CN110532411B - 图片搜索热度获取方法、装置、计算机设备及存储介质 - Google Patents
图片搜索热度获取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110532411B CN110532411B CN201910662540.9A CN201910662540A CN110532411B CN 110532411 B CN110532411 B CN 110532411B CN 201910662540 A CN201910662540 A CN 201910662540A CN 110532411 B CN110532411 B CN 110532411B
- Authority
- CN
- China
- Prior art keywords
- picture
- searched
- search
- current
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了图片搜索热度获取方法、装置、计算机设备及存储介质。该方法包括:若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取得到对应的图片特征向量;在目标图片库中获取与图片特征向量之间的近似度超出近似度阈值的图片以作为搜索结果;获取搜索结果中与待搜索图片的近似度为最大值的目标图片;获取目标图片的当前搜索信息,根据其图片上传时间与目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;将当前累计搜索值及目标图片发送至用户端。该方法实现了通过输入较冷门的待搜索图片,可以反馈相关性更高、实时性更强、搜索热度更高的目标图片。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种图片搜索热度获取方法、装置、计算机设备及存储介质。
背景技术
目前,图片搜索在搜索引擎中得到了广泛应用,当用户使用用户端需要查询某一类型的图片时一般是输入关键词(如人名、电影角色名等),搜索引擎根据关键词对应在图片库中检索满足条件的图片后推送至用户端。但是用户在搜索引擎提供的搜索框中输入冷门的关键词搜索图片时,搜索引擎提供的图片相关度、时效性差,而且图片质量也不高。
发明内容
本发明实施例提供了一种图片搜索热度获取方法、装置、计算机设备及存储介质,旨在解决现有技术中用户在搜索引擎提供的搜索框中输入冷门的关键词搜索图片时,搜索引擎提供的图片相关度、时效性差,而且图片质量也不高的问题。
第一方面,本发明实施例提供了一种图片搜索热度获取方法,其包括:
若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量;
在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果;
获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片;
获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息;以及
将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端。
第二方面,本发明实施例提供了一种图片搜索热度获取装置,其包括:
图片接收单元,用于若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量;
搜索结果获取单元,用于在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果;
目标图片获取单元,用于获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片;
搜索值获取单元,用于获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息;以及
搜索值发送单元,用于将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端。
第三方面,本发明实施例又提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的图片搜索热度获取方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的图片搜索热度获取方法。
