CN107239535A - 相似图片检索方法及装置 - Google Patents
相似图片检索方法及装置 Download PDFInfo
- Publication number
- CN107239535A CN107239535A CN201710401362.5A CN201710401362A CN107239535A CN 107239535 A CN107239535 A CN 107239535A CN 201710401362 A CN201710401362 A CN 201710401362A CN 107239535 A CN107239535 A CN 107239535A
- Authority
- CN
- China
- Prior art keywords
- target photo
- picture
- candidate
- pictures
- characteristic vector
- 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.)
- Pending
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
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种相似图片检索方法及装置。该方法包括:获取目标图片的多个显著性区域;提取所述多个显著性区域的卷积神经网络CNN特征;根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。该技术方案中,通过提取目标图片的多个显著性区域的CNN特征,并根据该多个显著性区域的CNN特征,获取目标图片的特征向量,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种相似图片检索方法及装置。
背景技术
随着通信技术的发展,手机的使用越来越广泛,用户可以使用手机拨打语音电话,通过手机安装的即时通信软件发送文字或图片,还可以使用手机上网浏览图片并进行保存。为了节约存储空间,手机在存储图片时,通常会对当前待存储图片与手机图片库中包括的已存储的图片的相似度检测,并提示用户删除相似度较高的图片。
发明内容
为克服相关技术中存在的问题,本公开实施例提供一种相似图片检索方法及装置。所述技术方案如下:
根据本公开实施例的第一方面,提供一种相似图片检索方法,包括:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
本公开的实施例提供的技术方案可以包括以下有益效果:通过提取目标图片的多个显著性区域的CNN特征,并根据该多个显著性区域的CNN特征,获取目标图片的特征向量,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
在一个实施例中,所述根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量包括:
通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
本公开的实施例提供的技术方案可以包括以下有益效果:通过VLAD对多个显著性区域的CNN特征进行编码,获取目标图片的特征向量,提高了获取目标图片的特征向量的效率和精确度。
在一个实施例中,所述根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片包括:
获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;
获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;
获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
本公开的实施例提供的技术方案可以包括以下有益效果:通过目标图片的特征向量与每个候选图片的特征向量的余弦距离,获取与目标图片匹配的所述相似图片,提高了不同图片相似度检测的精确度。
在一个实施例中,所述方法还包括:
获取目标图片的哈希值;
根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
本公开的实施例提供的技术方案可以包括以下有益效果:通过目标图片的哈希值可以迅速从图片库包括的多个待检图片中获取可能与目标图片相似度高的多个待检图片座位多个候选图片,减小了获取目标图片的相似图片的计算量,进而提高了图片相似度检测的效率。
在一个实施例中,所述根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组包括:
获取所述图片库包括的多个待检图片中每个待检图片的哈希值;
根据所述每个待检图片的哈希值,建立随机森林;
根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
本公开的实施例提供的技术方案可以包括以下有益效果:通过图片库包括的多个待检图片的哈希值组成的随机森林,从多个待检图片中获取多个候选图片,提高了获取候选图片的效率和精确度,进而提高了图片相似度检测的效率和精确度。
根据本公开实施例的第二方面,提供一种相似图片检索装置,包括:
第一获取模块,用于获取目标图片的多个显著性区域;
提取模块,用于提取所述多个显著性区域的卷积神经网络CNN特征;
第二获取模块,用于根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
第三获取模块,用于根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
在一个实施例中,所述第二获取模块包括:
第一获取子模块,用于通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
在一个实施例中,所述第三获取模块包括:
第二获取子模块,用于获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;
第三获取子模块,用于获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;
