CN106776801A - 一种基于深度学习的图片搜索方法 - Google Patents

一种基于深度学习的图片搜索方法 Download PDF

Info

Publication number
CN106776801A
CN106776801A CN201611049384.1A CN201611049384A CN106776801A CN 106776801 A CN106776801 A CN 106776801A CN 201611049384 A CN201611049384 A CN 201611049384A CN 106776801 A CN106776801 A CN 106776801A
Authority
CN
China
Prior art keywords
picture
search
vehicle
searched
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611049384.1A
Other languages
English (en)
Other versions
CN106776801B (zh
Inventor
沈贝伦
陆韵
沈俊青
宋冠弢
张登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongao Technology Co Ltd
Original Assignee
Hangzhou Zhongao Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhongao Technology Co Ltd filed Critical Hangzhou Zhongao Technology Co Ltd
Priority to CN201611049384.1A priority Critical patent/CN106776801B/zh
Publication of CN106776801A publication Critical patent/CN106776801A/zh
Application granted granted Critical
Publication of CN106776801B publication Critical patent/CN106776801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的图片搜索方法，通过信息输入、搜索策略、搜索、结果判别、输出至GIS库，大大提高搜索效率，较传统的图片搜索方法由于采集样本数据庞大，带宽和计标能力受限，导致查询效率低，降低了办事效率，具有如下优点：通过深度学习，提高图片搜索过程中的准确度，提高识别质量；搜索策略包括距离和道路前后继关系，可以根据特定的情况进行搜索，对于城市中的道路密集等情况采用道路前后继关系的搜索策略，对于开阔式的地域采用距离的搜索策略，大大缩减了数据采集样本，提高搜索速度；搜索可采用分布式搜索和集中式搜索，根据实际情况选择合适的搜索方式，带宽和计标能力得到节约，查询效率大大提高。