本发明实施例提供了一种图片搜索热度获取方法、装置、计算机设备及存储介质。该方法包括若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量;在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果;获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片;获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端。该方法实现了通过输入较冷门的待搜索图片,可以反馈相关性更高、实时性更强、搜索热度更高的目标图片。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图片搜索热度获取方法的应用场景示意图;
图2为本发明实施例提供的图片搜索热度获取方法的流程示意图;
图3为本发明实施例提供的图片搜索热度获取方法的子流程示意图;
图4为本发明实施例提供的图片搜索热度获取方法的另一子流程示意图;
图5为本发明实施例提供的图片搜索热度获取方法的另一流程示意图;
图6为本发明实施例提供的图片搜索热度获取装置的示意性框图;
图7为本发明实施例提供的图片搜索热度获取装置的子单元示意性框图;
图8为本发明实施例提供的图片搜索热度获取装置的另一子单元示意性框图;
图9为本发明实施例提供的图片搜索热度获取装置的另一示意性框图;
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的图片搜索热度获取方法的应用场景示意图;图2为本发明实施例提供的图片搜索热度获取方法的流程示意图,该图片搜索热度获取方法应用于服务器中,该方法通过安装于服务器中的应用软件进行执行。
如图2所示,该方法包括步骤S110~S150。
S110、若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量。
在本实施例中,为了更清楚的理解技术方案的使用场景,下面对所涉及到的终端进行介绍。其中,在本申请中,是在服务器的角度来描述技术方案。
一是服务器,服务器接收用户端上传的待搜索图片进行近似图片的搜索,将搜索得到的近似图片中与待搜索图片的近似度为最大值的目标图片、以及目标图片的当前搜索信息反馈至用户端。
二是用户端,用于向服务器上传待搜索图片以进行相似图片的检索。
当用户通过用户端将待搜索图片上传至服务器时,为了累计该待搜索图片的搜索热度以作为热门搜索排名时,可以先判断服务器中是否存储有与待搜索图片类似的图片,若有则在该图片的关注热度上增加对应的搜索值,以得到与该图片对应的当前搜索热度。
判断服务器中是否存储有与待搜索图片类似的图片是,是采用判断待搜索图片与服务器中图片是否类型近似的图片特征向量来判断。
在一实施例中,如图3所示,步骤S110包括:
S111、将待搜索图片进行预处理,得到预处理后图片,及与预处理后图片对应的图片像素矩阵;其中,将待搜索图片进行预处理为依序对所述待搜索图片进行灰度化、边缘检测和二值化处理;
S112、将与预处理后图片对应的图片像素矩阵输入至卷积神经网络模型中输入层,得到特征图;
S113、将特征图输入至卷积神经网络模型中池化层,得到与特征图对应的一维向量;
S114、将与特征图对应的一维向量输入至卷积神经网络模型中全连接层,得到与特征图对应的图片特征向量。
在本实施例中,在本实施例中,通过过卷积神经网络能快速提取图片特征向量。卷积神经网络通常包含以下几种层:
a)卷积层(Convolutional layer),卷积神经网路中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网络能从低级特征中迭代提取更复杂的特征。
b)线性整流层(Rectified LinearUnits layer,ReLU layer),这一层神经的活性化函数(Activation function)使用线性整流(Rectified LinearUnits,ReLU)。
c)池化层(Pooling layer),通常在卷积层之后会得到维度很大的特征,将特征切成几个区域,取其最大值或平均值,得到新的、维度较小的特征。
d)全连接层(Fully-Connected layer),把所有局部特征结合变成全局特征,用来计算最后每一类的得分。
对待搜索图片依次进行灰度化、边缘检测和二值化处理,即可得到预处理后图片。
由于彩色图像包含更多的信息,但是直接对彩色图像进行处理,服务器中的执行速度将会降低,储存空间也会变大。彩色图像的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理有很大的帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的除了有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼算子)等。
为了减少噪声的影响,需要对进行边缘检测后的图像进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,二值化处理后图像的像素值为0或者255。此时,即可得到预处理后图片,及与预处理后图片对应的图片像素矩阵。
