目前的超市管理软件大多数针对库存商品进行记录清点,而货架商品的查询、信息更新等操作通常依靠人工进行,造成了效率低下、成本高等问题,因此需要结合图像处理技术对货架商品信息进行即时分析。为解决上述问题,本文提出了一种基于尺度不变特征的货架商品图像分割和识别方法,统计货架商品图像中的商品种类及数量,为货架管理提供便利。论文分为分割与识别两大部分,分别完成单品图像的提取和识别。主要工作如下:(1)货架商品图像的分割方法分为单层图像分割与单品图像提取两部分。首先针对货架层颜色较浅、色调单一、边缘显著的特点,利用霍夫直线检测对单层分割线进行粗定位;将灰度图像与边缘图像进行水平投影,找出合适的极值点作为分割候选区域,对直线检测的结果进行验证,最后利用仿射变换完成单层图像分割。本文提出了基于视觉词的单品提取方法,获取每张单层图像中的SIFT特征点,根据SIFT特征向量的相似程度,利用向前选择法对特征向量进行聚类,多个相似点构成视觉词。然后将视觉词分配到各个重复物体中,按照重复物体的内部结构相似度对分配方案打分,经过多轮迭代选取最优方案,根据该方案确定垂直方向分割线,对单层图像进行切分得到单品图像。(2)识别部分针对同系列商品图像相似性高、区分度小的特点,将单品图像的SIFT特征点分别与多个模板图像进行特征点粗匹配和误匹配点剔除,剩余匹配点数最多的单品图像标记为识别结果。特征点的粗匹配通过最相似点与次相似点的距离比进行筛选。针对商品图像摆放整齐、形变较小的特点,提出了一种基于几何约束的误匹配点剔除方法,首先利用匹配特征点主方向差进行筛选,再计算出模板图和测试图各自特征点两两之间距离比,标记距离比出现异常的匹配点,分析所有粗匹配对,利用多数投票法剔除误匹配点。分别在自建数据库与公开库GroceryProducts进行货架商品图像分割和识别算法测试,与相关文献算法比较,对应数据库商品识别准确率分别提高4.4%、10%,测试结果验证了算法的有效性。