Description

一种基于深度学习的图片搜索方法
【技术领域】
本发明涉及图片搜索的技术领域，特别涉及一种基于深度学习的图片搜索方法。
【背景技术】
在现在交通管理和道路规划中，交通流量和通行车辆的类型、速度是重要的参数。自动获取这些数据的方法大致可以分为两类：一类是利用压电、红外、环形磁感应线圈等传感器获得车辆本身的参数，这类方法跟踪识别率较高，但是容易损坏，安装也不方便；还有一类就是基于图像处理和模式识别的方法，克服了前面一类方法的局限，由于图像处理识别技术的进步和硬件性价比的大幅提高，有一定实用价值的系统已经出现。这些系统的使用证明：图像处理识别车型的方法日趋成熟，环境适应能力较强，能长期稳定工作，但是存在计算量大、识别正确率低等问题。
目前，图片搜索过程中输入关键词或图片时，搜索量大，使带宽不堪重负，运行速度较为缓慢，降低了查询效率，尤其是在司法机构在侦查过程中，对车辆的行驶轨迹进行追踪时，采用传统的图片搜索方法受带宽和计标能力有限的影响，导致查询效率低，降低了办事效率，为解决上述问题，有必要提出要一种基于深度学习的图片搜索方法。
【发明内容】
本发明的目的在于克服上述现有技术的不足，提供一种基于深度学习的图片搜索方法，其旨在解决现有技术中传统的图片搜索方法受带宽和计标能力有限的影响，导致查询效率低，降低办事效率的技术问题。
为实现上述目的，本发明提出了一种基于深度学习的图片搜索方法，该方法包括以下步骤：
步骤1，输入待搜索车辆信息；
步骤2，将待搜索车辆图片经过预处理后，输入到神经网络模型训练，得到待搜索车辆图片的特征向量；
步骤3，制定搜索策略，根据搜索策略确定搜索区域；
步骤4，对搜索区域内的道路监控系统控制中心数据库进行图像采集，并记录采集到的图片对应的当前位置和时间信息；
步骤5，对采集到的图片进行预处理后，输入到神经网络模型训练，得到采集图片的特征向量，将待搜索车辆图片的特征向量与采集图片的特征向量进行识别比对，来进行目标车辆的图片搜索；
步骤6，结果判别，计算待搜索车辆图片的特征向量与采集图片的特征向量比对后的相似度，并判定采集到的图片是否为待搜索车辆的图片；
步骤7，判定为目标车辆的图片后，将该图片对应的当前位置、时间信息、车辆信息输出至GIS数据库，最后得到待搜索车辆的运行轨迹。
作为优选，所述的步骤1中的搜索信息包括待搜索车辆的图片和关键词，所述的关键词包括待搜索车辆的车牌号、车辆品牌、车辆型号。
作为优选，所述的步骤3中的搜索策略包括距离和道路前后继关系。
作为优选，所述的步骤5中目标车辆的图片搜索采用的方式包括分布式搜索和集中式搜索。
作为优选，所述的分布式搜索为每采集到一张图片后就进行预处理、输入到神经网络模型训练得到该图片的特征向量，然后与待搜索车辆图片的特征向量识别比对。
作为优选，所述的集中式搜索为对采集到的图片进行集中批量预处理，得到图片集，然后将预处理后的图片集输入到神经网络模型训练得到与图片集中图片一一对应的特征向量，再将图片集中的图片特征向量与待搜索车辆图片的特征向量进行集中识别比对。
作为优选，所述的步骤6中，如果相似度<θ，则判定该采集到的图片不为待搜索车辆的图片；如果相似度≥θ，则判定该采集到的图片为待搜索车辆的图片。
作为优选，所述的θ为相似度最小阈值。
本发明的有益效果：与现有技术相比，本发明提供的一种基于深度学习的图片搜索方法，若采用传统的图片搜索方法由于采集样本数据庞大，带宽和计标能力受限，导致查询效率低，降低了办事效率，而本发明具有如下优点：①通过深度学习，提高图片搜索过程中的准确度，提高识别质量；②搜索策略包括距离和道路前后继关系，可以根据特定的情况进行搜索，对于城市中的道路密集等情况采用道路前后继关系的搜索策略，对于开阔式的地域采用距离的搜索策略，大大缩减了数据采集样本，提高搜索速度；③搜索可采用分布式搜索和集中式搜索，根据实际情况选择合适的搜索方式，带宽和计标能力得到节约，查询效率大大提高。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明实施例一种基于深度学习的图片搜索方法的流程图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，本发明实施例提供一种基于深度学习的图片搜索方法，该方法包括以下步骤：
步骤1，输入待搜索车辆信息。
其中，搜索信息包括待搜索车辆的图片和关键词，所述的关键词包括待搜索车辆的车牌号、车辆品牌、车辆型号。
步骤2，将待搜索车辆图片经过预处理后，输入到神经网络模型训练，得到待搜索车辆图片的特征向量。
步骤3，制定搜索策略，根据搜索策略确定搜索区域。
其中，搜索策略包括距离和道路前后继关系。
步骤4，对搜索区域内的道路监控系统控制中心数据库进行图像采集，并记录采集到的图片对应的当前位置和时间信息。
步骤5，对采集到的图片进行预处理后，输入到神经网络模型训练，得到采集图片的特征向量，将待搜索车辆图片的特征向量与采集图片的特征向量进行识别比对，来进行目标车辆的图片搜索。
