产品分类方法和装置制造方法
【专利摘要】一种产品分类方法，所述方法包括：根据用于描述待分类产品的产品文本提取产品文本特征；根据所述待分类产品的产品图像提取产品图像特征；根据所述产品文本特征和所述产品图像特征生成待分类产品的产品特征；将所述待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。本发明提供的产品分类方法，通过提取待分类产品的产品文本特征和产品图像特征，再根据产品文本特征和产品图像特征生成产品特征，从而利用该产品特征进行分类以获得分类结果。由于综合考量了待分类产品的文本特征和图像特征，与单独根据产品的文本信息进行分类相比，提高了分类准确率。本发明还提供了一种产品分类装置。
【专利说明】产品分类方法和装置
【技术领域】
[0001]本发明涉及模式识别领域，特别是涉及一种产品分类方法和装置。
【背景技术】
[0002]随着电子商务的迅猛发展，网上购物已逐渐成为网民的日常行为。据中国互联网络信息中心2013年3月发布的2012中国网络购物市场分析报告显示，2012年，我国网络购物市场交易金额达到12594亿元。网络产品种类繁杂，数量庞大，电商网站在产品管理方面需要花费很大精力，才能为用户提供良好的购物体验。
[0003]产品分类问题是产品管理的首要问题，然而目前产品分类主要靠人工标定产品类另IJ，虽然也存在根据产品的文本信息进行分类的方法，但由于产品的文本信息并非能完全描述产品的所有内容，如果文字信息描述出现偏差，就会导致产品被错误分类，需要花费很多人力成本来修正产品类别，因此现有的产品分类方法分类准确性较差，
【发明内容】
[0004]基于此，有必要针对根据产品的文本信息进行产品分类准确性差的问题，提供一种产品分类方法和装置。
[0005]一种产品分类方法，所述方法包括:
[0006]根据用于描述待分类产品的产品文本提取产品文本特征；
[0007]根据所述待分类产品的产品图像提取产品图像特征；
[0008]根据所述产品文本特征和所述产品图像特征生成待分类产品的产品特征；
[0009]将所述待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。
[0010]一种产品分类装置，所述装置包括:
[0011]产品文本特征提取模块，用于根据用于描述待分类产品的产品文本提取产品文本特征；
[0012]产品图像特征提取模块，用于根据所述待分类产品的产品图像提取产品图像特征；
[0013]产品特征生成模块，用于根据所述产品文本特征和所述产品图像特征生成待分类产品的产品特征；
[0014]分类模块，用于将所述待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。
[0015]上述产品分类方法和装置，通过提取待分类产品的产品文本特征和产品图像特征，再根据产品文本特征和产品图像特征生成产品特征，从而利用该产品特征进行分类以获得分类结果。由于综合考量了待分类产品的文本特征和图像特征，与单独根据产品的文本信息进行分类相比，提高了分类准确率。【专利附图】
【附图说明】
[0016]图1为一个实施例中产品分类方法的流程示意图；
[0017]图2为一个实施例中训练获得产品分类模型的步骤的流程示意图；
[0018]图3为一个实施例中根据用于描述待分类产品的产品文本提取产品文本特征的步骤的流程示意图；
[0019]图4为一个实施例中根据待分类产品的产品图像提取产品图像特征的步骤的流程不意图；
[0020]图5为一个实施例中从产品图像中分割出图像小块，或者从样本图像中分割出小图像块的示意图；
[0021]图6为一个实施例中将图像小块划分为多个图像单元，或者将小图像块划分为多个子单元的示意图；
[0022]图7为一个实施例中根据训练样本集中产品样本的样本文本提取样本文本特征的步骤的流程示意图；
[0023]图8为一个实施例中根据训练样本集中产品样本的样本图像提取样本图像特征的步骤的流程示意图；
[0024]图9为一个具体应用场景中生成产品特征的过程的示意图；
[0025]图10为一个具体应用场景中使用训练获得的产品分类模型对待分类产品进行分类，获得分类结果的过程的示意图；
