CN111651624A - 一种图像检索方法及装置 - Google Patents
一种图像检索方法及装置 Download PDFInfo
- Publication number
- CN111651624A CN111651624A CN202010531024.5A CN202010531024A CN111651624A CN 111651624 A CN111651624 A CN 111651624A CN 202010531024 A CN202010531024 A CN 202010531024A CN 111651624 A CN111651624 A CN 111651624A
- Authority
- CN
- China
- Prior art keywords
- target
- feature vector
- determining
- image
- images
- 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
Links
Images
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
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/55—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种图像检索方法及装置,其中,该方法包括:获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;根据所述相似度确定与所述目标图像匹配的检索结果,可以解决相关技术中通过特征向量的符号位与待检索图像的特征的匹配程度确定检索结果,存在效率低的问题,对特征向量所属类别进行筛选,提升了图像特征的比对速度和效率。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种图像检索方法及装置。
背景技术
随着人工智能技术在诸多领域的运用落地,在图像处理技术领域,特别是人脸抓拍、识别等方面应用已逐渐成熟。而为了进一步对抓拍识别人员进行确认、跟踪,甚至轨迹、频次分析,图像比对以及检索技术的速度以及准确性是其实现的关键。随着应用场景逐步扩展到市甚至省级规模,常驻人口库的规模数以亿计,且随着抓拍点位不断增多,累计抓拍量数以百亿计,面对如此大规模的检索比对需求,比对实施的方法、算力、存储都面临巨大的挑战。
相关技术中通过汉明距离过滤图像特征比对卡的比对量,提高比对效率。由于汉明距离的计算方式,是通过统计特征向量的符号位与待检索特征的匹配程度来过滤,丢失了图像信息,过滤准确性不确定,且效率低。
针对相关技术中通过特征向量的符号位与待检索图像的特征的匹配程度确定检索结果,存在效率低的问题,尚未提出解决方案。
发明内容
本发明实施例提供了一种图像检索方法及装置,以至少解决相关技术中通过特征向量的符号位与待检索图像的特征的匹配程度确定检索结果,过滤准确性不确定的问题。
根据本发明的一个实施例,提供了一种图像检索方法,包括:
获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
根据所述相似度确定与所述目标图像匹配的检索结果。
可选地,在获取待检索的目标图像的目标特征向量之前,所述方法还包括:
获取所述图像库的全部图像的数量;
根据所述图像数量确定训练集的目标数量;
获取所述目标数量个图像的特征向量,并存储到所述训练集中;
通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
可选地,所述方法还包括:
获取所述图像库的全部图像的特征向量;
确定所述全部图像的特征向量与所述中心特征向量的相似度;
分别确定所述相似度最大的中心特征向量为所述全部图像的特征向量对应的中心特征向量;
存储所述数据库中全部图像的特征向量与所述中心特征向量的对应关系。
可选地,所述方法还包括:
通过以下方式根据所述图像数量确定所述训练集的所述目标数量:
N=C2*K,
其中,Q为所述图像库中全部图像的数量,N为所述目标数量,K为所述中心特征向量的数量,C1、C2为自然数。
可选地,确定所述目标特征向量对应的中心特征向量包括:
确定所述目标特征向量与所述中心特征向量的相似度;
确定所述相似度最大的中心特征向量为所述目标特征向量对应的中心特征向量。
可选地,根据所述相似度确定与所述目标图像匹配的检索结果包括:
将所述相似度进行排序;
确定所述相似度值最大的特征向量对应的图像为与所述目标图像匹配的检索结果;或者,
确定所述相似度较大的多个特征向量对应的图像为与所述目标图像匹配的检索结果。
根据本发明的另一个实施例,还提供了一种图像检索装置,包括:
第一获取模块,用于获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
第一确定模块,用于根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
第二获取模块,用于获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
第二确定模块,用于根据所述相似度确定与所述目标图像匹配的检索结果。
可选地,所述装置还包括:
第三获取模块,用于获取所述图像库的全部图像的数量;
第三确定模块,用于根据所述图像数量确定训练集的目标数量;
第四获取模块,用于获取所述目标数量个图像的特征向量,并存储到所述训练集中;
第四确定模块,用于通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
可选地,所述装置还包括:
