CN112287136A - 图像特征索引库建立方法、相似图像确定方法 - Google Patents
图像特征索引库建立方法、相似图像确定方法 Download PDFInfo
- Publication number
- CN112287136A CN112287136A CN202011026655.8A CN202011026655A CN112287136A CN 112287136 A CN112287136 A CN 112287136A CN 202011026655 A CN202011026655 A CN 202011026655A CN 112287136 A CN112287136 A CN 112287136A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- convolution
- feature map
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 230000004913 activation Effects 0.000 claims abstract description 36
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 25
- 230000006835 compression Effects 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 2
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 102100024607 DNA topoisomerase 1 Human genes 0.000 description 1
- 102100033587 DNA topoisomerase 2-alpha Human genes 0.000 description 1
- 101000830681 Homo sapiens DNA topoisomerase 1 Proteins 0.000 description 1
- 101000801505 Homo sapiens DNA topoisomerase 2-alpha Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种图像特征索引库建立方法、一种相似图像确定方法、装置、介质及电子设备;涉及图像处理技术领域。所述方法均基于神经网络,包括:在神经网络中对输入图像和待匹配图像进行特征升维—深度卷积—特征降维处理。经过特征升维和深度卷积处理后,利用非线性激活函数对输出的特征图进行运算。将特征降维后的特征图线性输出得到输入图像和待匹配图像的图像特征。根据输入图像的图像特征建立输入图像的特征索引。将待匹配图像的图像特征输入由多个输入图像的特征索引构成的特征索引数据库中就可以匹配到相似图像。通过本公开可以建立更准确的图像特征索引库,提高图像匹配效率和图像匹配效果以及在图像匹配时更鲁棒。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种图像特征索引库建立方法、图像特征索引库建立装置、计算机可读存储介质以及电子设备,还涉及一种相似图像确定方法、相似图像确定装置、计算机可读存储介质以及电子设备。
背景技术
随着互联网的广泛普及,人们开始有在海量图像数据库中进行图像匹配的需求。例如,在进行图像检索时要根据图像特征建立特征索引以实现特征匹配。所以,在建立特征索引时,图像特征提取非常关键。
然而,现有技术中的一些特征提取算法提取图像特征的准确度不高,例如Hash(哈希)算法。或者是对目标图像的特征点提取能力较弱,不够鲁棒,例如Sift(Scaleinvariant feature transform,尺度不变特征转换)算法。
因此,为了提高图像匹配效率和图像匹配效果,以及在图像匹配时更鲁棒,提供一种准确度更高的图像特征索引库建立方法是非常必要的。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像特征索引库建立方法、图像特征索引库建立装置、计算机可读存储介质以及电子设备,还提供一种相似图像确定方法、相似图像确定装置、计算机可读存储介质以及电子设备。进而在一定程度上克服由于相关技术的限制和缺陷而导致的,建立图像特征索引库的准确度不高时,图像匹配效率低和图像匹配效果差以及在图像匹配时不够鲁棒的问题。
根据本公开的第一方面,提供一种图像特征索引库建立方法,该方法基于神经网络,包括:
通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图;
在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征;
根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
在本公开的一种示例性实施例中,该方法还包括:
利用TensorFlow将所述数据库图像的格式进行转换;
将所述格式转换后的数据库图像进行缩放处理,以得到所述输入图像。
在本公开的一种示例性实施例中,所述通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图,包括:
通过所述神经网络中的第一卷积层的1×1的2维卷积核对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图。
在本公开的一种示例性实施例中,所述在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图,包括:
在所述第一卷积层的输出端利用限制最大输出值的ReLU对所述第一特征图进行运算,得到第二特征图。
在本公开的一种示例性实施例中,所述通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图,包括:
通过所述神经网络中的第二卷积层的3×3卷积核对所述第二特征图进行深度卷积实现特征提取,得到中间特征图。
在本公开的一种示例性实施例中,所述通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图,包括:
通过所述神经网络中的第三卷积层的1×1的2维卷积核对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图。
在本公开的一种示例性实施例中,所述根据所述输入图像的图像特征建立所述输入图像的特征索引,包括:
根据所述输入图像的图像特征,通过高维向量相似度检索和聚类器建立所述输入图像的特征索引。
根据本公开的第二方面,提供一种相似图像确定方法,该方法基于神经网络,包括:
通过所述图像特征索引库建立方法,建立特征索引数据库;
通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图;
在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征;
将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
根据本公开的第三方面,提供一种图像特征索引库建立装置,该装置基于神经网络,包括:
第一卷积模块,用于通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征;
索引库建立模块,用于根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
根据本公开的第四方面,提供一种相似图像确定装置,该装置基于神经网络,包括:
图像特征索引库建立模块,通过所述图像特征索引库建立方法,用于建立特征索引数据库;
第一卷积模块,用于通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征;
图像匹配模块,用于将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
根据本公开的第五方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的第六方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开示例实施方式所提供的图像特征索引库建立方法和相似图像确定方法中,在神经网络中对输入图像和待匹配图像进行特征升维—深度卷积—特征降维处理。经过特征升维和深度卷积处理后,利用非线性激活函数对输出的特征图进行运算。将特征降维后的特征图线性输出得到输入图像和待匹配图像的图像特征。根据输入图像的图像特征建立输入图像的特征索引。将待匹配图像的图像特征输入由多个输入图像的特征索引构成的特征索引数据库中就可以匹配到相似图像。本公开提供的图像特征提取算法应用到建立图像特征索引中并进行相似图像匹配时,与传统图像应用技术相比,可以建立更准确的图像特征索引库,提高图像匹配效率和图像匹配效果以及在图像匹配时更鲁棒。
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。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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它的附图。
图1示出了可以应用本公开实施例的一种图像特征索引库建立方法及装置的示例性系统架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图;
图3示意性示出了根据本公开的一个实施例的图像特征索引库建立方法的流程图;
图4示意性示出了根据本公开的一个实施例的相似图像确定方法的流程图;
图5A至图9B示意性示出了根据本公开的一个实施例的图像匹配效果对比图;
图10示意性示出了根据本公开的一个实施例的图像特征索引库建立装置的框图;
图11示意性示出了根据本公开的一个实施例的相似图像确定装置的框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种图像特征索引库建立方法及装置的示例性应用环境的系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一个或多个,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的图像特征索引库建立方法一般由服务器105执行,相应地,图像特征索引库建立装置一般设置于服务器105中。但本领域技术人员容易理解的是,本公开实施例所提供的图像特征索引库建立方法也可以由终端设备101、102、103执行,相应的,图像特征索引库建立装置也可以设置于终端设备101、102、103中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,可以是用户通过终端设备101、102、103将数据库图像上传至服务器105,服务器通过本公开实施例所提供的图像特征索引库建立方法建立特征索引数据库。
图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图2示出的电子设备的计算机系统200仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,计算机系统200包括中央处理单元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有系统操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207;包括硬盘等的存储部分208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和装置中限定的各种功能。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图3和图4所示的各个步骤等。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
以下对本公开实施例的技术方案进行详细阐述:
相似图像匹配通常应用在图片检索中,图像检索是一种基于内容的图像搜索应用技术,是指在海量的数据库中快速搜索出与输入图像相同或相似的结果。图像检索技术主要有三个步骤,分别为图像特征提取、构建索引以及特征匹配。其中,图像特征提取是非常关键的一个步骤。
图像特征提取通常指经过处理得到能够表示目标图像的有效数据,目前图像检索中特征提取应用的算法主要包括Hash算法和Sift算法。在Hash算法中,差异值Hash算法通过比较图像间Hash值的汉明距离大小来判断图像是否相似,相当于通过Hash值的汉明距离来近似表征图像特征之间的差异。所以,该算法提取的图像特征并不准确,导致图像检索的准确度不高。在Sift算法中,由于Sift算法的实现步骤是尺度空间极值检测、特征点定位、方向确定和特征点描述,所以其计算复杂度高、耗时长,导致图像检索的效率低。此外,该算法对于边缘光滑目标的特征点提取能力较弱,不够鲁棒。
基于上述一个或多个问题,本示例实施方式提供了一种图像特征索引库建立方法,该方法基于神经网络,并且可以应用于上述服务器105,也可以应用于上述终端设备101、102、103中的一个或多个,本示例性实施例中对此不做特殊限定。参考图3所示,该图像特征索引库建立方法可以包括以下步骤S310至步骤S370:
步骤S310.通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图。
步骤S320.在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图。
步骤S330.通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图。
步骤S340.在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图。
步骤S350.通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图。
步骤S360.在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征。
步骤S370.根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
在本公开示例实施方式所提供的图像特征索引库建立方法中,在神经网络中对输入图像进行特征升维—卷积—特征降维处理。经过特征升维和卷积处理后,利用非线性激活函数对输出的特征图进行运算。将特征降维后的特征图直接线性输出得到输入图像的图像特征,从而建立输入图像的特征索引。本公开提供的图像特征提取算法应用到图像特征索引库建立中,与现有的应用技术相比,建立图像特征索引库的准确度更高。
下面,对于本示例实施方式的上述步骤进行更加详细的说明。
本示例实施方式中,将数据库图像输入所述神经网络之前,可以利用TensorFlow将所述数据库图像的格式进行转换。TensorFlow是一种人工智能学习系统,其命名来源于本身的运行原理。其中,Tensor(张量)指N维数组,Flow(流)指基于数据流图的计算。所以,TensorFlow使用Tensor来表示数据,并且提供对图像的编码和解码函数。例如,将数据库图像进行解码,将JPEG或PNG格式的数据库图像转换成Tensor格式。接着,可以将Tensor格式转换为Float32格式。然后,可以对数据库图像的大小进行缩放调整,如每张图像的大小调整为224*224。此时,每张图像即为所述输入图像。其中,所述数据库图像可以从服务器105中获取,也可以从其它终端设备101、102、103中获取,本实施例对此不做限定。
本示例实施方式中,所述神经网络的基本构建块可以是具有倒残差的瓶颈深度可分离卷积模块,该模块主要包括三个卷积层和两个非线性激活层。在所述神经网络中,首先,利用深度可分离卷积代替标准卷积,将卷积分为两个单独的层,第一层为深度卷积,其作用是通过对每个输入通道应用在单个卷积滤波器来执行轻量级滤波。第二层为逐点卷积,其作用是负责通过计算输入通道的线性组合来构建新特征。
其次,经典残差块的过程是:1x1(降维)—3x3(卷积)—1x1(升维)。但是,由于深度卷积层在提取特征时限制于输入特征的维度,若采用经典残差块,需要先经过1x1的逐点卷积操作将输入特征图进行压缩,一般压缩率为0.25。由此可知,再经过深度卷积后,提取的特征会更少。所以,在本示例实施方式中,可以采用倒残差块1x1(升维)—3x3(卷积)—1x1(降维),先经过1x1的逐点卷积操作将特征图的通道进行扩展,从而提取更多的特征。
最后,在包含经典残差块的神经网络中,将输入特征图压缩后会通过一个非线性变换ReLU。根据ReLU的性质,输入特征若为负数,该通道的特征会被清零。所以,特征图经过压缩后再进行非线性变化,会进一步损失特征信息;若输入特征是正数,经过激活层后输出特征是原始的输入值,此时相当于线性变换。所以,为了防止在非线性层损失信息,在本实施例中,可以引入线性瓶颈层,即将输入特征图压缩后通过线性变换后输出特征图。
在步骤S310中,通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图。
本示例实施方式中,所述神经网络的第一卷积层可以包含1×1的2维卷积核。对输入图像可以进行逐点卷积操作将其通道进行扩展,例如,输入图像大小为224*224*3,经过一个2维1×1卷积计算,使得输出通道数为18。特征升维相当于扫描整个图像,可以为第二卷积层提供更多的有效特征。
在步骤S320中,在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图。
本示例实施方式中,非线性激活函数是对输入的特征图进行非线性运算,从而保留每一层对输入图像进行线性运算后产生的变换效果。常用的非线性函数有逻辑函数、双曲正切函数以及ReLU(Rectified Linear Unit,线性整流函数)。ReLU一般指代数学中的斜坡函数,f(x)=max(0,x)。由于ReLU在高维空间能够有效的增加非线性,所以,在所述第一卷积层的输出端可以利用限制最大输出值为6的ReLU对第一特征图进行运算。例如,利用ReLU对第一特征图的每一个元素进行运算,将其中小于零的元素变成零,而保持其余元素的值不变,并且最大输出值为6,得到的输出即为第二特征图。
在步骤S330中,通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图。
本示例实施方式中,所述神经网络的第二卷积层可以包含3×3卷积核,可以对第二特征图进行深度卷积操作,即对第二特征图的每个通道进行滤波处理,以实现特征提取。例如,输入图像大小为224*224*3,经过一个2维3×3卷积计算,输出通道数为32,得到大小为112*112*32的中间特征图,由于第一卷积层将输入图像进行了特征升维扩展,所以,第二卷积层在进行深度卷积操作后得到的中间特征图包含更多的特征。
在步骤S340中,在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图。
本示例实施方式中,在所述第二卷积层的输出端可以利用限制最大输出值为6的ReLU对中间特征图进行运算。例如利用ReLU对中间特征图的每一个元素进行运算,将其中小于零的元素变成零,而保持其余元素的值不变,并且最大输出值为6,得到的输出即为第三特征图。
在步骤S350中,通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图。
本示例实施方式中,所述神经网络的第三卷积层可以包含1×1的2维卷积核。第二卷积层对输入通道进行滤波处理,但不能结合每个通道的特征生成新的特征,所以,对第三特征图可以进行逐点卷积操作来线性组合深度卷积的输出,并且可以将其通道进行压缩,降维回到原始维度,以得到第四特征图。特征降维相当于从当前特征中选择最有效的特征。
在步骤S360中,在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征。
本示例实施方式中,第四特征图是压缩后的低维特征图,由于非线性激活函数在高维空间中能够有效的增加非线性,而在低维空间会破环特征。因此,可以利用线性激活函数对所述第四特征图进行处理。例如,使用形式为f(x)=x的线性函数,对所述第四特征图不经过任何修正得到所述输入图像的图像特征。也可以使用其他形式的线性函数线性输出该图,本实施例对此不做限定。
在步骤S370中,根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
本示例实施方式中,得到多个输入图像的图像特征后,可以通过高维向量相似度检索和聚类器建立所述输入图像的特征索引,从而形成特征索引数据库。其中,多个输入图像的图像特征可以包括图像特征向量集合和每张图像特征对应的图像ID集合。
首先,可以使用Nupmy工具将多个图像按垂直方向堆叠数组(行顺序)构成一个新的特征数组,按水平方向堆叠数组(列顺序)构成一个新的ID数组。其中,Nupmy工具是属于Python的一个处理数组的模块,其可以创建一维、二维或高维数组,并根据数组的属性和函数进行运算或操作。
然后,可以通过Faiss建立输入图像的特征索引。Faiss是一种聚类和相似性搜索库,为稠密向量提供高效相似度搜索和聚类,支持十亿级别向量的搜索,是目前较为成熟的近似近邻搜索库。其包含多种搜索任意大小向量集的算法,以及用于算法评估和参数调整的支持代码。Faiss还对一些核心算法提供了GPU实现。Faiss本质上是一个向量数据库,其主要功能是进行相似度搜索。
在本示例实施方式中,例如,可以使用IndexIVFFlat(一种索引建立方法)建立索引,实际上是使用K均值聚类方法建立聚类中心,通过查询最近的聚类中心,比较聚类中的所有向量得到相似的向量。在创建IndexIVFFlat时需要指定一个其它的索引作为量化器来计算距离或相似度。在本示例实施方式中,衡量相似度的方法可以利用欧式距离,也可以利用向量内积(余弦相似度)。例如,通过计算欧式距离衡量相似度时,可以对特征数组中的图像特征向量进行向量距离计算;将向量距离小于预设阈值的特征向量进行归类,得到多个类别的向量归类集;将存在公共特征向量的向量归类集进行聚合,得到所述不同聚类的图像特征索引,即形成特征索引数据库。此外,通过IndexIVFFlat可以为每个特征向量对应一个ID,并且在搜索的时候返回此ID。
另一方面,本示例实施方式提供了一种相似图像确定方法。该方法基于神经网络,并且可以应用于上述服务器105,也可以应用于上述终端设备101、102、103中的一个或多个,本示例性实施例中对此不做特殊限定。参考图4所示,该相似图像确定方法可以包括以下步骤S410至步骤S480。
步骤S410.通过如步骤S310至步骤S370所述的图像特征索引库建立方法,建立特征索引数据库;
步骤S420.通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图。
步骤S430.在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图。
步骤S440.通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图。
步骤S450.在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图。
步骤S460.通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图。
步骤S470.在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征。
步骤S480.将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
步骤S410至步骤S470与步骤S310至步骤S370类似,因此,在此处不再赘述。
在步骤S480中,将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
本示例实施方式中,待匹配图像的图像特征可以包括特征向量和图像特征对应的图像ID。将待匹配图像的图像特征输入到由所有输入图像的图像特征生成的特征索引数据中,可以利用欧式距离,也可以利用向量内积(余弦相似度)来确定相似图像。例如,通过计算欧式距离衡量相似度时,可以对特征数组中的图像特征向量与聚类中心向量进行向量距离计算,通过比较向量距离得到与待匹配图像相似度高的图像,并输出图像ID。
在本公开示例实施方式所提供的图像特征索引库建立方法和相似图像确定方法中,在神经网络中对输入图像和待匹配图像进行特征升维—深度卷积—特征降维处理。经过特征升维和深度卷积处理后,利用非线性激活函数对输出的特征图进行运算。将特征降维后的特征图直接线性输出得到输入图像和待匹配图像的图像特征,从而建立输入图像的特征索引。将待匹配图像的图像特征输入由多个输入图像的特征索引构成的特征索引数据库中就可以匹配到相似图像。本公开提供的图像特征提取算法应用到建立图像特征索引中并进行相似图像匹配时,与传统图像应用技术相比,可以建立更准确的图像特征索引库,提高图像匹配效率和图像匹配效果以及在图像匹配时更鲁棒。
参考图5A至参考图9B所示,为本示例实施方式中方法的一个具体应用举例,例如,共有25091张输入图像,按1024张为一个批次,分批次对每张图像按步骤310至步骤360进行特征提取,按步骤370生成特征索引数据库。将待匹配图像按参考图5A至参考图9B分别以原图、缩放、污点、截图、压缩五种情形进行处理,按步骤480在特征索引数据库中匹配出相似度最高的五张图像,并与传统图像应用技术的检索效果进行对比。其次,记录传统图像应用技术与本示例实施方式中所述的方法在特征提取和生成特征索引的耗时,以及索引文件的大小,具体数据如表1所示。
表1
由表1可知,对于相同数量的输入图像,相比于传统图像应用技术,本示例实施方式中所述方法进行特征提取消耗的时间更少,生成特征索引耗时也少,说明通过本示例实施方式中所述方法在进行图像匹配时效率更高。此外,利用本公开中所述图像特征索引库建立方法建立的索引文件占用的内存更小。
在本公开示例实施方式,通过本公开中所述相似图像确定方法进行图像匹配的效果图如参考图5A至参考图9B所示。其中,参考图5A为待匹配图像的原图,TOP1表示匹配到的图像与待匹配图像的相似度最高,TOP2至TOP5表示相似度依次降低。如参考图5B所示,通过传统图像应用技术匹配到的图像,其中TOP4图像与待匹配图像原图出现很大的偏差。而示例实施方式中所述方法匹配到的TOP5图像仍有很大程度的相似性。
参考图6A为待匹配图像的缩放图,例如,可以将待匹配图像按一定比例进行缩放。如参考图6B所示,通过传统图像应用技术只能匹配到2张相似的图像。而示例实施方式中所述方法可以匹配到5张或更多具有相似特征的图像。
参考图7A为待匹配图像的污点图,例如,可以将待匹配图像进行涂画处理,以遮挡部分图像特征。如参考图7B所示,通过传统图像应用技术匹配到的图像,其中TOP3图像与待匹配图像原图出现很大的偏差。而通过示例实施方式中所述方法匹配到的图像中,TOP5图像与待匹配图像原图出现很大的偏差。
参考图8A为待匹配图像的截图,例如,可以截取待匹配图像原图的2/3大小,去除1/3图像特征。如参考图8B所示,通过传统图像应用技术匹配到的图像,其中TOP3至TOP5图像都与待匹配图像原图出现很大的偏差,属于不相关的图像。而通过示例实施方式中所述方法匹配到的图像,5张图像均与待匹配图像原图相同或相似。
参考图9A为待匹配图像的压缩图,例如,可以将待匹配图像的像素进行压缩但不会造成图像失真。如参考图9B所示,所述两种匹配方法匹配到的图像均与待匹配图像原图相同或相似,但示例实施方式中所述方法匹配到的图像准确度更高。
综上可知,相比于传统图像应用技术,通过本示例实施方式中所述方法在进行图像匹配时匹配效率和匹配效果更高。而且,在将待匹配图像进行缩放、污点等情形下,本示例实施方式中所述方法依然可以准确的对图像进行匹配,因此,本示例实施方式中所述方法在进行图像匹配时更加鲁棒。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中,还提供了一种图像特征索引库建立装置。该图像特征索引库建立装置可以应用于一服务器或终端设备。参考图10所示,该图像特征索引库建立装置1000可以包括第一卷积模块1010、第一运算模块1020、第二卷积模块1030、第二运算模块1040、第三卷积模块1050、特征输出模块1060以及索引库建立模块1070。其中:
第一卷积模块1010,用于通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块1020,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块1030,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块1040,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块1050,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块1060,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征;
索引库建立模块1070,用于根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
上述图像特征索引库建立装置中各模块的具体细节已经在对应的图像特征索引库建立方法中进行了详细的描述,因此此处不再赘述。
本示例实施方式中,还提供了一种相似图像确定装置。该相似图像确定装置可以应用于一服务器或终端设备。参考图11所示,该相似图像确定装置1100可以包括图像特征索引库建立模块1110、第一卷积模块1120、第一运算模块1130、第二卷积模块1140、第二运算模块1150、第三卷积模块1160、特征输出模块1170以及图像匹配模块1180。其中:
图像特征索引库建立模块1110,通过如步骤310至步骤370所述的图像特征索引库建立方法,用于建立特征索引数据库;
第一卷积模块1120,用于通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块1130,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块1140,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块1150,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块1160,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块1170,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征;
图像匹配模块1180,用于将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
上述相似图像确定装置中各模块的具体细节已经在对应的相似图像确定方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,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)
1.一种图像特征索引库建立方法,其特征在于,所述方法基于神经网络,包括:
通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图;
在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征;
根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
2.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述方法还包括:
利用TensorFlow将所述数据库图像的格式进行转换;
将所述格式转换后的数据库图像进行缩放处理,以得到所述输入图像。
3.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图,包括:
通过所述神经网络中的第一卷积层的1×1的2维卷积核对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图。
4.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图,包括:
在所述第一卷积层的输出端利用限制最大输出值的ReLU对所述第一特征图进行运算,得到第二特征图。
5.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图,包括:
通过所述神经网络中的第二卷积层的3×3卷积核对所述第二特征图进行深度卷积实现特征提取,得到中间特征图。
6.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图,包括:
通过所述神经网络中的第三卷积层的1×1的2维卷积核对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图。
7.根据权利要求1所述的图像特征索引库建立方法,其特征在于,所述根据所述输入图像的图像特征建立所述输入图像的特征索引,包括:
根据所述输入图像的图像特征,通过高维向量相似度检索和聚类器建立所述输入图像的特征索引。
8.一种相似图像确定方法,其特征在于,所述方法基于神经网络,包括:
通过如权利要求1~7任一项所述的图像特征索引库建立方法,建立特征索引数据库;
通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图;
在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征;
将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
9.一种图像特征索引库建立装置,其特征在于,所述装置基于神经网络,包括:
第一卷积模块,用于通过所述神经网络中的第一卷积层对输入图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述输入图像的图像特征;
索引库建立模块,用于根据所述输入图像的图像特征建立所述输入图像的特征索引,以形成特征索引数据库。
10.一种相似图像确定装置,其特征在于,所述装置基于神经网络,包括:
图像特征索引库建立模块,通过如权利要求1~7任一项所述的图像特征索引库建立方法,用于建立特征索引数据库;
第一卷积模块,用于通过所述神经网络中的第一卷积层对待匹配图像进行逐点卷积实现特征升维扩展,得到第一特征图;
第一运算模块,用于在所述第一卷积层的输出端利用非线性激活函数对所述第一特征图进行运算,得到第二特征图;
第二卷积模块,用于通过所述神经网络中的第二卷积层对所述第二特征图进行深度卷积实现特征提取,得到中间特征图;
第二运算模块,用于在所述第二卷积层的输出端利用非线性激活函数对所述中间特征图进行运算,得到第三特征图;
第三卷积模块,用于通过所述神经网络中的第三卷积层对所述第三特征图进行逐点卷积实现特征降维压缩,得到第四特征图;
特征输出模块,用于在所述第三卷积层的输出端线性输出所述第四特征图,得到所述待匹配图像的图像特征;
图像匹配模块,用于将所述待匹配图像的图像特征输入所述特征索引数据库中,获取与所述待匹配图像相似的图像。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法。
12.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026655.8A CN112287136A (zh) | 2020-09-25 | 2020-09-25 | 图像特征索引库建立方法、相似图像确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026655.8A CN112287136A (zh) | 2020-09-25 | 2020-09-25 | 图像特征索引库建立方法、相似图像确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287136A true CN112287136A (zh) | 2021-01-29 |
Family
ID=74421393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026655.8A Pending CN112287136A (zh) | 2020-09-25 | 2020-09-25 | 图像特征索引库建立方法、相似图像确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287136A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN108846440A (zh) * | 2018-06-20 | 2018-11-20 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、计算机可读介质和电子设备 |
CN108920720A (zh) * | 2018-07-30 | 2018-11-30 | 电子科技大学 | 基于深度哈希和gpu加速的大规模图像检索方法 |
CN109919208A (zh) * | 2019-02-25 | 2019-06-21 | 中电海康集团有限公司 | 一种外观图像相似度比对方法和系统 |
US20200242422A1 (en) * | 2019-01-29 | 2020-07-30 | Boe Technology Group Co., Ltd. | Method and electronic device for retrieving an image and computer readable storage medium |
-
2020
- 2020-09-25 CN CN202011026655.8A patent/CN112287136A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN108846440A (zh) * | 2018-06-20 | 2018-11-20 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置、计算机可读介质和电子设备 |
CN108920720A (zh) * | 2018-07-30 | 2018-11-30 | 电子科技大学 | 基于深度哈希和gpu加速的大规模图像检索方法 |
US20200242422A1 (en) * | 2019-01-29 | 2020-07-30 | Boe Technology Group Co., Ltd. | Method and electronic device for retrieving an image and computer readable storage medium |
CN109919208A (zh) * | 2019-02-25 | 2019-06-21 | 中电海康集团有限公司 | 一种外观图像相似度比对方法和系统 |
Non-Patent Citations (3)
Title |
---|
张惠凡;罗泽;: "基于卷积神经网络的鸟类视频图像检索研究", 科研信息化技术与应用, no. 05, 20 September 2017 (2017-09-20) * |
许志龙;施烨;俞鑫春;郭伟;: "基于自学习特征权重网络的模板匹配研究", 电子技术与软件工程, no. 14, 15 July 2020 (2020-07-15) * |
韦人予;蒙祖强;: "基于注意力特征自适应校正的图像描述模型", 计算机应用, no. 1, 10 July 2020 (2020-07-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10726252B2 (en) | Method of digitizing and extracting meaning from graphic objects | |
KR101183391B1 (ko) | 메트릭 임베딩에 의한 이미지 비교 | |
Ayed et al. | MapReduce based text detection in big data natural scene videos | |
Baek et al. | Deep self-representative subspace clustering network | |
EP2742486A2 (en) | Coding of feature location information | |
CN111182364B (zh) | 一种短视频版权检测方法及系统 | |
US8774509B1 (en) | Method and system for creating a two-dimensional representation of an image based upon local representations throughout the image structure | |
CN106649782B (zh) | 一种图片检索方法和系统 | |
Zhang et al. | 3D face recognition based on multiple keypoint descriptors and sparse representation | |
CN104504406B (zh) | 一种快速高效的近似重复图像匹配方法 | |
Sharma et al. | Perceptual video hashing based on Tucker decomposition with application to indexing and retrieval of near-identical videos | |
CN106503112B (zh) | 视频检索方法和装置 | |
CN112163114B (zh) | 一种基于特征融合的图像检索方法 | |
CN110825902B (zh) | 特征相似性搜索的实现方法、装置、电子设备及存储介质 | |
Kavitha et al. | Convolutional Neural Networks Based Video Reconstruction and Computation in Digital Twins. | |
Noor et al. | Multi-scale gradient image super-resolution for preserving SIFT key points in low-resolution images | |
EP3166022A1 (en) | Method and apparatus for image search using sparsifying analysis operators | |
EP4285281A1 (en) | Annotation-efficient image anomaly detection | |
Zhang et al. | Learning a probabilistic topology discovering model for scene categorization | |
Duan et al. | Minimizing reconstruction bias hashing via joint projection learning and quantization | |
Kalaivani et al. | The Detection of Video Shot Transitions Based on Primary Segments Using the Adaptive Threshold of Colour-Based Histogram Differences and Candidate Segments Using the SURF Feature Descriptor | |
US11816909B2 (en) | Document clusterization using neural networks | |
Tong et al. | Robust facial expression recognition based on local tri-directional coding pattern | |
CN112287136A (zh) | 图像特征索引库建立方法、相似图像确定方法 | |
Syam et al. | An effective similarity measure via genetic algorithm for Content-Based Image Retrieval with extensive features |
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 |