随着移动互联网的快速发展,基于视觉的商品识别技术在无人结算,营销推广及智能售后等领域发挥的作用越发显著。当前的商品识别算法大多依赖于卷积神经网络,并在海量数据的驱动下,完成对模型的训练。然而,由于商品种类繁多,为每一种商品收集到足够的训练集,需要耗费大量的人力物力。为此,本文提出了一种单样本条件下的商品识别算法,在只有一张商品图片的条件下,进行商品识别。本文将商品识别问题拆分为两个子问题,一是从海量的商品模板中,检索目标商品的相似商品集。此问题的难点在于,单样本条件下,如何实现从商品图像到向量的映射。二是对检索出的相似商品集,基于几何约束,做进一步的精确识别。其难点在于如何保证局部特征的速度与精度。针对两个子问题,本文的主要工作如下:(1)针对海量商品模板中的检索问题,提出了一种基于胶囊网络的图像嵌入算法,用以实现从商品图像到向量的映射。本文使用改进的胶囊结构将图像特征向量化,赋予了模型空间约束能力,减少了对训练样本的需求。同时,本文还提出了一种阶梯式训练法,可以有效弥补由于训练样本数量差异带来的性能损失。在商品数据集上的测试结果表明,在单样本条件下,本文提出的图像嵌入算法与同等深度的卷积神经网络相比,mAP(mean Average Precision)提高了 9.1个百分点,达到了 68.2%。(2)针对商品的精确识别问题,设计了一种二进制深度局部特征,可作为几何验证求解的基础。本文使用深度卷积网络提取图像局部特征,实现了对光照、视角等因素的良好鲁棒性。同时,通过压缩网络深度和设计特殊的隐层,实现了对特征的二进制表示,大幅提升速度。实验表明,本文提出的局部特征提取算法,精度与当前算法相当,速度有明显优势,是其他深度局部特征速度的3-4倍,达到了 22FPS。(3)基于上述两点算法,本文设计并实现了一套商品识别系统。根据商品外观特点,仅需要上传一张或几张商品模板图,系统便可以对此商品的其他图像进行识别。同时,系统还能使用用户上传的图像数据,对算法本身进行自适应优化。