[0026]图11为一个实施例中产品分类装置的结构框图；
[0027]图12为另一个实施例中产品分类装置的结构框图；
[0028]图13为一个实施例中产品文本特征提取模块的结构框图；
[0029]图14为一个实施例中产品特征词筛选模块的结构框图；
[0030]图15为一个实施例中产品图像特征提取模块的结构框图；
[0031]图16为一个实施例中样本文本特征提取模块的结构框图；
[0032]图17为一个实施例中样本特征词筛选模块的结构框图；
[0033]图18为一个实施例中样本图像特征提取模块的结构框图；
[0034]图19为再一个实施例中产品分类装置的结构框图。
【具体实施方式】
[0035]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0036]除非上下文另有特定清楚的描述，本发明中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组
口 o
[0037]如图1所示，在一个实施例中，提供了一种产品分类方法，包括:[0038]步骤102，根据用于描述待分类产品的产品文本提取产品文本特征。
[0039]产品文本是指用于描述待分类产品的文本，包括文字、符号、数字等。产品文本可对应存储于产品文本文档中，这样一个产品文本对应一个产品文本文档。
[0040]具体地，提取产品文本特征的过程，是把从产品文本中抽取出的特征词进行量化来表示产品文本，从而将无结构的原始的产品文本转化为结构化的计算机可以识别处理的信息，以用于分类处理的过程。可使用现有的文本特征提取方法从产品文本中提取产品文本特征，比如主成分分析法(Principal Component Analysis, PCA)、模拟退火算法(Simulating Anneal, SA)等。
[0041]步骤104，根据待分类产品的产品图像提取产品图像特征。
[0042]产品图像是指包括待分类产品的影像的图像。可提取产品图像的颜色特征(比如颜色直方图)、纹理特征或形状特征等作为产品图像特征。
[0043]步骤106，根据产品文本特征和产品图像特征生成待分类产品的产品特征。
[0044]获得产品文本特征和产品图像特征后，可将产品文本特征和产品图像特征拼接起来获得待分类产品的产品特征。具体地，可将表示产品文本特征的向量和表示产品图像特征的向量连接起来构成表示产品特征的向量，从而实现特征的拼接。
[0045]步骤108，将待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。
[0046]对待分类产品进行分类前，预先根据训练样本集训练获得产品分类模型。分类时，将待分类产品的产品特征输入训练获得的产品分类模型，便可获得分类结果。
[0047]在一个实施例中，训练样本集包括对应预设类别的多个产品样本，产品样本对应用于描述产品样本的样本文本和样本图像。这样，训练样本集中包括预设类别的产品样本，并且每个预设类别分别对应多个产品样本。每个产品样本分别对应一个样本文本和至少一个样本图像。
[0048]如图2所示，该产品分类方法还包括训练获得产品分类模型的步骤，包括步骤202?步骤208:
[0049]步骤202，根据训练样本集中产品样本的样本文本提取样本文本特征。
[0050]具体地，可使用与根据待分类产品的产品文本提取产品文本特征相同的手段根据训练样本集中各个产品样本对应的样本文本提取样本文本特征。可使用现有的文本特征提取方法从样本文本中提取样本文本特征，比如主成分分析法(Principal ComponentAnalysis, PCA)、模拟退火算法(Simulating Anneal, SA)等。
[0051]步骤204，根据训练样本集中产品样本的样本图像提取样本图像特征。
[0052]具体地，使用与根据待分类产品的产品图像提取产品图像特征相同的手段根据训练样本集中各个产品样本对应的样本图像提取样本图像特征。可提取各个样本图像的颜色特征(比如颜色直方图)、纹理特征或形状特征等作为样本图像特征。
[0053]步骤206，根据样本文本特征和样本图像特征生成样本特征。