第四获取子模块,用于获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
在一个实施例中,所述装置还包括:
第四获取模块,用于获取目标图片的哈希值;
组成模块,用于根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
在一个实施例中,所述组成模块包括:
第五获取子模块,用于获取所述图片库包括的多个待检图片中每个待检图片的哈希值;
建立子模块,用于根据所述每个待检图片的哈希值,建立随机森林;
组成子模块,用于根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
根据本公开实施例的第三方面,提供一种相似图片检索装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现第一方面任一实施例所述方法的步骤。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1a是根据一示例性实施例示出的相似图片检索方法的流程图。
图1b是根据一示例性实施例示出的相似图片检索方法的流程图。
图1c是根据一示例性实施例示出的相似图片检索方法的流程图。
图1d是根据一示例性实施例示出的相似图片检索方法的流程图。
图2是根据一示例性实施例示出的相似图片检索方法的流程图。
图3是根据一示例性实施例示出的相似图片检索方法的流程图。
图4a是根据一示例性实施例示出的相似图片检索装置的结构示意图。
图4b是根据一示例性实施例示出的相似图片检索装置的结构示意图。
图4c是根据一示例性实施例示出的相似图片检索装置的结构示意图。
图4d是根据一示例性实施例示出的相似图片检索装置的结构示意图。
图4e是根据一示例性实施例示出的相似图片检索装置的结构示意图。
图5是根据一示例性实施例示出的相似图片检索装置的结构框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供的技术方案涉及终端或者服务器,所述终端可以为手机,平板电脑,个人电脑以及其他能够存储图片的设备;所述服务器可以为云服务器,本公开实施例对此不做限定。相关技术中,终端或服务器在检测目标图片的相似图片时,需要将目标图片和图片库中的每张图片包括的全部信息进行比对,因此图片相似度检测的计算量较大,效率较低,用户体验不佳。本公开的实施例提供的技术方案中,通过提取目标图片的多个显著性区域的CNN(Convolutional Neural Network,卷积神经网络)特征,并根据该多个显著性区域的CNN特征,获取目标图片的特征向量,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
图1a是根据一示例性实施例示出的一种相似图片检索方法的流程图,该方法用于终端或服务器。如图1a所示,该相似图片检索方法包括以下步骤101至104:
在步骤101中,获取目标图片的多个显著性区域。
示例的,本公开实施例以该相似图片检索方法应用于终端为例进行说明,在终端需要检索目标图片的相似图片时,可以首先对目标图片进行显著性检测,获取目标图片的多个显著性区域,通常该目标图片可以存在几百个显著性区域。具体的,终端可以采用Selective Search(选择性搜索)或者RPN(Region Proposal Network,区域建议网络)对目标图片进行显著性检测。
在步骤102中,提取多个显著性区域的CNN特征。
初始化时,终端可以搭建CNN网络,并向该CNN网络输入多个特征已知的图片,然后不断调整该CNN网络的各项参数,使得通过该CNN网络提取到的图片的特征与该图片的已知特征之间的差异小于预设标准。当通过该CNN网络提取到的图片的特征与图片的已知特征之间的差异小于预设标准时,终端即可利用该CNN网络提取目标图片的多个显著性区域中每个显著性区域的特征。具体的,可以将每个显著性区域作为一个单独的图片输入该CNN网络,该CNN网络输出的即为显著性区域的CNN特征。
在步骤103中,根据多个显著性区域的CNN特征,获取目标图片的特征向量。
示例的,终端可以通过VLAD(Vector of Locally Aggregated Descriptors,局部特征聚合描述符)对每个显著性区域的CNN特征进行编码,获取目标图片的特征向量。通过VLAD对多个显著性区域的CNN特征进行特征编码,获取目标图片的特征向量,提高了获取目标图片的特征向量的效率和精确度。
在步骤104中,根据目标图片的特征向量,从目标图片的候选图片组包括的多个候选图片中获取与目标图片匹配的相似图片。
示例的,终端可以获取本地保存的多张图片作为候选图片组成该目标图片的候选图片组。具体的,终端可以首先按照获取目标图片的特征向量的方法,获取候选图片组包括的多个候选图片中每个候选图片的特征向量,然后获取特征向量与目标图片的特征向量相似度较高的候选图片作为与目标图片匹配的相似图片。例如,终端在获取到每个候选图片的特征向量之后,可以依次计算每个候选图片的特征向量与目标图片的特征向量之间的差异度,并确定该差异度小于或等于预设差异阈值的候选图片作为与目标图片匹配的相似图片。具体的,假设目标图片的特征向量是长度为64的向量,每个候选图片的特征向量也是长度为64的向量,目标图片的特征向量与第一候选图片的特征向量的差异度为目标图片的特征向量与第一候选图片的特征向量不相同的元素的个数。
本公开的实施例提供的技术方案中,通过提取目标图片的多个显著性区域的CNN特征,并根据该多个显著性区域的CNN特征,获取目标图片的特征向量,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
在一个实施例中,如图1b所示,在步骤104中,根据目标图片的特征向量,从目标图片的候选图片组包括的多个候选图片中获取与目标图片匹配的相似图片,可以通过步骤1041至步骤1043实现:
在步骤1041中,获取候选图片组包括的多个候选图片中每个候选图片的特征向量。
在步骤1042中,获取目标图片的特征向量与每个候选图片的特征向量的余弦距离。
在步骤1043中,获取与目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与目标图片匹配的相似图片。
