能力等方面的优点，但是它的特征维度高、运算量大，又难以区分细小的纹理。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：