第五获取模块,用于获取所述图像库的全部图像的特征向量;
第五确定模块,用于确定所述全部图像的特征向量与所述中心特征向量的相似度;
第六确定模块,用于分别确定所述相似度最大的中心特征向量为所述全部图像的特征向量对应的中心特征向量;
存储模块,用于存储所述数据库中全部图像的特征向量与所述中心特征向量的对应关系。
可选地,所述第三确定模块,还用于通过以下方式根据所述图像数量确定所述训练集的所述目标数量:
N=C2*K,
其中,Q为所述图像库中全部图像的数量,N为所述目标数量,K为所述中心特征向量的数量,C1、C2为自然数。
可选地,所述第一获取模块包括:
第一确定子模块,用于确定所述目标特征向量与所述中心特征向量的相似度;
第二确定子模块,用于确定所述相似度最大的中心特征向量为所述目标特征向量对应的中心特征向量。
可选地,所述第二确定模块包括:
排序子模块,用于将所述相似度进行排序;
第三确定子模块,用于确定所述相似度值最大的特征向量对应的图像为与所述目标图像匹配的检索结果;或者,
第四确定子模块,用于确定所述相似度较大的多个特征向量对应的图像为与所述目标图像匹配的检索结果。
根据本发明的又一个实施例,还提供了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;根据所述相似度确定与所述目标图像匹配的检索结果,可以解决相关技术中通过特征向量的符号位与待检索图像的特征的匹配程度确定检索结果,存在效率低的问题,对特征向量所属类别进行筛选,提升了图像特征的比对速度和效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的图像检索方法的移动终端的硬件结构框图;
图2是根据本发明实施例的图像检索方法的流程图;
图3是根据本发明实施例的特征向量训练的流程图;
图4是根据本发明实施例的确定注册图像库的流程图;
图5是根据本发明实施例的图像检索的流程图;
图6是根据本发明实施例的图像比对检索装置的框图;
图7是根据本发明实施例的图像检索装置的框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的图像检索方法的移动终端的硬件结构框图,如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的图像检索方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述移动终端或网络架构的图像检索方法,图2是根据本发明实施例的图像检索方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
步骤S204,根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
步骤S206,获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
步骤S208,根据所述相似度确定与所述目标图像匹配的检索结果。
本发明实施例中,上述步骤S208具体可以包括:将所述相似度进行排序;确定所述相似度值最大的特征向量对应的图像为与所述目标图像匹配的检索结果;或者,确定所述相似度较大的多个特征向量对应的图像为与所述目标图像匹配的检索结果。
通过上述步骤S202至S208,获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;根据所述相似度确定与所述目标图像匹配的检索结果,可以解决相关技术中通过特征向量的符号位与待检索图像的特征的匹配程度确定检索结果,存在效率低的问题,对特征向量所属类别进行筛选,提升了图像特征的比对速度和效率。
在一可选的实施例中,在获取待检索的目标图像的目标特征向量之前,获取所述图像库的全部图像的数量;根据所述图像数量确定训练集的目标数量,进一步地,通过以下方式根据所述图像数量确定所述训练集的所述目标数量:
获取所述目标数量个图像的特征向量,并存储到所述训练集中;通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
在另一可选的实施例中,获取所述图像库的全部图像的特征向量;确定所述全部图像的特征向量与所述中心特征向量的相似度;分别确定所述相似度最大的中心特征向量为所述全部图像的特征向量对应的中心特征向量;存储所述数据库中全部图像的特征向量与所述中心特征向量的对应关系。
本发明实施例中,上述步骤S202具体可以包括:确定所述目标特征向量与所述中心特征向量的相似度;确定所述相似度最大的中心特征向量为所述目标特征向量对应的中心特征向量。
本发明实施例通过k均值聚类算法将海量数据聚类成有限类别,结合比对卡的超强算力对特征向量所属类别进行筛选,显著提升图像特征比对卡比对速度和效率,加速图像特征比对卡比对速度具体包括:
1、特征向量训练;
图3是根据本发明实施例的特征向量训练的流程图,如图3所示,包括:
步骤S301,获取N个图像的特征向量作为训练集;
步骤S302,利用k均值聚类算法对将获取的训练集进行聚类训练,获得K个中心特征向量,特别地,训练集特征向量数量N跟中心向量数量K可根据注册图像库容量Q按如下公式计算:
2、确定注册图像库,图4是根据本发明实施例的确定注册图像库的流程图,如图4所示,包括:
步骤S401,获取注册图像库的全部特征向量;
步骤S402,将获取的特征向量逐一与步骤S302获得的中心特征向量进行余弦相似度计算,获取最相似的中心特征向量;
步骤S403,将注册图像库的特征向量及其对应的中心特征向量ID存储于图像特征比对卡中。
3、图像检索,图5是根据本发明实施例的图像检索的流程图,如图5所示,包括:
步骤S501,获取待检索图像的特征向量;
步骤S502,将该特征向量与步骤S302获得的中心特征向量进行余弦相似度计算,获取1个或多个最相似的中心特征向量类别ID;
步骤S503,将注册图像库中中心特征向量类别ID与获取的类别ID一致的特征向量使能标志设为1,参与后续比对计算,否则设为0;
步骤S504,将待检索图像特征向量与步骤8获得的使能标志位1的注册图像库特征向量进行余弦相似度计算,得到余弦距离;
步骤S505,对获得的余弦距离进行排序,取前TOP K个结果并返回,作为检索结果。
图6是根据本发明实施例的图像比对检索装置的框图,如图6所示,包括控制器62、处理器64、存储器66以及与所述控制器62耦接的多个比对卡;所述比对卡包括处理器1以及存储器1,所述处理器1耦接所述控制器62和所述存储器1;特殊地,所述处理器1为现场可编程门阵列(Field-Programmable Gate Array,简称为FPGA)。
所述存储器66用于存储中心特征向量;所述存储器1用于存储注册特征向量及与其对应的中心向量类别ID。
所述控制器62用于将待检索图像的特征向量发送给所述处理器,并将所述处理器返回的1个或多个最相似的中心向量类别跟待检索图像特征向量一起发送给所述比对卡。
所述处理器用于将注册特征向量与中心特征向量进行余弦相似度计算,获得注册特征对应的中心向量类别,并通过所述控制器62将注册特征向量跟其对应的中心向量类别存储于所述存储1。
所述处理器还用于将待检索图像的特征向量与中心特征向量进行余弦相似度计算,获得待检索图像特征对应的1个或多个中心向量类别。
所述处理器1用于将待检索图像特征向量与注册库中中心向量类别一致的特征向量进行余弦相似度计算,获得最终比对结果。
本发明实施例利用k均值算法对图像特征进行空间分布上的分类,而非细化到具体的人物,针对海量数据其类别大大减少,这样避免了中心向量过多带来的聚类不准确问题;利用比对卡来做类别筛选,这样能极大发挥FPGA的算力优势,比直接制作倒排文档数据库更简单,且筛选速度更快;利用k均值将注册图像特征库进行分类,是利用了原始特征的空间分布信息,相比他分类方式,比如利用汉明距离,能极大保留特征所代表的图像信息,筛选结果更准确,且中心向量类别的存储更节省了存储器66空间。
实施例2
根据本发明的另一个实施例,还提供了一种图像检索装置,图7是根据本发明实施例的图像检索装置的框图,如图7所示,包括:
第一获取模块72,用于获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
第一确定模块74,用于根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
第二获取模块76,用于获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
第二确定模块78,用于根据所述相似度确定与所述目标图像匹配的检索结果。
可选地,所述装置还包括:
第三获取模块,用于获取所述图像库的全部图像的数量;
第三确定模块,用于根据所述图像数量确定训练集的目标数量;
第四获取模块,用于获取所述目标数量个图像的特征向量,并存储到所述训练集中;
第四确定模块,用于通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
可选地,所述装置还包括:
第五获取模块,用于获取所述图像库的全部图像的特征向量;
第五确定模块,用于确定所述全部图像的特征向量与所述中心特征向量的相似度;
第六确定模块,用于分别确定所述相似度最大的中心特征向量为所述全部图像的特征向量对应的中心特征向量;
存储模块,用于存储所述数据库中全部图像的特征向量与所述中心特征向量的对应关系。
可选地,所述第三确定模块,还用于通过以下方式根据所述图像数量确定所述训练集的所述目标数量:
N=C2*K,
其中,Q为所述图像库中全部图像的数量,N为所述目标数量,K为所述中心特征向量的数量,C1、C2为自然数。
可选地,所述第一获取模块72包括:
第一确定子模块,用于确定所述目标特征向量与所述中心特征向量的相似度;
第二确定子模块,用于确定所述相似度最大的中心特征向量为所述目标特征向量对应的中心特征向量。
可选地,所述第二确定模块76包括:
排序子模块,用于将所述相似度进行排序;
第三确定子模块,用于确定所述相似度值最大的特征向量对应的图像为与所述目标图像匹配的检索结果;或者,
第四确定子模块,用于确定所述相似度较大的多个特征向量对应的图像为与所述目标图像匹配的检索结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
S2,根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
S3,获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
S4,根据所述相似度确定与所述目标图像匹配的检索结果。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例4
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
S2,根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
S3,获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
S4,根据所述相似度确定与所述目标图像匹配的检索结果。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像检索方法,其特征在于,包括:
获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
根据所述相似度确定与所述目标图像匹配的检索结果。
2.根据权利要求1所述的方法,其特征在于,在获取待检索的目标图像的目标特征向量之前,所述方法还包括:
获取所述图像库的全部图像的数量;
根据所述图像数量确定训练集的目标数量;
获取所述目标数量个图像的特征向量,并存储到所述训练集中;
通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述图像库的全部图像的特征向量;
确定所述全部图像的特征向量与所述中心特征向量的相似度;
分别确定所述相似度最大的中心特征向量为所述全部图像的特征向量对应的中心特征向量;
存储所述数据库中全部图像的特征向量与所述中心特征向量的对应关系。
5.根据权利要求2所述的方法,其特征在于,确定所述目标特征向量对应的中心特征向量包括:
确定所述目标特征向量与所述中心特征向量的相似度;
确定所述相似度最大的中心特征向量为所述目标特征向量对应的中心特征向量。
6.根据权利要求1至5中任一项所述的方法,其特征在于,根据所述相似度确定与所述目标图像匹配的检索结果包括:
将所述相似度进行排序;
确定所述相似度值最大的特征向量对应的图像为与所述目标图像匹配的检索结果;或者,
确定所述相似度较大的多个特征向量对应的图像为与所述目标图像匹配的检索结果。
7.一种图像检索装置,其特征在于,包括:
第一获取模块,用于获取待检索的目标图像的目标特征向量,并确定所述目标特征向量对应的目标中心特征向量;
第一确定模块,用于根据预先存储的图像库中全部图像的特征向量与中心特征向量的对应关系确定与所述目标中心特征向量相似度最大的中心特征向量;
第二获取模块,用于获取所述相似度最大的中心特征向量对应的多个特征向量,并分别确定所述目标特征向量与所述多个特征向量的相似度;
第二确定模块,用于根据所述相似度确定与所述目标图像匹配的检索结果。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取所述图像库的全部图像的数量;
第三确定模块,用于根据所述图像数量确定训练集的目标数量;
第四获取模块,用于获取所述目标数量个图像的特征向量,并存储到所述训练集中;
第四确定模块,用于通过k均值聚类方法确定所述训练集中所述目标数量个图像的特征向量对应的中心特征向量。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6中任一项所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531024.5A CN111651624B (zh) | 2020-06-11 | 2020-06-11 | 一种图像检索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010531024.5A CN111651624B (zh) | 2020-06-11 | 2020-06-11 | 一种图像检索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651624A true CN111651624A (zh) | 2020-09-11 |
CN111651624B CN111651624B (zh) | 2023-09-19 |
Family
ID=72351383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010531024.5A Active CN111651624B (zh) | 2020-06-11 | 2020-06-11 | 一种图像检索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651624B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112925937A (zh) * | 2021-02-22 | 2021-06-08 | 浙江大华技术股份有限公司 | 图像筛选方法、装置、存储介质及电子装置 |
CN113255828A (zh) * | 2021-06-17 | 2021-08-13 | 长沙海信智能系统研究院有限公司 | 特征检索方法、装置、设备及计算机存储介质 |
CN113792171A (zh) * | 2021-11-15 | 2021-12-14 | 西安热工研究院有限公司 | 基于内存管理的图像检索方法、系统、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324949A (zh) * | 2012-03-21 | 2013-09-25 | 阿里巴巴集团控股有限公司 | 从图像中识别物体的方法和装置 |
CN106033549A (zh) * | 2015-03-16 | 2016-10-19 | 北京大学 | 一种车辆检索中的重排序方法及装置 |
WO2018166273A1 (zh) * | 2017-03-17 | 2018-09-20 | 北京京东尚科信息技术有限公司 | 高维图像特征匹配方法和装置 |
CN110084268A (zh) * | 2019-03-18 | 2019-08-02 | 浙江大华技术股份有限公司 | 图像比对方法、人脸识别方法及装置、计算机存储介质 |
CN110275970A (zh) * | 2019-06-21 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 图像检索的方法、装置、服务器及存储介质 |
CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
-
2020
- 2020-06-11 CN CN202010531024.5A patent/CN111651624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324949A (zh) * | 2012-03-21 | 2013-09-25 | 阿里巴巴集团控股有限公司 | 从图像中识别物体的方法和装置 |
CN106033549A (zh) * | 2015-03-16 | 2016-10-19 | 北京大学 | 一种车辆检索中的重排序方法及装置 |
WO2018166273A1 (zh) * | 2017-03-17 | 2018-09-20 | 北京京东尚科信息技术有限公司 | 高维图像特征匹配方法和装置 |
CN110084268A (zh) * | 2019-03-18 | 2019-08-02 | 浙江大华技术股份有限公司 | 图像比对方法、人脸识别方法及装置、计算机存储介质 |
CN110275970A (zh) * | 2019-06-21 | 2019-09-24 | 北京达佳互联信息技术有限公司 | 图像检索的方法、装置、服务器及存储介质 |
CN110609916A (zh) * | 2019-09-25 | 2019-12-24 | 四川东方网力科技有限公司 | 视频图像数据检索方法、装置、设备和存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668632A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112668632B (zh) * | 2020-12-25 | 2022-04-08 | 浙江大华技术股份有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN112925937A (zh) * | 2021-02-22 | 2021-06-08 | 浙江大华技术股份有限公司 | 图像筛选方法、装置、存储介质及电子装置 |
CN113255828A (zh) * | 2021-06-17 | 2021-08-13 | 长沙海信智能系统研究院有限公司 | 特征检索方法、装置、设备及计算机存储介质 |
CN113792171A (zh) * | 2021-11-15 | 2021-12-14 | 西安热工研究院有限公司 | 基于内存管理的图像检索方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111651624B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651624B (zh) | 一种图像检索方法及装置 | |
CN110362677B (zh) | 文本数据类别的识别方法及装置、存储介质、计算机设备 | |
US10810870B2 (en) | Method of processing passage record and device | |
Ren et al. | Learning LBP structure by maximizing the conditional mutual information | |
CN106228188A (zh) | 聚类方法、装置及电子设备 | |
CN112016623A (zh) | 一种人脸聚类方法、装置、设备及存储介质 | |
CN106033443B (zh) | 一种车辆检索中的扩展查询方法及装置 | |
CN110458078A (zh) | 一种人脸图像数据聚类方法、系统及设备 | |
CN111309946B (zh) | 一种已建立档案优化方法及装置 | |
CN110245573A (zh) | 一种基于人脸识别的签到方法、装置及终端设备 | |
CN111091106A (zh) | 图像聚类方法及装置、存储介质、电子装置 | |
CN111177436A (zh) | 一种人脸特征检索方法、装置及设备 | |
CN111062440B (zh) | 一种样本选择方法、装置、设备及存储介质 | |
Le et al. | Document retrieval based on logo spotting using key-point matching | |
CN113157962B (zh) | 图像检索方法、电子装置和存储介质 | |
CN112434049A (zh) | 表格数据存储方法、装置、存储介质及电子装置 | |
CN112052251B (zh) | 目标数据更新方法和相关装置、设备及存储介质 | |
CN113128278A (zh) | 一种图像识别方法及装置 | |
CN111767419B (zh) | 图片搜索方法、装置、设备及计算机可读存储介质 | |
CN111709473A (zh) | 对象特征的聚类方法及装置 | |
CN113743533B (zh) | 一种图片聚类方法、装置及存储介质 | |
CN105205487B (zh) | 一种图片处理方法及装置 | |
Gao et al. | Data-driven lightweight interest point selection for large-scale visual search | |
CN114691875A (zh) | 一种数据分类分级处理方法及装置 | |
CN112214639B (zh) | 视频筛选方法、视频筛选装置及终端设备 |
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 |