示例的,终端在获取到每个候选图片的特征向量之后,可以计算目标图片的特征向量与每个候选图片的特征向量的余弦距离,然后将该余弦距离小于预设阈值的候选图片滤除,将该余弦距离大于或等于预设阈值的候选图片作为与目标图片匹配的相似图片。
假设目标图片的特征向量A是长度为64的向量,每个候选图片的特征向量Bi也是长度为64的向量,目标图片的特征向量A与第一候选图片的特征向量B1的余弦距离余弦距离能够更精确的反映两个向量之间的差异性,若目标图片的特征向量A与第一候选图片的特征向量B1的余弦距离C大于或等于预设阈值,说明目标图片的特征向量A与第一候选图片的特征向量B1的差异性较小,进而可以说明目标图片与第一候选图片差异性较小,因此终端可以将该第一候选图片作为与目标图片匹配的相似图片。
本公开的实施例提供的技术方案中,通过目标图片的特征向量与每个候选图片的特征向量的余弦距离,获取与目标图片匹配的相似图片,提高了不同图片相似度检测的精确度。
在一个实施例中,如图1c所示,该方法还包括步骤105和步骤106:
在步骤105中,获取目标图片的哈希值。
在步骤106中,根据目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成目标图片的候选图片组。
示例的,终端在检索目标图片的相似图片时,可以首先获取本地存储的多张图片作为待检图片组成图片库,然后从该图片库中获取与目标图片匹配的相似图片。
终端在获取目标图片的哈希值时,可以首先将目标图片缩放到预设尺寸,然后将缩放后目标图片转为64级灰度图片,并计算该64级灰度图片中像素的灰度平均值,接着将每个像素的灰度与灰度平均值进行比较,若像素灰度大于或等于灰度平均值记为1,若像素灰度小于灰度平均值记为0,记录比较结果并按照像素顺序罗列,组成该目标图片的哈希值。具体的,终端可以首先将目标图片缩放到8*8,即缩放后的目标图片共包括64个像素,通过缩放即可去除不同目标图片的尺寸差异,然后将缩放后目标图片转为64级灰度图片,即每个像素的灰度值范围为[0,63],接着计算该64级灰度图片中像素的灰度平均值,最后将每个像素的灰度与灰度平均值进行比较,若像素灰度大于或等于灰度平均值记为1,若像素灰度小于灰度平均值记为0,记录比较结果并按照像素顺序罗列,构成了一个64位的二进制整数,该64位的二进制整数即为该目标图片的哈希值。
终端可以按照获取目标图片的哈希值的方法获取图片库包括的多个待检图片中每个待检图片的哈希值,然后哈希值与目标图片的哈希值相似度较高的候选图片作为与目标图片匹配的相似图片。
上述实施例同样适用于图1b所示的技术方案。
本公开的实施例提供的技术方案中,通过目标图片的哈希值可以迅速从图片库包括的多个待检图片中获取可能与目标图片相似度高的多个待检图片座位多个候选图片,减小了获取目标图片的相似图片的计算量,进而提高了图片相似度检测的效率。
在一个实施例中,如图1d所示,在步骤106中,根据目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成目标图片的候选图片组,可以通过步骤1061至步骤1063实现:
在步骤1061中,获取图片库包括的多个待检图片中每个待检图片的哈希值。
在步骤1062中,根据每个待检图片的哈希值,建立随机森林。
在步骤1063中,根据目标图片的哈希值和随机森林,从图片库包括的多个待检图片中获取多个候选图片组成目标图片的候选图片组。
示例的,终端可以根据每个待检图片的哈希值,建立K-D(Dimension,维度)随机森林。在获取到目标图片的哈希值之后,可以使用该K-D随机森林索引对目标图片的哈希值进行检索,获取哈希值与目标图片的哈希值相似度较高的多个候选图片组成目标图片的候选图片组。具体的,终端可以通过K-D随机森林索引采用海明距离对目标图片的哈希值进行检索。
本公开的实施例提供的技术方案中,通过图片库包括的多个待检图片的哈希值组成的随机森林,从多个待检图片中获取多个候选图片,提高了获取候选图片的效率和精确度,进而提高了图片相似度检测的效率和精确度。
下面通过几个实施例详细介绍实现过程。
图2是根据一示例性实施例示出的一种相似图片检索方法的流程图,执行主体为终端,如图2所示,包括以下步骤201至步骤211:
在步骤201中,终端获取本地保存的多个图片作为待检图片组成图片库。
在步骤202中,终端获取多个待检图片中每个待检图片的哈希值。
在步骤203中,终端根据每个待检图片的哈希值,建立K-D随机森林。
在步骤204中,终端获取目标图片的哈希值。
在步骤205中,终端根据目标图片的哈希值和该K-D随机森林,从图片库包括的多个待检图片中获取多个候选图片组成目标图片的候选图片组。
在步骤206中,终端获取该目标图片的多个显著性区域。
在步骤207中,终端提取该多个显著性区域中每个显著性区域的CNN特征。
在步骤208中,终端根据该每个显著性区域的CNN特征,获取目标图片的特征向量。
在步骤209中,终端获取候选图片组中每个候选图片的特征向量。
在步骤210中,终端获取目标图片的特征向量与每个候选图片的特征向量的余弦距离。
在步骤211中,终端获取与目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与目标图片匹配的相似图片。
本公开的实施例提供一种相似图片检索方法,终端可以通过哈希值从多个待检图片中获取候选图片,进而通过提取目标图片的多个显著性区域的CNN特征,获取目标图片的特征向量,然后根据目标图片的特征向量和每个候选图片的特征向量获取与目标图片匹配的相似图片,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
图3是根据一示例性实施例示出的一种相似图片检索方法的流程图,执行主体为服务器,如图3所示,包括以下步骤301至步骤311:
在步骤301中,服务器获取存储的或者互联网上的多个图片作为待检图片组成图片库。
在步骤302中,服务器获取多个待检图片中每个待检图片的哈希值。
在步骤303中,服务器根据每个待检图片的哈希值,建立K-D随机森林。
在步骤304中,服务器获取目标图片的哈希值。
在步骤305中,服务器根据目标图片的哈希值和该K-D随机森林,从图片库包括的多个待检图片中获取多个候选图片组成目标图片的候选图片组。