具体地，目标车辆的图片搜索采用的方式包括分布式搜索和集中式搜索。
进一步地，分布式搜索为每采集到一张图片后就进行预处理、输入到神经网络模型训练得到该图片的特征向量，然后与待搜索车辆图片的特征向量识别比对；集中式搜索为对采集到的图片进行集中批量预处理，得到图片集，然后将预处理后的图片集输入到神经网络模型训练得到与图片集中图片一一对应的特征向量，再将图片集中的图片特征向量与待搜索车辆图片的特征向量进行集中识别比对。
步骤6，结果判别，计算待搜索车辆图片的特征向量与采集图片的特征向量比对后的相似度，并判定采集到的图片是否为待搜索车辆的图片。
在本发明实施例中，如果相似度<θ，则判定该采集到的图片不为待搜索车辆的图片；如果相似度≥θ，则判定该采集到的图片为待搜索车辆的图片，其中，θ为相似度最小阈值。
步骤7，判定为目标车辆的图片后，将该图片对应的当前位置、时间信息、车辆信息输出至GIS数据库，最后得到待搜索车辆的运行轨迹。
本发明一种基于深度学习的图片搜索方法，具有如下优点：①搜索策略包括距离和道路前后继关系，可以根据特定的情况进行搜索，对于城市中的道路密集等情况采用道路前后继关系的搜索策略，对于开阔式的地域采用距离的搜索策略，大大缩减了数据采集样本，提高搜索速度；②通过深度学习，提高图片搜索过程中的准确度，提高识别质量；③搜索可采用分布式搜索和集中式搜索，根据实际情况选择合适的搜索方式，带宽和计标能力得到节约，查询效率大大提高。传统的图片搜索方法由于采集样本数据庞大，带宽和计标能力受限，导致查询效率低，降低了办事效率，而本发明通过距离和道路前后继关系来设搜索范围，大大缩减了采集样本，提高了目标图片的搜索效率，进而可快速得到待搜索车辆的运行轨迹，提高办事效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的图片搜索方法，其特征在于：该方法包括以下步骤：
步骤1，输入待搜索车辆信息；
步骤2，将待搜索车辆图片经过预处理后，输入到神经网络模型训练，得到待搜索车辆图片的特征向量；
步骤3，制定搜索策略，根据搜索策略确定搜索区域；
步骤4，对搜索区域内的道路监控系统控制中心数据库进行图像采集，并记录采集到的图片对应的当前位置和时间信息；
步骤5，对采集到的图片进行预处理后，输入到神经网络模型训练，得到采集图片的特征向量，将待搜索车辆图片的特征向量与采集图片的特征向量进行识别比对，来进行目标车辆的图片搜索；
步骤6，结果判别，计算待搜索车辆图片的特征向量与采集图片的特征向量比对后的相似度，并判定采集到的图片是否为待搜索车辆的图片；
步骤7，判定为目标车辆的图片后，将该图片对应的当前位置、时间信息、车辆信息输出至GIS数据库，最后得到待搜索车辆的运行轨迹。
2.如权利要求1所述的一种基于深度学习的图片搜索方法，其特征在于：所述的步骤1中的搜索信息包括待搜索车辆的图片和关键词，所述的关键词包括待搜索车辆的车牌号、车辆品牌、车辆型号。
3.如权利要求1所述的一种基于深度学习的图片搜索方法，其特征在于：所述的步骤3中的搜索策略包括距离和道路前后继关系。
4.如权利要求1所述的一种基于深度学习的图片搜索方法，其特征在于：所述的步骤5中目标车辆的图片搜索采用的方式包括分布式搜索和集中式搜索。
5.如权利要求4所述的一种基于深度学习的图片搜索方法，其特征在于：所述的分布式搜索为每采集到一张图片后就进行预处理、输入到神经网络模型训练得到该图片的特征向量，然后与待搜索车辆图片的特征向量识别比对。
6.如权利要求4所述的一种基于深度学习的图片搜索方法，其特征在于：所述的集中式搜索为对采集到的图片进行集中批量预处理，得到图片集，然后将预处理后的图片集输入到神经网络模型训练得到与图片集中图片一一对应的特征向量，再将图片集中的图片特征向量与待搜索车辆图片的特征向量进行集中识别比对。
7.如权利要求1所述的一种基于深度学习的图片搜索方法，其特征在于：所述的步骤6中，如果相似度<θ，则判定该采集到的图片不为待搜索车辆的图片；如果相似度≥θ，则判定该采集到的图片为待搜索车辆的图片。
8.如权利要求7所述的一种基于深度学习的图片搜索方法，其特征在于：所述的θ为相似度最小阈值。
CN201611049384.1A 2016-11-25 2016-11-25 一种基于深度学习的图片搜索方法 Active CN106776801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611049384.1A CN106776801B (zh) 2016-11-25 2016-11-25 一种基于深度学习的图片搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611049384.1A CN106776801B (zh) 2016-11-25 2016-11-25 一种基于深度学习的图片搜索方法

Publications (2)

Publication Number Publication Date
CN106776801A true CN106776801A (zh) 2017-05-31
CN106776801B CN106776801B (zh) 2018-04-10

Family

ID=58910495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611049384.1A Active CN106776801B (zh) 2016-11-25 2016-11-25 一种基于深度学习的图片搜索方法

Country Status (1)

Country Link
CN (1) CN106776801B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315800A (zh) * 2017-06-19 2017-11-03 深圳传音通讯有限公司 多媒体文件管理系统、方法和设备
CN110019902A (zh) * 2017-09-28 2019-07-16 南京无界家居科技有限公司 一种基于特征匹配的家居图片搜索方法及装置
CN110909190A (zh) * 2019-11-18 2020-03-24 惠州Tcl移动通信有限公司 数据搜索方法、装置、电子设备及存储介质
CN112150810A (zh) * 2020-09-25 2020-12-29 云从科技集团股份有限公司 一种车辆行为管理方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN104636709A (zh) * 2013-11-12 2015-05-20 中国移动通信集团公司 一种定位监控目标的方法及装置
CN105808732A (zh) * 2016-03-10 2016-07-27 北京大学 一种基于深度度量学习的一体化目标属性识别与精确检索方法
CN106023220A (zh) * 2016-05-26 2016-10-12 史方 一种基于深度学习的车辆外观部件图像分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530366A (zh) * 2013-10-12 2014-01-22 湖北微模式科技发展有限公司 一种基于自定义特征的车辆搜索方法与系统
CN104636709A (zh) * 2013-11-12 2015-05-20 中国移动通信集团公司 一种定位监控目标的方法及装置
CN105808732A (zh) * 2016-03-10 2016-07-27 北京大学 一种基于深度度量学习的一体化目标属性识别与精确检索方法
CN106023220A (zh) * 2016-05-26 2016-10-12 史方 一种基于深度学习的车辆外观部件图像分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315800A (zh) * 2017-06-19 2017-11-03 深圳传音通讯有限公司 多媒体文件管理系统、方法和设备
CN110019902A (zh) * 2017-09-28 2019-07-16 南京无界家居科技有限公司 一种基于特征匹配的家居图片搜索方法及装置
CN110909190A (zh) * 2019-11-18 2020-03-24 惠州Tcl移动通信有限公司 数据搜索方法、装置、电子设备及存储介质
CN110909190B (zh) * 2019-11-18 2022-12-09 惠州Tcl移动通信有限公司 数据搜索方法、装置、电子设备及存储介质
CN112150810A (zh) * 2020-09-25 2020-12-29 云从科技集团股份有限公司 一种车辆行为管理方法、系统、设备及介质

Also Published As

Publication number Publication date
CN106776801B (zh) 2018-04-10

Similar Documents

Publication Publication Date Title
CN106776801B (zh) 一种基于深度学习的图片搜索方法
CN111814621B (zh) 一种基于注意力机制的多尺度车辆行人检测方法及装置
CN109657552B (zh) 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN108230254B (zh) 一种自适应场景切换的高速交通全车道线自动检测方法
CN100468443C (zh) 基于视频的高速移动车辆标志精确识别方法
CN105631414A (zh) 一种基于贝叶斯分类器的车载多障碍物分类装置及方法
CN112464773B (zh) 一种道路类型识别方法、装置及系统
CN107578091B (zh) 一种基于轻量级深度网络的行人车辆实时检测方法
CN106919902B (zh) 一种基于cnn的车辆识别和轨迹追踪方法
CN111582178B (zh) 基于多方位信息和多分支神经网络车辆重识别方法及系统
CN108052887A (zh) 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法
CN103116757B (zh) 一种三维信息复原提取的道路遗洒物识别方法
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN104794425B (zh) 一种基于行驶轨迹的车辆统计方法
CN103679214B (zh) 基于在线面积估计和多特征决策融合的车辆检测方法
CN103942546A (zh) 一种城市环境中导向交通标线识别系统及方法
CN112287896A (zh) 一种基于深度学习的无人机航拍图像目标检测方法及系统
CN109165602A (zh) 一种基于视频分析的黑烟车检测方法
CN111209808A (zh) 一种基于分层处理的无人机图像语义分割识别方法
CN104463104A (zh) 一种静态车辆目标快速检测方法及装置
CN112328651B (zh) 基于毫米波雷达数据统计特征的交通目标识别方法
CN111783738A (zh) 一种通信辐射源异常运动轨迹检测方法
CN103559492A (zh) 一种车标识别装置及方法
Dinh et al. Vehicle classification and detection based coarse data for warning traffic jam in VietNam
Dongtao et al. Traffic sign detection method of improved ssd based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right

Effective date of registration: 20191118

Granted publication date: 20180410

PP01 Preservation of patent right
PD01 Discharge of preservation of patent

Date of cancellation: 20200714

Granted publication date: 20180410

PD01 Discharge of preservation of patent
CP02 Change in the address of a patent holder

Address after: 310000 room 1408, building 2, Caizhi Shunfeng innovation center, No. 99, housheng street, Gongshu District, Hangzhou City, Zhejiang Province

Patentee after: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.

Address before: 2 / F, building A04, 9 Jiusheng Road, Jianggan District, Hangzhou City, Zhejiang Province 310000

Patentee before: HANGZHOU CHINAOLY TECHNOLOGY CO.,LTD.

CP02 Change in the address of a patent holder