在获取图片的图片特征向量时,先获取与预处理后图片对应的图片像素矩阵,然后将预处理后图片对应的图片像素矩阵作为卷积神经网络模型中输入层的输入,得到特征图,之后将特征图输入池化层,得到特征图对应的最大值所对应的一维向量,最后将特征图对应的最大值所对应的一维向量输入至全连接层,得到与预处理后图片对应的图片特征向量。
S120、在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果。
在本实施例中,当获取了与预处理后图片对应的图片特征向量后,需计算与目标图片库中各图片的特征向量之间的相似度,判断目标图片库中是否有与预处理后图片近似的图片(即判断在预先构建的目标图片库中是否有与所述图片特征向量之间的近似度超出预设近似度阈值的图片),若在所述目标图片库中存在与所述图片特征向量之间的近似度超出预设近似度阈值的图片,将目标图片库中与所述图片特征向量之间的近似度超出预设近似度阈值的图片作为搜索结果。
在一实施例中,步骤S120之前还包括:
将所述图片特征向量通过主成分分析降维,得到与所述图片特征向量对应的待搜索图片主向量。
在本实施例中,PCA(主成分分析)算法目的是在“信息”损失较小的前提下,将高维的数据转换到低维,通过析取主成分显出的最大的个别差异,也可以用来削减回归分析和聚类分析中变量的数目,从而减小计算量。PCA是一种较为常用的降维技术,PCA的思想是将维特征映射到维上,这维是全新的正交特征。这维特征称为主元,是重新构造出来的维特征。在PCA中,数据从原来的坐标系转换到新的坐标系下,新的坐标系的选择与数据本身是密切相关的。第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复,重复次数为原始数据中特征的数目。大部分方差都包含在最前面的几个新坐标轴中。因此,可以忽略余下的坐标轴,即对数据进行降维处理。
在一实施例中,步骤S120包括:
将待搜索图片主向量与所述目标图片库中各图片的主向量进行皮尔逊相似度计算,得到待搜索图片主向量与所述目标图片库中各图片的主向量之间的相似度。
在本实施例中,当将所述图片特征向量通过主成分分析降维得到待搜索图片主向量后,在计算待搜索图片主向量与目标图片库中各图片的主向量的相似程度时,可以皮尔逊相似度作为参考标准。皮尔逊相似度的取值范围是0~1,若越接近1则表示相似程度越高,若越接近0表示相似程度低。
计算任意两个向量之间的皮尔逊相似度,可以通过以下公式进行计算:
其中,E表示数学期望;
ρX,Y的取值范围是(0,1),当ρX,Y越接近1表示两个列向量的相似程度越高,当ρX,Y越接近0表示两个向量的相似程度越低。
S130、获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片。
在本实施例中,在获取了一个或多个搜索结果后,为了选定与待搜索图片最接近的图片,一般选择与待搜索图片的近似度为最大值的图片以作为目标图片。
S140、获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息。
在本实施例中,当获取了所述目标图片之后,需对应获取该目标图片的当前搜索信息。其中,所述当前搜索信息包括当前图片特征向量(图片数据库中每一图片都对应一个图片特征向量或主向量)、当前图片的历史搜索时间(表示该图片最近一次被搜索对应的时间)、当前图片的历史累计搜索值(表示该图片最近一次被搜索到后,获取其上一次被搜索到而累计得到的上一历史累计搜索值,上一历史累计搜索值加上上一搜索参数而得到历史累计搜索值)及图片原创者信息(表示该图片的版权所有人信息,这一版权所有人信息可与版权局的图片版权数据库中对应图片的版权所有人信息进行核对,以确保两者是一致的)。获取了所述目标图片的当前搜索信息,即可获取所述当前搜索信息中的历史搜索时间,而且此时也已知所述待搜索图片的图片上传时间,此时将所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值。此处通过指数运算来计算待搜索图片对应的当前累计搜索值,是充分考虑到了时间衰减效应,即同一张图片相邻两次被搜索到的时间间隔越短所产生的当前累计搜索值越大,同一张图片相邻两次被搜索到的时间间隔越长所产生的当前累计搜索值越小。
在一实施例中,如图4所示,步骤S140包括:
S141、获取所述目标图片的历史搜索时间及历史累计搜索值;
S142、获取所述待搜索图片的图片上传时间;
S143、获取所述待搜索图片的图片上传时间与所述目标图片的历史搜索时间的时间之差,将时间之差乘以-λ以作为欧拉数e的指数,计算得到当前搜索参数;λ为预设的调节参数;
S144、将当前搜索参数与历史累计搜索值相加,以得到与所述待搜索图片对应的当前累计搜索值。