[0054]获得样本文本特征和样本图像特征后，可将样本文本特征和样本图像特征拼接起来获得各个产品样本的样本特征。具体地，可将表示样本文本特征的向量和表示样本图像特征的向量连接起来构成表示样本特征的向量，从而实现特征的拼接。
[0055]步骤208，根据样本特征训练获得基于支持向量机的产品分类模型。[0056]本实施例采用支持向量机(Support vector machine, SVM)方法训练获得产品分类模型。支持向量机方法的基本思想是建立一个或一系列高维空间的超平面，使得超平面到最相邻的训练样本之间的距离最大。使用现有的支持向量机训练方法也可以获得基于支持向量机的产品分类模型。SVM方法中一个重要的工作就是核函数的选择。当样本特征还有异构信息，样本规模很大，多维数据的不规则或数据在高位特征空间分布的不平坦，采用单核进行映射的方式对所有样本进行处理并不合理，即需要将多个核函数进行组合，即多核学习方法。
[0057]合成核的方法有很多，本实施例米用基于稀疏编码的多核学习方法(Ultra-fastoptimization algorithm for sparse multi kernel learning, UFO-MKL),稀疏性的提高在一些情况下可以减少冗余，提高运算效率。
[0058]具体地，设得到的样木特征为X G X，预设类别为y G Y = {1，2，…，F}，F为预设类别的总数。定义#(u) = [0 0(x),0,…,0], j = I,..，F,其中，炉v (X)为与第j个预设类别对应的函数。
[0059]定义7(x，.v) = [/(x,_y),."，f(x,y)]，开=[w1,--?,>/]，其中 W」为卜(y)对应的超平面系数；乐定义模值为如公式(I)所示，其中Il ? I Ip向量的P范数。
[0060]||?I = Iw1I2.||vi'2||2, JW312, --?, ||v/||2 - 公式⑴
[0061]多核的产品分类模型的训练可以定义为公式(2)的优化问题，
[0062]nun Q(卩)+ 去X,(^)，.v,)公式(2 )
[0063]其中，D(#)为系数规范项，/(##“),乃)，为分类错误损失代价项，N为训练集
的产品样本个数。Q(W):=香IlH+^IH1，其中:=表示赋值，入，a为因子系数，P =21ogF(21ogF-l)为范数因子。
[0064]定义代价函数项I (兩戸⑷，).’) = /”ax(0,l-Wj(X))为常用的简单代价函数，
(?/(w,^(.v), y)为代价函数的偏导数，那么基于UFO-MKL的系数求解算法如11)~18):
[0065]11)、初始化因子系数\，a及迭代循环次数T ；
[0066]12)、初始化系数兩=0，变量'歹=|=[0,0，"、0]，变量 q = 21ogF ；
[0067]13)、for t =1，2，…，T do;
[0068]14)、随机获取训练样本(xt，yt)；
[0069]15)、更新变量歹=歹-以(兩歹);
[0070]16)、计算 V) = max(0，O1 j= \,2,---,F ；[0071]17)、更新系数
【权利要求】
1.一种产品分类方法，所述方法包括: 根据用于描述待分类产品的产品文本提取产品文本特征； 根据所述待分类产品的产品图像提取产品图像特征； 根据所述产品文本特征和所述产品图像特征生成待分类产品的产品特征； 将所述待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。
2.根据权利要求1所述的方法，其特征在于，训练样本集包括对应预设类别的多个产品样本，所述产品样本对应用于描述产品样本的样本文本和样本图像；所述方法还包括训练获得产品分类模型的步骤，包括: 根据所述训练样本集中所述产品样本的样本文本提取样本文本特征； 根据所述训练样本集中所述产品样本的样本图像提取样本图像特征； 根据所述样本文本特征和所述样本图像特征生成样本特征； 根据所述样本特征训练获得基于支持向量机的产品分类模型。
3.根据权利要求2所述的方法，其特征在于，所述样本文本对应存储于样本文档中；所述根据用于描述待分类产品的产品文本提取产品文本特征，包括: 将所述产品文本进 行分词，获得候选词； 根据预设评估函数从所述候选词中筛选出产品特征词； 根据所述产品特征词在所述样本文档中出现的频率、样本文档总数和包含所述产品特征词的样本文档的个数计算产品特征词权值； 根据所述产品特征词权值生成待分类产品的产品文本特征。
4.根据权利要求3所述的方法，其特征在于，所述根据预设评估函数从所述候选词中筛选出产品特征词之前，还包括: 过滤掉包含在预设停用词表中的所述候选词。
5.根据权利要求3所述的方法，其特征在于，所述根据预设评估函数从所述候选词中筛选出产品特征词，包括: 计算所述候选词在所述样本文档中出现的次数，将出现次数大于或等于次数阈值的候选词作为产品特征词；和/或， 计算包含所述候选词的样本文档占样本文档总数的比重，将对应的比重在预设范围内的候选词作为产品特征词；和/或， 计算所述候选词的信息增益权值，将对应的信息增益权值大于信息增益权值阈值的候选词作为产品特征词；和/或， 计算所述候选词的互信息值，将对应的互信息值大于互信息值阈值的候选词作为产品特征词；和/或， 根据所述训练样本集中是否出现所述候选词和所述候选词是否属于所述预设类别的概率，计算所述候选词与所述预设类别的相关度，将对应的相关度大于相关度阈值的候选词作为产品特征词。
6.根据权利要求1所述的方法，其特征在于，所述根据所述待分类产品的产品图像提取产品图像特征，包括: 从所述待分类产品的产品图像中分割出多个相同大小的图像小块，且相邻的图像小块之间存在重叠部分；提取所述图像小块的梯度直方图特征； 计算每个所述图像小块的梯度直方图特征与预先学习获得的聚类中心集合中的各个聚类中心的欧氏距离，统计所述聚类中心集合中与所述每个图像小块的梯度直方图特征的欧氏距离最近的聚类中心并计数； 根据对应所述每个图像小块的梯度直方图特征所统计的聚类中心和计数结果生成产品图像特征。
7.根据权利要求6所述的方法，其特征在于，所述提取所述图像小块的梯度直方图特征，包括: 将每个所述图像小块划分为相同大小且不重叠的多个图像单元； 在所述每个图像单元上统计8个方向的梯度直方图特征，将所述每个图像小块所对应的图像单元的梯度直方图特征拼接起来获得所述每个图像小块的梯度直方图特征。
8.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集中所述产品样本的样本文本提取样本文本特征，包括: 将所述样本文本进行分词，获得待选词； 根据预设评估函数从所述待选词中筛选出样本特征词； 根据所述样本特征词在所述样本文档中出现的频率、样本文档总数和包含所述样本特征词的样本文档的个数计算样本特征词权值； 根据所述样本特征词权值 生成所述产品样本的样本文本特征。
9.根据权利要求8所述的方法，其特征在于，所述根据预设评估函数从所述待选词中筛选出样本特征词之前，还包括: 过滤掉包含在预设停用词表中的所述待选词。
10.根据权利要求8所述的方法，其特征在于，所述根据预设评估函数从所述待选词中筛选出样本特征词，包括: 计算所述待选词在所述样本文档中出现的次数，将出现次数大于次数阈值的待选词作为样本特征词； 计算包含所述待选词的样本文档占样本文档总数的比重，将对应的比重在预设范围内的待选词作为样本特征词； 计算所述待选词的信息增益权值，将对应的信息增益权值大于信息增益权值阈值的待选词作为样本特征词； 计算所述待选词的互信息值，将对应的互信息值大于互信息值阈值的待选词作为样本特征词；和/或 根据所述训练样本集中是否出现所述待选词和所述待选词是否属于所述预设类别的概率，计算所述待选词与所述预设类别的相关度，将对应的相关度大于相关度阈值的待选词作为样本特征词。
11.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集中所述产品样本的样本图像提取样本图像特征，包括: 从所述训练样本集中所述产品样本的样本图像中分割出多个相同大小的小图像块，且相邻的小图像块之间存在重叠部分； 提取所述小图像块的梯度直方图特征；计算每个所述小图像块的梯度直方图特征与预先学习获得的聚类中心集合中的各个聚类中心的欧氏距离，统计所述聚类中心集合中与所述每个小图像块的梯度直方图特征的欧氏距离最近的聚类中心并计数； 根据对应所述每个小图像块的梯度直方图特征所统计的聚类中心和计数结果生成样本图像特征。
12.根据权利要求11所述的方法，其特征在于，所述提取所述小图像块的梯度直方图特征，包括: 将每个所述小图像块划分为相同大小且不重叠的多个子单元； 在所述每个子单元上统计8个方向的梯度直方图特征，将所述每个小图像块所对应的子单元的梯度直方图特征拼接起来获得所述每个小图像块的梯度直方图特征。
13.根据权利要求6或11所述的方法，其特征在于，所述方法还包括学习获得聚类中心集合的步骤，包括: 从训练样本集中选取分别对应每个预设类别的预设选取数的产品样本； 将所述选取的产品样本对应的产品样本图像分割为多个相同大小的图像子块，且相邻的图像子块存在重叠部分； 提取所述图像子块的梯度直方图特征； 将所述图像子块的梯度直方图特征聚类为预设聚类中心数的聚类中心，获得聚类中心
口 O
14.一种产品分类装置，其特征在于，所述装置包括: 产品文本特征提取模块，用于根据用于描述待分类产品的产品文本提取产品文本特征； 产品图像特征提取模块，用于根据所述待分类产品的产品图像提取产品图像特征；产品特征生成模块，用于根据所述产品文本特征和所述产品图像特征生成待分类产品的产品特征； 分类模块，用于将所述待分类产品的产品特征输入预先训练获得的产品分类模型，获得分类结果。
15.根据权利要求14所述的装置，其特征在于，训练样本集包括对应预设类别的多个产品样本，所述产品样本对应用于描述产品样本的样本文本和样本图像；所述装置还包括训练模块，包括: 样本文本特征提取模块，用于根据所述训练样本集中所述产品样本的样本文本提取样本文本特征； 样本图像特征提取模块，用于根据所述训练样本集中所述产品样本的样本图像提取样本图像特征； 样本特征生成模块，用于根据所述样本文本特征和所述样本图像特征生成样本特征； 训练执行模块，用于根据所述样本特征训练获得基于支持向量机的产品分类模型。
16.根据权利要求15所述的装置，其特征在于，所述样本文本对应存储于样本文档中；所述产品文本特征提取模块包括: 第一分词模块，用于将所述产品文本进行分词，获得候选词； 产品特征词筛选模块，用于根据预设评估函数从所述候选词中筛选出产品特征词；产品特征词权值计算模块，用于根据所述产品特征词在所述样本文档中出现的频率、样本文档总数和包含所述产品特征词的样本文档的个数计算产品特征词权值； 产品文本特征生成模块，用于根据所述产品特征词权值生成待分类产品的产品文本特征。
17.根据权利要求16所述的装置，其特征在于，所述产品文本特征提取模块还包括候选词过滤模块，用于过滤掉包含在预设停用词表中的所述候选词。
18.根据权利要求16所述的装置，其特征在于，所述产品特征词筛选模块包括第一筛选模块、第二筛选模块、第三筛选模块、第四筛选模块和第五筛选模块中的至少一个模块: 第一筛选模块用于计算所述候选词在 所述样本文档中出现的次数，将出现次数大于或等于次数阈值的候选词作为产品特征词； 第二筛选模块用于计算包含所述候选词的样本文档占样本文档总数的比重，将对应的比重在预设范围内的候选词作为产品特征词； 第三筛选模块用于计算所述候选词的信息增益权值，将对应的信息增益权值大于信息增益权值阈值的候选词作为产品特征词； 第四筛选模块用于计算所述候选词的互信息值，将对应的互信息值大于互信息值阈值的候选词作为产品特征词； 第五筛选模块用于根据所述训练样本集中是否出现所述候选词和所述候选词是否属于所述预设类别的概率，计算所述候选词与所述预设类别的相关度，将对应的相关度大于相关度阈值的候选词作为产品特征词。
19.根据权利要求14所述的装置，其特征在于，所述产品图像特征提取模块包括: 图像小块分割模块，用于从所述待分类产品的产品图像中分割出多个相同大小的图像小块，且相邻的图像小块之间存在重叠部分； 图像小块特征提取模块，用于提取所述图像小块的梯度直方图特征； 第一统计和计数模块，用于计算每个所述图像小块的梯度直方图特征与预先学习获得的聚类中心集合中的各个聚类中心的欧氏距离，统计所述聚类中心集合中与所述每个图像小块的梯度直方图特征的欧氏距离最近的聚类中心并计数； 产品图像特征生成模块，用于根据对应所述每个图像小块的梯度直方图特征所统计的聚类中心和计数结果生成产品图像特征。
20.根据权利要求19所述的装置，其特征在于，所述图像小块特征提取模块包括: 图像单元划分模块，用于将每个所述图像小块划分为相同大小且不重叠的多个图像单元; 第一特征拼接模块，用于在所述每个图像单元上统计8个方向的梯度直方图特征，将所述每个图像小块所对应的图像单元的梯度直方图特征拼接起来获得所述每个图像小块的梯度直方图特征。
21.根据权利要求15所述的装置，其特征在于，所述样本文本特征提取模块包括: 第二分词模块，用于将所述样本文本进行分词，获得待选词； 样本特征词筛选模块，用于根据预设评估函数从所述待选词中筛选出样本特征词；样本特征词权值计算模块，用于根据所述样本特征词在所述样本文档中出现的频率、样本文档总数和包含所述样本特征词的样本文档的个数计算样本特征词权值；样本文本特征生成模块，用于根据所述样本特征词权值生成所述产品样本的样本文本特征。
22.根据权利要求21所述的装置，其特征在于，所述样本文本特征提取模块还包括待选词过滤模块，用于过滤掉包含在预设停用词表中的所述待选词。
23.根据权利要求21所述的装置，其特征在于，所述样本特征词筛选模块包括依据次数筛选模块、依据文档比重筛选模块、依据信息增益权值筛选模块、依据互信息值筛选模块和依据相关度筛选模块中的至少一个模块: 依据次数筛选模块用于计算所述待选词在所述样本文档中出现的次数，将出现次数大于次数阈值的待选词作为样本特征词； 依据文档比重筛选模块用于计算包含所述待选词的样本文档占样本文档总数的比重，将对应的比重在预设范围内的待选词作为样本特征词； 依据信息增益权值筛选模块用于计算所述待选词的信息增益权值，将对应的信息增益权值大于信息增益权值阈值的待选词作为样本特征词； 依据互信息值筛选模块用于计算所述待选词的互信息值，将对应的互信息值大于互信息值阈值的待选词作为样本特征词； 依据相关度筛选模块用于根据所述训练样本集中是否出现所述待选词和所述待选词是否属于所述预设类别的概率，计算所述待选词与所述预设类别的相关度，将对应的相关度大于相关度阈值的待选 词作为样本特征词。
24.根据权利要求15所述的装置，其特征在于，所述样本图像特征提取模块包括: 小图像块分割模块，用于从所述训练样本集中所述产品样本的样本图像中分割出多个相同大小的小图像块，且相邻的小图像块之间存在重叠部分； 小图像块特征提取模块，用于提取所述小图像块的梯度直方图特征； 第二统计和计数模块，用于计算每个所述小图像块的梯度直方图特征与预先学习获得的聚类中心集合中的各个聚类中心的欧氏距离，统计所述聚类中心集合中与所述每个小图像块的梯度直方图特征的欧氏距离最近的聚类中心并计数； 样本图像特征生成模块，用于根据对应所述每个小图像块的梯度直方图特征所统计的聚类中心和计数结果生成样本图像特征。
25.根据权利要求24所述的装置，其特征在于，所述小图像块特征提取模块包括: 子单元划分模块，用于将每个所述小图像块划分为相同大小且不重叠的多个子单元； 第二特征拼接模块，用于在所述每个子单元上统计8个方向的梯度直方图特征，将所述每个小图像块所对应的子单元的梯度直方图特征拼接起来获得所述每个小图像块的梯度直方图特征。
26.根据权利要求19或24所述的装置，其特征在于，所述装置还包括聚类中心集合获取模块，包括: 产品样本选取模块，用于从训练样本集中选取分别对应每个预设类别的预设选取数的产品样本； 图像子块分割模块，用于将所述选取的产品样本对应的产品样本图像分割为多个相同大小的图像子块，且相邻的图像子块存在重叠部分； 图像子块特征提取模块，用于提取所述图像子块的梯度直方图特征；聚类模块，用于将所述图像子块的梯度直方图特征聚类为预设聚类中心数的聚类中心，获得聚类中心 集合。
【文档编号】G06K9/62GK103699523SQ201310692950
【公开日】2014年4月2日 申请日期:2013年12月16日 优先权日:2013年12月16日
【发明者】樊春玲, 邓亮, 冯良炳, 张冠军 申请人:深圳先进技术研究院