在步骤306中,服务器获取该目标图片的多个显著性区域。
在步骤307中,服务器提取该多个显著性区域中每个显著性区域的CNN特征。
在步骤308中,服务器根据该每个显著性区域的CNN特征,获取目标图片的特征向量。
在步骤309中,服务器获取候选图片组中每个候选图片的特征向量。
在步骤310中,服务器获取目标图片的特征向量与每个候选图片的特征向量的余弦距离。
在步骤311中,服务器获取与目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与目标图片匹配的相似图片。
本公开的实施例提供一种相似图片检索方法,服务器可以通过哈希值从多个待检图片中获取候选图片,进而通过提取目标图片的多个显著性区域的CNN特征,获取目标图片的特征向量,然后根据目标图片的特征向量和每个候选图片的特征向量获取与目标图片匹配的相似图片,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
下述为本公开装置实施例,可以用于执行本公开方法实施例。
图4a是根据一示例性实施例示出的一种相似图片检索装置40的结构示意图,该装置40可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4a所示,该相似图片检索装置40包括第一获取模块401,提取模块402,第二获取模块403和第三获取模块404。
其中,第一获取模块401,用于获取目标图片的多个显著性区域。
提取模块402,用于提取所述多个显著性区域的卷积神经网络CNN特征。
第二获取模块403,用于根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量。
第三获取模块404,用于根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
在一个实施例中,如图4b所示,所述第二获取模块403包括第一获取子模块4031。
所述第一获取子模块4031,用于通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
在一个实施例中,如图4c所示,所述第三获取模块404包括第二获取子模块4041,第三获取子模块4042和第四获取子模块4043。
其中,第二获取子模块4041,用于获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量。
第三获取子模块4042,用于获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离。
第四获取子模块4043,用于获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
在一个实施例中,如图4d所示,所述装置40还包括第四获取模块405和组成模块406。
其中,第四获取模块405,用于获取目标图片的哈希值。
组成模块406,用于根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
上述实施例同样适用于图4b和图4c所示的相似图片检索装置40。
在一个实施例中,如图4e所示,所述组成模块406包括第五获取子模块4061,建立子模块4062和组成子模块4063。
其中,第五获取子模块4061,用于获取所述图片库包括的多个待检图片中每个待检图片的哈希值。
建立子模块4062,用于根据所述每个待检图片的哈希值,建立随机森林。
组成子模块4063,用于根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
本公开的实施例提供一种相似图片检索装置,该装置可以通过哈希值从多个待检图片中获取候选图片,进而通过提取目标图片的多个显著性区域的CNN特征,获取目标图片的特征向量,然后根据目标图片的特征向量和每个候选图片的特征向量获取与目标图片匹配的相似图片,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
本公开实施例提供一种相似图片检索装置,该相似图片检索装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
在一个实施例中,上述处理器还可被配置为:通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
在一个实施例中,上述处理器还可被配置为:获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
在一个实施例中,上述处理器还可被配置为:获取目标图片的哈希值;根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
在一个实施例中,上述处理器还可被配置为:获取所述图片库包括的多个待检图片中每个待检图片的哈希值;根据所述每个待检图片的哈希值,建立随机森林;根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
本公开的实施例提供一种相似图片检索装置,该装置可以通过哈希值从多个待检图片中获取候选图片,进而通过提取目标图片的多个显著性区域的CNN特征,获取目标图片的特征向量,然后根据目标图片的特征向量和每个候选图片的特征向量获取与目标图片匹配的相似图片,减小了获取目标图片的特征向量的计算量,同时降低了同一物体在不同图片中的位置变化对相似图像识别的影响,提高了相似度检测的精确度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种用于相似图片检索装置50的结构框图,该装置50适用于终端设备。例如,装置50可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
装置50可以包括以下一个或多个组件:处理组件502,存储器504,电源组件506,多媒体组件508,音频组件510,输入/输出(I/O)的接口512,传感器组件514,以及通信组件516。
处理组件502通常控制装置50的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件502可以包括一个或多个模块,便于处理组件502和其他组件之间的交互。例如,处理组件502可以包括多媒体模块,以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置50的操作。这些数据的示例包括用于在装置50上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件506为装置50的各种组件提供电力。电源组件506可以包括电源管理系统,一个或多个电源,及其他与为装置50生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置50和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置50处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件510被配置为输出和/或输入音频信号。例如,音频组件510包括一个麦克风(MIC),当装置50处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中,音频组件510还包括一个扬声器,用于输出音频信号。
I/O接口512为处理组件502和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件514包括一个或多个传感器,用于为装置50提供各个方面的状态评估。例如,传感器组件514可以检测到装置50的打开/关闭状态,组件的相对定位,例如所述组件为装置50的显示器和小键盘,传感器组件514还可以检测装置50或装置50一个组件的位置改变,用户与装置50接触的存在或不存在,装置50方位或加速/减速和装置50的温度变化。传感器组件514可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件514还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件516被配置为便于装置50和其他设备之间有线或无线方式的通信。装置50可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件516还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置50可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器504,上述指令可由装置50的处理器520执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置50的处理器执行时,使得装置50能够执行上述相似图片检索方法,所述方法包括:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
在一个实施例中,所述根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量包括:通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
在一个实施例中,所述根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片包括:获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
在一个实施例中,所述方法还包括:获取目标图片的哈希值;根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
在一个实施例中,所述根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组包括:获取所述图片库包括的多个待检图片中每个待检图片的哈希值;根据所述每个待检图片的哈希值,建立随机森林;根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种相似图片检索方法,其特征在于,包括:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量包括:
通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片包括:
获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;
获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;
获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
4.根据权利要求1至3任意一项权利要求所述的方法,其特征在于,所述方法还包括:
获取目标图片的哈希值;
根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组包括:
获取所述图片库包括的多个待检图片中每个待检图片的哈希值;
根据所述每个待检图片的哈希值,建立随机森林;
根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
6.一种相似图片检索装置,其特征在于,包括:
第一获取模块,用于获取目标图片的多个显著性区域;
提取模块,用于提取所述多个显著性区域的卷积神经网络CNN特征;
第二获取模块,用于根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
第三获取模块,用于根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
7.根据权利要求6所述的装置,其特征在于,所述第二获取模块包括:
第一获取子模块,用于通过局部特征聚合描述符VLAD对每个所述显著性区域的CNN特征进行编码,获取所述目标图片的特征向量。
8.根据权利要求6所述的装置,其特征在于,所述第三获取模块包括:
第二获取子模块,用于获取所述候选图片组包括的多个候选图片中每个候选图片的特征向量;
第三获取子模块,用于获取所述目标图片的特征向量与每个候选图片的特征向量的余弦距离;
第四获取子模块,用于获取与所述目标图片的特征向量的余弦距离大于或等于预设阈值的特征向量对应的候选图片作为与所述目标图片匹配的相似图片。
9.根据权利要求6至8任意一项权利要求所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取目标图片的哈希值;
组成模块,用于根据所述目标图片的哈希值,从图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
10.根据权利要求9所述的装置,其特征在于,所述组成模块包括:
第五获取子模块,用于获取所述图片库包括的多个待检图片中每个待检图片的哈希值;
建立子模块,用于根据所述每个待检图片的哈希值,建立随机森林;
组成子模块,用于根据所述目标图片的哈希值和所述随机森林,从所述图片库包括的多个待检图片中获取多个候选图片组成所述目标图片的所述候选图片组。
11.一种相似图片检索装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标图片的多个显著性区域;
提取所述多个显著性区域的卷积神经网络CNN特征;
根据所述多个显著性区域的CNN特征,获取所述目标图片的特征向量;
根据所述目标图片的特征向量,从所述目标图片的候选图片组包括的多个候选图片中获取与所述目标图片匹配的相似图片。
12.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1至5任意一项权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710401362.5A CN107239535A (zh) | 2017-05-31 | 2017-05-31 | 相似图片检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710401362.5A CN107239535A (zh) | 2017-05-31 | 2017-05-31 | 相似图片检索方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239535A true CN107239535A (zh) | 2017-10-10 |
Family
ID=59984772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710401362.5A Pending CN107239535A (zh) | 2017-05-31 | 2017-05-31 | 相似图片检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239535A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967478A (zh) * | 2017-12-08 | 2018-04-27 | 奕响(大连)科技有限公司 | 一种简化dct像素灰度图片相似判定方法 |
CN108717436A (zh) * | 2018-05-08 | 2018-10-30 | 大连理工大学 | 一种基于显著性检测的商品目标快速检索方法 |
CN108921126A (zh) * | 2018-07-20 | 2018-11-30 | 北京开普云信息科技有限公司 | 一种自动识别签名章或手写签名的方法及装置 |
CN108984591A (zh) * | 2018-05-30 | 2018-12-11 | 深圳市赛亿科技开发有限公司 | 图片存储空间的管理方法和装置、计算机可读存储介质 |
CN109166615A (zh) * | 2018-07-11 | 2019-01-08 | 重庆邮电大学 | 一种随机森林哈希的医学ct图像存储与检索方法 |
CN109582813A (zh) * | 2018-12-04 | 2019-04-05 | 广州欧科信息技术股份有限公司 | 一种文物展品的检索方法、装置、设备和存储介质 |
CN109840129A (zh) * | 2019-01-30 | 2019-06-04 | 维沃移动通信有限公司 | 一种显示控制方法及电子设备 |
CN109948666A (zh) * | 2019-03-01 | 2019-06-28 | 广州杰赛科技股份有限公司 | 图像相似性识别方法、装置、设备及存储介质 |
CN110019905A (zh) * | 2017-10-13 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN110147461A (zh) * | 2019-04-30 | 2019-08-20 | 维沃移动通信有限公司 | 图像显示方法、装置、终端设备及计算机可读存储介质 |
CN110324659A (zh) * | 2018-03-29 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 一种视频特征提取方法及装置 |
CN110413801A (zh) * | 2019-07-31 | 2019-11-05 | 关振宇 | 基于大数据的智慧安防系统数据共享方法 |
CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
CN110532414A (zh) * | 2019-08-29 | 2019-12-03 | 深圳市商汤科技有限公司 | 一种图片检索方法及装置 |
CN110659614A (zh) * | 2019-09-25 | 2020-01-07 | Oppo广东移动通信有限公司 | 视频采样方法、装置、设备和存储介质 |
WO2020006961A1 (zh) * | 2018-07-03 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
CN111191058A (zh) * | 2019-12-27 | 2020-05-22 | 青岛海洋科学与技术国家实验室发展中心 | 一种图片检索方法 |