在本实施例中,用户在本次上传了待搜索图片后,可以获知其图片上传时间,并计算图片上传时间与所述目标图片的历史搜索时间的时间之差Δt,之后以e-λΔt作为此次待搜索图片所产生的当前搜索参数;其中λ的取值范围为0-1,例如可设置为0.8。
当用户再次上传的另一待搜索图片对应检索到该目标图片,该目标图片的当前累计搜索值则作为其历史累计搜索值进行下一轮的运算。
S150、将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端。
在本实施例中,通过上述方式,实现了以待搜索图片为输入而检索最相似的图片作为目标图片,而且能同时获取目标图片的当前累计搜索值及当前搜索信息。最后将将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端,用户即可知道与待搜索图片对应的目标图片的当前累计搜索值(表示该图片的当前搜索热度),也可知道目标图片的原创者信息(在具体应用该待搜索图片时可联系图片的原创者以商讨付费使用事宜,以规避法律风险),获知了上述信息后用户即可获知待搜索图片的搜索热度,也能能有效的监测用户对各图片的关注程度。
在一实施例中,步骤S120之后还包括:
获取所述搜索结果中与待搜索图片的近似度为第二大值至预设的排名阈值之间的备选图片,以组成备选推荐图片集。
步骤S150之后还包括:
将所述备选推荐图片集发送至用户端。
在本实施例中,除了获取所述搜索结果中与待搜索图片的近似度为最大值的图片作为目标图片,还可同时获取所述搜索结果中与待搜索图片的近似度为第二大值至预设的排名阈值之间的备选图片(例如排名阈值预设为10),以组成备选推荐图片集。服务器除了将目标图片发送至用户端,也可同时将备选推荐图片集发送至用户端,这样用户可以查看到多个比较类似的图片。
在一实施例中,如图5所示,步骤S150之后还包括:
S160、若所述待搜索图片的原创者信息与所述目标图片的图片原创者信息不相同,将所述待搜索图片存在版权风险的提示信息发送至用户端。
在本实施例中,当所述待搜索图片的原创者信息与所述目标图片的图片原创者信息不相同,表示所述待搜索图片可能不是真正的原创者创作的,若直接使用会存在版权风险,此时将所述待搜索图片存在版权风险的提示信息发送至用户端。
该方法实现了通过输入较冷门的待搜索图片,可以反馈相关性更高、实时性更强、搜索热度更高的目标图片。
本发明实施例还提供一种图片搜索热度获取装置,该图片搜索热度获取装置用于执行前述图片搜索热度获取方法的任一实施例。具体地,请参阅图6,图6是本发明实施例提供的图片搜索热度获取装置的示意性框图。该图片搜索热度获取装置100可以配置于服务器中。
如图6所示,图片搜索热度获取装置100包括图片接收单元110、搜索结果获取单元120、目标图片获取单元130、搜索值获取单元140、搜索值发送单元150。
图片接收单元110,用于若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量。
在本实施例中,当用户通过用户端将待搜索图片上传至服务器时,为了累计该待搜索图片的搜索热度以作为热门搜索排名时,可以先判断服务器中是否存储有与待搜索图片类似的图片,若有则在该图片的关注热度上增加对应的搜索值,以得到与该图片对应的当前搜索热度。
判断服务器中是否存储有与待搜索图片类似的图片是,是采用判断待搜索图片与服务器中图片是否类型近似的图片特征向量来判断。
在一实施例中,如图7所示,图片接收单元110包括:
预处理单元111,用于将待搜索图片进行预处理,得到预处理后图片,及与预处理后图片对应的图片像素矩阵;其中,将待搜索图片进行预处理为依序对所述待搜索图片进行灰度化、边缘检测和二值化处理;
卷积单元112,用于将与预处理后图片对应的图片像素矩阵输入至卷积神经网络模型中输入层,得到特征图;
池化单元113,用于将特征图输入至卷积神经网络模型中池化层,得到与特征图对应的一维向量;
全连接单元114,用于将与特征图对应的一维向量输入至卷积神经网络模型中全连接层,得到与特征图对应的图片特征向量。
在本实施例中,对待搜索图片依次进行灰度化、边缘检测和二值化处理,即可得到预处理后图片。
由于彩色图像包含更多的信息,但是直接对彩色图像进行处理,服务器中的执行速度将会降低,储存空间也会变大。彩色图像的灰度化是图像处理的一种基本的方法,在模式识别领域得到广泛的运用,合理的灰度化将对图像信息的提取和后续处理有很大的帮助,能够节省储存空间,加快处理速度。
边缘检测的方法是考察图像的像素在某个领域内灰度的变化情况,标识数字图像中亮度变化明显的点。图像的边缘检测能够大幅度地减少数据量,并且剔除不相关的信息,保存图像重要的结构属性。用于边缘检测的算子很多,常用的除了有Sobel算子(即索贝尔算子),还有Laplacian边缘检测算子(即拉普拉斯边缘检测算子)、Canny边缘检测算子(即坎尼算子)等。
为了减少噪声的影响,需要对进行边缘检测后的图像进行二值化处理,二值化是对图像进行阈值化的一种类型。根据阈值的选取情况,二值化的方法可分为全局阈值法、动态阈值法和局部阈值法,常用最大类间方差法(也称Otsu算法)进行阈值化,来剔除一些梯度值较小的像素,二值化处理后图像的像素值为0或者255。此时,即可得到预处理后图片,及与预处理后图片对应的图片像素矩阵。
在获取图片的图片特征向量时,先获取与预处理后图片对应的图片像素矩阵,然后将预处理后图片对应的图片像素矩阵作为卷积神经网络模型中输入层的输入,得到特征图,之后将特征图输入池化层,得到特征图对应的最大值所对应的一维向量,最后将特征图对应的最大值所对应的一维向量输入至全连接层,得到与预处理后图片对应的图片特征向量。
搜索结果获取单元120,用于在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果。
在本实施例中,当获取了与预处理后图片对应的图片特征向量后,需计算与目标图片库中各图片的特征向量之间的相似度,判断目标图片库中是否有与预处理后图片近似的图片(即判断在预先构建的目标图片库中是否有与所述图片特征向量之间的近似度超出预设近似度阈值的图片),若在所述目标图片库中存在与所述图片特征向量之间的近似度超出预设近似度阈值的图片,将目标图片库中与所述图片特征向量之间的近似度超出预设近似度阈值的图片作为搜索结果。
在一实施例中,所述图片搜索热度获取装置100还包括:
降维单元,用于将所述图片特征向量通过主成分分析降维,得到与所述图片特征向量对应的待搜索图片主向量。
在本实施例中,PCA(主成分分析)算法目的是在“信息”损失较小的前提下,将高维的数据转换到低维,通过析取主成分显出的最大的个别差异,也可以用来削减回归分析和聚类分析中变量的数目,从而减小计算量。PCA是一种较为常用的降维技术,PCA的思想是将维特征映射到维上,这维是全新的正交特征。这维特征称为主元,是重新构造出来的维特征。在PCA中,数据从原来的坐标系转换到新的坐标系下,新的坐标系的选择与数据本身是密切相关的。第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复,重复次数为原始数据中特征的数目。大部分方差都包含在最前面的几个新坐标轴中。因此,可以忽略余下的坐标轴,即对数据进行降维处理。
在一实施例中,搜索结果获取单元120还用于:
将待搜索图片主向量与所述目标图片库中各图片的主向量进行皮尔逊相似度计算,得到待搜索图片主向量与所述目标图片库中各图片的主向量之间的相似度。
在本实施例中,当将所述图片特征向量通过主成分分析降维得到待搜索图片主向量后,在计算待搜索图片主向量与目标图片库中各图片的主向量的相似程度时,可以皮尔逊相似度作为参考标准。皮尔逊相似度的取值范围是0~1,若越接近1则表示相似程度越高,若越接近0表示相似程度低。
计算任意两个向量之间的皮尔逊相似度,可以通过以下公式进行计算:
其中,E表示数学期望;
ρX,Y的取值范围是(0,1),当ρX,Y越接近1表示两个列向量的相似程度越高,当ρX,Y越接近0表示两个向量的相似程度越低。
目标图片获取单元130,用于获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片。
在本实施例中,在获取了一个或多个搜索结果后,为了选定与待搜索图片最接近的图片,一般选择与待搜索图片的近似度为最大值的图片以作为目标图片。
搜索值获取单元140,用于获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息。
在本实施例中,当获取了所述目标图片之后,需对应获取该目标图片的当前搜索信息。其中,所述当前搜索信息包括当前图片特征向量(图片数据库中每一图片都对应一个图片特征向量或主向量)、当前图片的历史搜索时间(表示该图片最近一次被搜索对应的时间)、当前图片的历史累计搜索值(表示该图片最近一次被搜索到后,获取其上一次被搜索到而累计得到的上一历史累计搜索值,上一历史累计搜索值加上上一搜索参数而得到历史累计搜索值)及图片原创者信息(表示该图片的版权所有人信息,这一版权所有人信息可与版权局的图片版权数据库中对应图片的版权所有人信息进行核对,以确保两者是一致的)。获取了所述目标图片的当前搜索信息,即可获取所述当前搜索信息中的历史搜索时间,而且此时也已知所述待搜索图片的图片上传时间,此时将所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值。此处通过指数运算来计算待搜索图片对应的当前累计搜索值,是充分考虑到了时间衰减效应,即同一张图片相邻两次被搜索到的时间间隔越短所产生的当前累计搜索值越大,同一张图片相邻两次被搜索到的时间间隔越长所产生的当前累计搜索值越小。
在一实施例中,如图8所示,搜索值获取单元140包括:
历史搜索参数获取单元141,用于获取所述目标图片的历史搜索时间及历史累计搜索值;
图片上传时间获取单元142,用于获取所述待搜索图片的图片上传时间;
当前搜索参数获取单元143,用于获取所述待搜索图片的图片上传时间与所述目标图片的历史搜索时间的时间之差,将时间之差乘以-λ以作为欧拉数e的指数,计算得到当前搜索参数;λ为预设的调节参数;
累加单元144,用于将当前搜索参数与历史累计搜索值相加,以得到与所述待搜索图片对应的当前累计搜索值。
在本实施例中,用户在本次上传了待搜索图片后,可以获知其图片上传时间,并计算图片上传时间与所述目标图片的历史搜索时间的时间之差Δt,之后以e-λΔt作为此次待搜索图片所产生的当前搜索参数;其中λ的取值范围为0-1,例如可设置为0.8。
当用户再次上传的另一待搜索图片对应检索到该目标图片,该目标图片的当前累计搜索值则作为其历史累计搜索值进行下一轮的运算。
搜索值发送单元150,用于将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端。
在本实施例中,通过上述方式,实现了以待搜索图片为输入而检索最相似的图片作为目标图片,而且能同时获取目标图片的当前累计搜索值及当前搜索信息。最后将将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端,用户即可知道与待搜索图片对应的目标图片的当前累计搜索值(表示该图片的当前搜索热度),也可知道目标图片的原创者信息(在具体应用该待搜索图片时可联系图片的原创者以商讨付费使用事宜,以规避法律风险),获知了上述信息后用户即可获知待搜索图片的搜索热度,也能能有效的监测用户对各图片的关注程度。
在一实施例中,所述的图片搜索热度获取装置100还包括:
备选图片获取单元,用于获取所述搜索结果中与待搜索图片的近似度为第二大值至预设的排名阈值之间的备选图片,以组成备选推荐图片集。
所述的图片搜索热度获取装置100还包括:
备选图片发送单元,用于将所述备选推荐图片集发送至用户端。
在本实施例中,除了获取所述搜索结果中与待搜索图片的近似度为最大值的图片作为目标图片,还可同时获取所述搜索结果中与待搜索图片的近似度为第二大值至预设的排名阈值之间的备选图片(例如排名阈值预设为10),以组成备选推荐图片集。服务器除了将目标图片发送至用户端,也可同时将备选推荐图片集发送至用户端,这样用户可以查看到多个比较类似的图片。
在一实施例中,如图9所示,所述的图片搜索热度获取装置100还包括:
提示信息发送单元160,用于若所述待搜索图片的原创者信息与所述目标图片的图片原创者信息不相同,将所述待搜索图片存在版权风险的提示信息发送至用户端。
在本实施例中,当所述待搜索图片的原创者信息与所述目标图片的图片原创者信息不相同,表示所述待搜索图片可能不是真正的原创者创作的,若直接使用会存在版权风险,此时将所述待搜索图片存在版权风险的提示信息发送至用户端。
该装置实现了通过输入较冷门的待搜索图片,可以反馈相关性更高、实时性更强、搜索热度更高的目标图片。
上述图片搜索热度获取装置可以实现为计算机程序的形式,该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10,图10是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图10,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时,可使得处理器502执行图片搜索热度获取方法。
该处理器502用于提供计算和控制能力,支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行图片搜索热度获取方法。
该网络接口505用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图10中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现本发明实施例中的所述图片搜索热度获取方法。
本领域技术人员可以理解,图10中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图10所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例中的所述图片搜索热度获取方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种图片搜索热度获取方法,其特征在于,包括:
若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量;
在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果;
获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片;
获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息;以及
将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端;
所述获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值,包括:
获取所述目标图片的历史搜索时间及历史累计搜索值;
获取所述待搜索图片的图片上传时间;
获取所述待搜索图片的图片上传时间与所述目标图片的历史搜索时间的时间之差,将时间之差乘以-λ以作为欧拉数e的指数,计算得到当前搜索参数;λ为预设的调节参数;其中,λ的取值范围为0-1;
将当前搜索参数与历史累计搜索值相加,以得到与所述待搜索图片对应的当前累计搜索值。
2.根据权利要求1所述的图片搜索热度获取方法,其特征在于,所述获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片之后,还包括:
获取所述搜索结果中与待搜索图片的近似度为第二大值至预设的排名阈值之间的备选图片,以组成备选推荐图片集;
所述将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端之后,还包括:
将所述备选推荐图片集发送至用户端。
3.根据权利要求1所述的图片搜索热度获取方法,其特征在于,所述通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量,包括:
将待搜索图片进行预处理,得到预处理后图片,及与预处理后图片对应的图片像素矩阵;其中,将待搜索图片进行预处理为依序对所述待搜索图片进行灰度化、边缘检测和二值化处理;
将与预处理后图片对应的图片像素矩阵输入至卷积神经网络模型中输入层,得到特征图;
将特征图输入至卷积神经网络模型中池化层,得到与特征图对应的一维向量;
将与特征图对应的一维向量输入至卷积神经网络模型中全连接层,得到与特征图对应的图片特征向量。
4.根据权利要求1所述的图片搜索热度获取方法,其特征在于,所述在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果之前,还包括:
将所述图片特征向量通过主成分分析降维,得到与所述图片特征向量对应的待搜索图片主向量;
所述在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果,包括:
将待搜索图片主向量与所述目标图片库中各图片的主向量进行皮尔逊相似度计算,得到待搜索图片主向量与所述目标图片库中各图片的主向量之间的相似度。
5.根据权利要求1所述的图片搜索热度获取方法,其特征在于,所述将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端之后,还包括:
若所述待搜索图片的原创者信息与所述目标图片的图片原创者信息不相同,将所述待搜索图片存在版权风险的提示信息发送至用户端。
6.一种图片搜索热度获取装置,其特征在于,包括:
图片接收单元,用于若检测到用户端所上传的待搜索图片,通过卷积神经网络对待搜索图片进行特征提取,得到与待搜索图片对应的图片特征向量;
搜索结果获取单元,用于在预先构建的目标图片库中获取与所述图片特征向量之间的近似度超出预设近似度阈值的图片,以作为搜索结果;
目标图片获取单元,用于获取所述搜索结果中与待搜索图片的近似度为最大值的目标图片;
搜索值获取单元,用于获取所述目标图片的当前搜索信息,根据所述待搜索图片的图片上传时间与所述目标图片的当前搜索信息中历史搜索时间之差作为预设的调节参数的指数,以对应获取待搜索图片对应的当前累计搜索值;其中,所述当前搜索信息包括当前图片特征向量、当前图片的历史搜索时间、当前图片的历史累计搜索值及图片原创者信息;以及
搜索值发送单元,用于将所述当前累计搜索值、所述目标图片及与所述目标图片对应的当前搜索信息发送至用户端;
所述搜索值获取单元,包括:
历史搜索参数获取单元,用于获取所述目标图片的历史搜索时间及历史累计搜索值;
图片上传时间获取单元,用于获取所述待搜索图片的图片上传时间;
当前搜索参数获取单元,用于获取所述待搜索图片的图片上传时间与所述目标图片的历史搜索时间的时间之差,将时间之差乘以-λ以作为欧拉数e的指数,计算得到当前搜索参数;λ为预设的调节参数;其中,λ的取值范围为0-1;
累加单元,用于将当前搜索参数与历史累计搜索值相加,以得到与所述待搜索图片对应的当前累计搜索值。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的图片搜索热度获取方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至5任一项所述的图片搜索热度获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910662540.9A CN110532411B (zh) | 2019-07-22 | 图片搜索热度获取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910662540.9A CN110532411B (zh) | 2019-07-22 | 图片搜索热度获取方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532411A CN110532411A (zh) | 2019-12-03 |
CN110532411B true CN110532411B (zh) | 2024-07-02 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857893A (zh) * | 2019-01-16 | 2019-06-07 | 平安科技(深圳)有限公司 | 图片检索方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543815A (zh) | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 | |
US20090282025A1 (en) | Method for generating a representation of image content using image search and retrieval criteria | |
US8515935B1 (en) | Identifying related queries | |
EP2806374A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
WO2020019765A1 (zh) | 双目图像的深度估计方法及装置、设备、程序及介质 | |
US20080247675A1 (en) | Image-processing apparatus and image-processing method | |
CN111708939B (zh) | 基于情绪识别的推送方法、装置、计算机设备及存储介质 | |
CN108197638B (zh) | 对待评估样本进行分类的方法及装置 | |
CN110969143A (zh) | 基于图像识别的取证方法、系统、计算机设备及存储介质 | |
US9223804B2 (en) | Determining capacity of search structures | |
CN111598117B (zh) | 图像识别方法及装置 | |
Luostarinen et al. | Measuring the accuracy of automatic shoeprint recognition methods | |
CN116402539B (zh) | 基于大数据的拓客方法、系统、设备及存储介质 | |
CN112423134B (zh) | 视频内容推荐方法、装置、计算机设备及存储介质 | |
CN110598771A (zh) | 一种基于深度语义分割网络的视觉目标识别方法和装置 | |
CN110969090A (zh) | 基于深度神经网络的水果品质识别方法及装置 | |
CN115687670A (zh) | 图像搜索方法、装置、计算机可读存储介质及电子设备 | |
CN110532411B (zh) | 图片搜索热度获取方法、装置、计算机设备及存储介质 | |
Li et al. | A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization | |
CN111026921A (zh) | 基于图的关联关系获取方法、装置及计算机设备 | |
CN116415989A (zh) | 千兆潜在客户预测方法、装置、计算机设备及存储介质 | |
US11847829B2 (en) | Method, apparatus, electronic device, and computer storage medium for video processing | |
CN115393756A (zh) | 一种基于视觉图像的水印识别方法、装置、设备及介质 | |
CN113971241A (zh) | 一种图书馆寻书方法及智能寻书机器人 | |
CN108491527B (zh) | 信息推荐方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |