基于图像不变特征的商标检索方法的研究

摘要

随着注册商标的数量逐年增加，商标侵权的案例增多，对于商标注册的审查和审核提出了新的难题，如何最大限度的减少侵权案例的发生，同时对注册商标企业的权益进行保护。商标检索(Trademark Image Retrieval，TIR)是基于内容的图像检索(Content-Based Image Retrieval，CBIR)在商标领域的重要应用，在多媒体信息访问以及检索中起着重要的作用。
　　针对传统商标检索方法存在检索时间长以及误检的问题，本文通过结合形状特征和特征点描述图像特征，并使用词袋特征进行图像检索，提出了一种集合型商标检索的方法即 MHU-SIFT-K-means-BOF(Modified HU-Scale-invariant Feature transform K-means-Bag of Feature)，该方法首先使用MHU-SIFT进行特征提取，也就是对图像进行基本的预处理，然后对图像提取全局特征即求MHU矩，接着采用SIFT提取图像的局部特征，得到图像的特征点集合，然后对特征点集合采用K-means-BOF方法，即对SIFT得到的图像特征点的库进行聚类，获得该图像的聚类中心，形成每张图像的单词模块(Pitch)，即BOF，形成BOF特征向量库，进行图像检索。特征匹配部分使用夹角余弦计算相似度，最后按图像相似度排名输出图像。
　　为了验证方法的有效性，在 VS2010建立平台进行实验仿真并调用MATLAB2015b，通过对 MPEG7_CE-Shape-1_Part_B标准图像和测试商标图像库进行大量的试验评估，实验结果表明，在图像检索过程中，本文提出的MHU-SIFT方法，较一般的HU-SIFT算法而言，准确性和快速性更胜一筹。

目录

声明

第1章 绪论

1.1 商标图像检索的研究背景及意义

1.2 国内外研究现状

1.3 论文的内容和结构安排

第2章 基于内容的商标图像检索

2.1 常用的一些有关图像特征的术语

2.2 商标图像的特点、分类

2.3 商标图像预处理

2.4 图像全局特征描述

2.5 局部特征描述子概述

2.6 图像相似度计算

2.7 检索结果评价技术

2.8 本章小结

第3章 图像的全局特征MHU和局部特征SIFT的提取算法

3.1 MHU算法原理

3.2 SIFT算法原理

3.3 实验结果与分析

3.4 本章小结

第4章 K-MEANS-BOF特征检索算法

4.1 KMEAN算法

4.2 基于 BOF的图像检索算法

4.3 实验结果分析

4.4 本章小结

第5章 MHU+SIFT+KMEANS-BOF的商标检索方法的研究

5.1 验证平台设计

5.2 商标图像检索的模块设计

5.3 系统实现

5.4 算法实验结果与分析

5.5 本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