CN111291765A (zh) * | 2018-12-07 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 用于确定相似图片的方法和装置 |
CN111353062A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种图像检索方法、装置以及设备 |
CN112052350A (zh) * | 2020-08-25 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112115292A (zh) * | 2020-09-25 | 2020-12-22 | 海尔优家智能科技(北京)有限公司 | 图片搜索方法及装置、存储介质、电子装置 |
CN112329660A (zh) * | 2020-11-10 | 2021-02-05 | 浙江商汤科技开发有限公司 | 一种场景识别方法、装置、智能设备及存储介质 |
WO2021104097A1 (zh) * | 2019-11-29 | 2021-06-03 | 深圳先进技术研究院 | 表情包生成方法、装置及终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649665A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种面向图像检索的对象级深度特征聚合方法 |
CN106649688A (zh) * | 2016-12-16 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种图像检索方法及终端 |
CN106682233A (zh) * | 2017-01-16 | 2017-05-17 | 华侨大学 | 一种基于深度学习与局部特征融合的哈希图像检索方法 |
-
2017
- 2017-05-31 CN CN201710401362.5A patent/CN107239535A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649665A (zh) * | 2016-12-14 | 2017-05-10 | 大连理工大学 | 一种面向图像检索的对象级深度特征聚合方法 |
CN106649688A (zh) * | 2016-12-16 | 2017-05-10 | 深圳市华尊科技股份有限公司 | 一种图像检索方法及终端 |
CN106682233A (zh) * | 2017-01-16 | 2017-05-17 | 华侨大学 | 一种基于深度学习与局部特征融合的哈希图像检索方法 |
Non-Patent Citations (2)
Title |
---|
SUN S: "scalable object retrieval with compact image representation from general object regions", 《ACM TRANSACTIONS ON MULTIMEDIA COMPUTING ,COMMUNICATIONS, AND APPLICATIONS》 * |
郝华: "基于混合高斯模型匹配的纹理分类研究", 《万方数据库》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019905A (zh) * | 2017-10-13 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN110019905B (zh) * | 2017-10-13 | 2022-02-01 | 北京京东尚科信息技术有限公司 | 信息输出方法和装置 |
CN107967478A (zh) * | 2017-12-08 | 2018-04-27 | 奕响(大连)科技有限公司 | 一种简化dct像素灰度图片相似判定方法 |
US11055536B2 (en) | 2018-03-29 | 2021-07-06 | Beijing Bytedance Network Technology Co., Ltd. | Video feature extraction method and device |
CN110324659A (zh) * | 2018-03-29 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 一种视频特征提取方法及装置 |
CN110324659B (zh) * | 2018-03-29 | 2020-08-28 | 北京字节跳动网络技术有限公司 | 一种视频特征提取方法及装置 |
CN108717436A (zh) * | 2018-05-08 | 2018-10-30 | 大连理工大学 | 一种基于显著性检测的商品目标快速检索方法 |
CN108717436B (zh) * | 2018-05-08 | 2021-11-05 | 大连理工大学 | 一种基于显著性检测的商品目标快速检索方法 |
CN108984591A (zh) * | 2018-05-30 | 2018-12-11 | 深圳市赛亿科技开发有限公司 | 图片存储空间的管理方法和装置、计算机可读存储介质 |
WO2020006961A1 (zh) * | 2018-07-03 | 2020-01-09 | 北京字节跳动网络技术有限公司 | 用于提取图像的方法和装置 |
CN109166615A (zh) * | 2018-07-11 | 2019-01-08 | 重庆邮电大学 | 一种随机森林哈希的医学ct图像存储与检索方法 |
CN109166615B (zh) * | 2018-07-11 | 2021-09-10 | 重庆邮电大学 | 一种随机森林哈希的医学ct图像存储与检索方法 |
CN108921126A (zh) * | 2018-07-20 | 2018-11-30 | 北京开普云信息科技有限公司 | 一种自动识别签名章或手写签名的方法及装置 |
CN109582813B (zh) * | 2018-12-04 | 2021-10-01 | 广州欧科信息技术股份有限公司 | 一种文物展品的检索方法、装置、设备和存储介质 |
CN109582813A (zh) * | 2018-12-04 | 2019-04-05 | 广州欧科信息技术股份有限公司 | 一种文物展品的检索方法、装置、设备和存储介质 |
CN111291765A (zh) * | 2018-12-07 | 2020-06-16 | 北京京东尚科信息技术有限公司 | 用于确定相似图片的方法和装置 |
CN111353062A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种图像检索方法、装置以及设备 |
CN109840129A (zh) * | 2019-01-30 | 2019-06-04 | 维沃移动通信有限公司 | 一种显示控制方法及电子设备 |
CN109948666A (zh) * | 2019-03-01 | 2019-06-28 | 广州杰赛科技股份有限公司 | 图像相似性识别方法、装置、设备及存储介质 |
CN110147461A (zh) * | 2019-04-30 | 2019-08-20 | 维沃移动通信有限公司 | 图像显示方法、装置、终端设备及计算机可读存储介质 |
CN110413801A (zh) * | 2019-07-31 | 2019-11-05 | 关振宇 | 基于大数据的智慧安防系统数据共享方法 |
CN110490250A (zh) * | 2019-08-19 | 2019-11-22 | 广州虎牙科技有限公司 | 一种人工智能训练集的获取方法及装置 |
CN110532414A (zh) * | 2019-08-29 | 2019-12-03 | 深圳市商汤科技有限公司 | 一种图片检索方法及装置 |
CN110532414B (zh) * | 2019-08-29 | 2022-06-21 | 深圳市商汤科技有限公司 | 一种图片检索方法及装置 |
CN110659614A (zh) * | 2019-09-25 | 2020-01-07 | Oppo广东移动通信有限公司 | 视频采样方法、装置、设备和存储介质 |
WO2021104097A1 (zh) * | 2019-11-29 | 2021-06-03 | 深圳先进技术研究院 | 表情包生成方法、装置及终端设备 |
CN111191058A (zh) * | 2019-12-27 | 2020-05-22 | 青岛海洋科学与技术国家实验室发展中心 | 一种图片检索方法 |
CN111191058B (zh) * | 2019-12-27 | 2023-08-29 | 青岛海洋科技中心 | 一种图片检索方法 |
CN112052350A (zh) * | 2020-08-25 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112052350B (zh) * | 2020-08-25 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 一种图片检索方法、装置、设备和计算机可读存储介质 |
CN112115292A (zh) * | 2020-09-25 | 2020-12-22 | 海尔优家智能科技(北京)有限公司 | 图片搜索方法及装置、存储介质、电子装置 |
CN112329660B (zh) * | 2020-11-10 | 2024-05-24 | 浙江商汤科技开发有限公司 | 一种场景识别方法、装置、智能设备及存储介质 |
WO2022100133A1 (zh) * | 2020-11-10 | 2022-05-19 | 浙江商汤科技开发有限公司 | 场景识别方法、装置、智能设备、存储介质和计算机程序 |
CN112329660A (zh) * | 2020-11-10 | 2021-02-05 | 浙江商汤科技开发有限公司 | 一种场景识别方法、装置、智能设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239535A (zh) | 相似图片检索方法及装置 | |
CN104700353B (zh) | 图像滤镜生成方法及装置 | |
CN103955481B (zh) | 图片显示方法和装置 | |
CN105159871B (zh) | 文本信息检测方法及装置 | |
CN107193983A (zh) | 图像搜索方法及装置 | |
CN105631403A (zh) | 人脸识别方法及装置 | |
CN105631408A (zh) | 基于视频的面孔相册处理方法和装置 | |
CN104021350A (zh) | 隐私信息隐藏方法及装置 | |
CN106528709A (zh) | 社交信息推荐方法及装置 | |
CN107832741A (zh) | 人脸特征点定位的方法、装置及计算机可读存储介质 | |
CN106485567B (zh) | 物品推荐方法及装置 | |
CN105426878B (zh) | 人脸聚类方法及装置 | |
CN105404863A (zh) | 人物特征识别方法及系统 | |
CN104731880A (zh) | 图片排序方法和装置 | |
CN105354560A (zh) | 指纹识别方法及装置 | |
CN110717399A (zh) | 人脸识别方法和电子终端设备 | |
CN106550252A (zh) | 信息的推送方法、装置及设备 | |
CN105100193A (zh) | 云名片推荐方法及装置 | |
CN105975961A (zh) | 人脸识别的方法、装置及终端 | |
CN105511777A (zh) | 触控显示屏上的会话显示方法及装置 | |
CN106547850A (zh) | 表情注释方法及装置 | |
CN107560611A (zh) | 运动路线获取方法及装置 | |
CN107608714A (zh) | 字节对齐方法、装置及计算机可读存储介质 | |
CN105551047A (zh) | 图片内容的检测方法和装置 | |
CN104850592B (zh) | 生成模型文件的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |