CN113255610A - 特征底库构建、特征检索方法以及相关装置 - Google Patents

特征底库构建、特征检索方法以及相关装置 Download PDF

Info

Publication number
CN113255610A
CN113255610A CN202110750680.9A CN202110750680A CN113255610A CN 113255610 A CN113255610 A CN 113255610A CN 202110750680 A CN202110750680 A CN 202110750680A CN 113255610 A CN113255610 A CN 113255610A
Authority
CN
China
Prior art keywords
feature
layer
features
entry
highest 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.)
Granted
Application number
CN202110750680.9A
Other languages
English (en)
Other versions
CN113255610B (zh
Inventor
杨凯航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202110750680.9A priority Critical patent/CN113255610B/zh
Publication of CN113255610A publication Critical patent/CN113255610A/zh
Priority to PCT/CN2021/128681 priority patent/WO2023273082A1/en
Application granted granted Critical
Publication of CN113255610B publication Critical patent/CN113255610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种特征底库构建方法、特征检索方法以及相关装置，其中特征底库构建方法包括：从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征；基于第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征；响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。该方法能够提高特征检索的召回率。

Description

特征底库构建、特征检索方法以及相关装置
技术领域
本发明涉及图像检索技术领域，尤其是涉及一种特征底库构建方法、特征检索方法以及相关装置。
背景技术
特征的检索技术是基于特征提取技术获取到的特征向量进行相似度比对，从而找到待检索特征的相似特征，再根据相似特征找到对应的照片。一般情况下，底库数据不是很多时，可采用线性暴力搜索的方式进行特征检索。然而随着科技的发展，尤其在安防和监控领域，上千亿的数据被积累，且向量化的特征维度高达成百上千，线性搜索由于资源占用和效率问题，已无法满足当前需求。因此特征检索方面针对特征高维且数据量大的现状，不断产生相应的索引和搜索机制来减少向量的搜索空间，提高检索速度。
以人脸特征为例，目前人脸特征的检索主要针对安防领域中的人证搜索，即根据公安局所注册的人脸证件照或人脸聚类业务中的一人一档作为底库，以及不同型号的NVR（网络录像机）或其它的电子设备所抓拍到的人脸图像作为待搜索人脸特征，通过对证件照底库进行合理的索引构建，以及后期搜索方式的设计来提高人脸特征的搜索效率，常用的人脸特征检索方法主要包括树、矢量量化、哈希以及近邻图等。其中近邻图方法在大规模高维人脸特征搜索上表现优秀，HNSW（分层可导航小世界图）是近邻图方法的典型代表，其在召回率和耗时都明显优于其它算法，它主要通过多个小世界网络的思想来构建多层索引，希望通过网络近邻边来检索待检索特征的一定数量的相似特征，而多个网络就类似二叉树的多层结构，由上至下，依次缩小检索区域，从而降低检索量，提高检索效率。
但是HNSW（分层可导航小世界图）在所有都见接端，会出现索引结构的连通性和不稳定性，这会导致检索的召回率低，耗时时间长。
发明内容
本发明提供一种特征底库构建方法、特征检索方法以及相关装置，该方法能够提高特征检索的召回率。
为解决上述技术问题，本发明提供的第一个技术方案为：提供一种特征底库构建方法，包括：从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征；基于第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征；响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。
其中，响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征的步骤还包括：响应于最高目标层的上一层中不具有待插入特征，且响应于最高目标层的上一层中第一匹配特征数量未达到预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。
其中，方法还包括：响应于最高目标层的上一层中第一匹配特征数量达到预设数量，或者响应于最高目标层的上一层中不具有待插入特征，且响应于最高目标层的上一层中第一匹配特征数量达到预设数量，确定最高目标层的下一层的第三入口特征，基于第三入口特征在最高目标层的下一层中搜索得到待插入特征的第三匹配特征。
其中，从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征的步骤，包括：利用贪婪搜索的方式从特征底库的最高层至最高目标层的上一层中进行搜索，以得到确定第一入口特征。
为解决上述技术问题，本发明提供的第二个技术方案为：提供过一种特征检索方法，包括：获取待检索特征；从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合，第一特征集合中包括与待检索特征匹配的多个特征；特征底库为通过上述任一项的特征底库的构建方法构建而成的；以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。
其中，从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合的步骤之前，之前包括：以预设搜索入口从特征底库的最高层检索与待检索特征匹配度最高的特征，以作为特征底库的最高层的下一层的当前搜索入口；以当前搜索入口，从特征底库的最高层的下一层检索与待检索特征匹配度最高的特征。
其中，以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合的步骤，包括：计算第一特征集合中每一特征与待检索特征的相似度；从第一特征集合中选择相似度最高的至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。
其中，以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合的步骤，包括：以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，同时从特征底库的最底层检索与待检索特征匹配的第二特征集合。
为解决上述技术问题，本发明提供的第三个技术方案为：提供一种特征底库的构建装置，包括：入口确定模块，用于从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征；第一搜索模块，用于基于第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征；第二搜索模块，用于响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。
为解决上述技术问题，本发明提供的第四个技术方案为：提供一种特征检索装置，包括：获取模块，用于获取待检索特征；第一检索模块，用于从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合，第一特征集合中包括与待检索特征匹配的多个特征；特征底库为通过上述任一项的特征底库的构建方法构建而成的；第二检索模块，用于以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。
为解决上述技术问题，本发明提供的第五个技术方案为：提供一种电子设备，包括：存储器和处理器，其中，存储器存储有程序指令，处理器从存储器调取程序指令以执行上述任一项的方法。
为解决上述技术问题，本发明提供的第六个技术方案为：提供一种计算机可读存储介质，存储有程序文件，程序文件能够被执行以实现上述任一项的方法。
本发明的有益效果，区别于现有技术的情况，本发明基于最高目标层的第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征；在最高目标层的上一层中的第一匹配特征数量未达预设数量时，基于最高目标层的上一层的第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。以此能够提高特征检索的召回率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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它的附图，其中：
图1为本发明特征底库构建方法的一实施例的流程示意图；
图2为本发明特征检索方法的一实施例的流程示意图；
图3为本发明特征底库构建装置的第一实施例的结构示意图；
图4为本发明特征检索装置的第二实施例的结构示意图；
图5为本发明电子设备的一实施例的结构示意图；
图6为本发明计算机可读存储介质的一实施例的结构示意图。
具体实施方式
现有技术提供一种基于分层可导航小世界图的近似最近邻搜索方法，该方法的设计要点是在分层可导航小世界图（HNSW）基础上，修改了新特征的插入方式和分层方式，通过解决HNSW索引结构不平衡问题，提高搜索速度和稳定性。具体的，该方法在HNSW索引构建过程中，通过检查当前插入特征在当前层的邻居特征中是否有任一特征在其上一层存在，来确认是否将当前特征提升到上一层，该创新可以有效弥补HNSW算法所构索引结构的不平衡性和搜索速度的不稳定性，但仅考虑了HNSW索引构建阶段，未考虑后续搜索阶段，且其方法还有改善空间，其搜索召回率和性能也有进一步提升的可能。
现有技术还提供一种高维特征的处理方法和装置，该方法设计要点是结合聚类算法以及HNSW算法，降低HNSW插入和检索过程中的数据规模，从而降低索引构建和检索的耗时。先采用聚类方式对样本特征进行粗量化，生成多个聚类中心，然后会将待插入特征按照距离最近原则分别加入到对应的HNSW分簇中。搜索阶段与插入阶段类似，会在距离排序最近的预设数量的分簇中进行HNSW算法检索，提高检索效率，然而在实际的人脸高维特征场景下，类似K-Means等聚类算法存在天然的缺陷，其会导致簇内特征数不均且前K个匹配特征HNSW分簇中的特征并不与待搜索特征的前K个匹配特征是从属关系，影响待搜索特征的前K个匹配特征召回率。
现有技术还提供一种基于区域分级航线图算法的数据检索方法，其设计要点是基于HNSW框架不变性，主动选择图中每级区域大小和整个图中分级数来初始化HNSW连通图，通过解决HNSW算法构图阶段层数选择的随机性问题，提高算法稳定性和检索效率。该方法主要是对航线图的分级数和每级的区域大小以及数据分布进行主动选择，具体是提前确定索引结构的层数以及每层数据量大小，并通过聚类方式确定底库所有数据的层数，再根据类似HNSW节点插入的方式进行索引结构的建立和之后的前K个匹配特征的搜索，其解决了HNSW中构图阶段依靠随机数决定节点层数的不确定性问题，提高了算法的稳定性。然而该方法仅对已存在的底库数据块一次性进行分层并确定每层节点数量，并未指出当底库数据迭代增加时节点层数如何确定，以及增加到一定规模时，最大层数是否也要随之更新，另外其在搜索阶段并未指出有什么优化建议。
综上，现有技术均有待改进，本申请提出一种特征检索方法，该方法在HNSW的构建阶段以及特征检索阶段均有改进，以能够提高特征检索的召回率以及降低特征检索的耗时时间。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参见图1，为本发明特征底库构建方法的一实施例的流程示意图，具体包括：
步骤S11：从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征。
具体的，特征底库是由数据库中的特征构建得到的。因此需要对数据库中的图像，例如人脸图像进行特征提取，以得到若干用于构建特征底库的特征。在一具体实施例中，通过深度卷积网络算法对数据库中的图像进行特征提取，获取高维度的浮点型数据特征（一般为256维或512维）。在获得特征之后，将特征和特征对应的图像按照对应关系存储，以此，在检索阶段，可以根据特征找到对应的图像。
在一具体实施例中，为了便于相似度的计算，进一步对提取的特征进行归一化处理，利用归一化处理后的特征构建特征底库。
具体的，在构建特征底库之前，需要先根据归一化处理后的特征设置int型参数M和int型参数efconstruction，其中参数M表示每个节点的友点个数，越大越好，一般在5到48之间，其高低会影响内存消耗和召回率。参数efconstruction表示动态候选节点集合的大小，其高低影响索引构建速度和索引效果，该参数需要大于等于友点个数M。一般情况下，256维的特征下M通常取50，efconstriction取500效果较好，还有一些其它的参数不一一列举，它们都是通过M进行自适应。目前索引结构就是除0层外其它层连接数及最大连接数是50个，0层连接数是2M即100个。
从特征中选择一个特征作为待插入特征，利用指数衰减函数确定待插入特征的最高目标层C。指数衰减函数为：
Figure DEST_PATH_IMAGE001
，其中mL=1/logM。
具体的，每一层数据量会以底层开始向最高层逐层递减，并以M指数形式递减，其意义是自高层向低层进行特征检索时，检索力度逐级由松到紧。
在确定待插入特征在特征底库的最高目标层C后，在特征底库的最高目标层C的上一层即C+1层中，确定最高目标层C的第一入口特征Q。具体的，利用贪婪搜索的方式从特征底库的最高层L至最高目标层C的上一层即C+1层中进行搜索，以得到确定第一入口特征。具体的，假设特征底库的最高层L为5，最高目标层C为2，则在第5层搜索得到与待插入特征相似度最高的特征，以作为第4层的入口特征。以该入口特征为入口，在第4层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第3层的入口特征。以该入口特征为入口，在第3层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第2层的入口特征，也即最高目标层C的第一入口特征Q。
步骤S12：基于第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征。
具体的，以第一入口特征Q为入口，从最高目标层C中与第一入口特征Q关联的特征中搜索得到待插入特征的第一匹配特征。具体的，在得到待插入特征的第一匹配特征的同时，将该第一匹配特征与待插入特征建立关联。以此在检索时，即可基于第一入口特征Q召回与之关联的第一匹配特征。
步骤S13：响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。
在本申请中，在最高目标层C中建立待插入特征与第一匹配特征的关联后，进一步判断最高目标层C的上一层也即C+1层中的第一匹配特征的数量是否达到预设数量。
具体的，响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，则确定最高目标层的上一层C+1的第二入口特征R，基于第二入口特征R在最高目标层的上一层C+1中搜索得到待插入特征的第二匹配特征。
具体的，假设特征底库的最高层L为5，最高目标层C为2，则在第5层搜索得到与待插入特征相似度最高的特征，以作为第4层的入口特征。以该入口特征为入口，在第4层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第3层的入口特征，也即最高目标层C的上一层C+1的第二入口特征R。
以第二入口特征R为入口，从最高目标层C的上一层C+1中与第二入口特征R关联的特征中搜索得到待插入特征的第二匹配特征。具体的，在得到待插入特征的第二匹配特征的同时，将该第二匹配特征与待插入特征建立关联。以此在检索时，即可基于第二入口特征R召回与之关联的匹配特征。可以理解的，以上的待插入特征的第二匹配特征为与待插入特征相似度在一定范围内的特征。
进一步的，在以实施例中，判断最高目标层C的上一层C+1中是否具有待插入特征。若最高目标层C的上一层C+1中不具有待插入特征，进一步判断最高目标层C的上一层C+1中的第一匹配特征的数量是否达到预设数量。响应于最高目标层C的上一层C+1中不具有待插入特征，且响应于最高目标层C的上一层C+1中第一匹配特征的数量未达到预设数量，则确定最高目标层C的上一层C+的第二入口特征Q，基于第二入口特征Q在最高目标层C的上一层C+1中搜索得到待插入特征的第二匹配特征。
在一实施例中，响应于最高目标层的上一层中的第一匹配特征的数量达到预设数量。则确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。具体的，从最高目标层C中确定与待插入特征相似度最高的特征，以作为最高目标层C的下一层C-1的第三入口特征S。基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征，并在搜索过程中建立待插入特征与第三匹配特征的关联。
在一实施例中，响应于最高目标层C的上一层C+1中不具有待插入特征，且响应于最高目标层C的上一层C+1中第一匹配特征数量达到预设数量，则确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。
可以理解的，在本发明的一实施例中，若最高目标层C的上一层C+1中具有待插入特征，则确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。
遍历数据库中的每一个特征，均以上述的方式插入至特征底库中，即可完成特征底库的构建。
需要说明的是，上述的“预设数量”大小影响局部层的稀疏程度，从而影响整体耗时和召回，需要根据实际情况进行权衡。
本实施例的方法，考虑特征以及当前层匹配特征与上一层特征的包含关系，进一步提高索引的连通性和稳定性问题，提高特征检索的召回率以及降低特征检索的耗时时间。
请参见图2，为本发明特征底库构建装置的一实施例的结构示意图。具体包括：入口确定模块21、第一搜索模块22以及第二搜索模块23。
其中，入口确定模块21用于从特征底库中待插入特征的最高目标层的上一层中，确定最高目标层的第一入口特征。
具体的，特征底库是由数据库中的特征构建得到的。因此需要对数据库中的图像，例如人脸图像进行特征提取，以得到若干用于构建特征底库的特征。在一具体实施例中，通过深度卷积网络算法对数据库中的图像进行特征提取，获取高维度的浮点型数据特征（一般为256维或512维）。在获得特征之后，将特征和特征对应的图像按照对应关系存储，以此，在检索阶段，可以根据特征找到对应的图像。
在一具体实施例中，为了便于相似度的计算，进一步对提取的特征进行归一化处理，利用归一化处理后的特征构建特征底库。
具体的，在构建特征底库之前，需要先根据归一化处理后的特征设置int型参数M和int型参数efconstruction，其中参数M表示每个节点的友点个数，越大越好，一般在5到48之间，其高低会影响内存消耗和召回率。参数efconstruction表示动态候选节点集合的大小，其高低影响索引构建速度和索引效果，该参数需要大于等于友点个数M。一般情况下，256维的特征下M通常取50，efconstriction取500效果较好，还有一些其它的参数不一一列举，它们都是通过M进行自适应。目前索引结构就是除0层外其它层连接数及最大连接数是50个，0层连接数是2M即100个。
入口确定模块21从特征中选择一个特征作为待插入特征，利用指数衰减函数确定待插入特征的最高目标层C。指数衰减函数为：
Figure DEST_PATH_IMAGE002
，其中mL=1/logM。
具体的，每一层数据量会以底层开始向最高层逐层递减，并以M指数形式递减，其意义是自高层向低层进行特征检索时，检索力度逐级由松到紧。
入口确定模块21在确定待插入特征在特征底库的最高目标层C后，在特征底库的最高目标层C的上一层即C+1层中，确定最高目标层C的第一入口特征Q。具体的，利用贪婪搜索的方式从特征底库的最高层L至最高目标层C的上一层即C+1层中进行搜索，以得到确定第一入口特征。具体的，假设特征底库的最高层L为5，最高目标层C为2，则在第5层搜索得到与待插入特征相似度最高的特征，以作为第4层的入口特征。以该入口特征为入口，在第4层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第3层的入口特征。以该入口特征为入口，在第3层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第2层的入口特征，也即最高目标层C的第一入口特征Q。
第一搜索模块22用于基于第一入口特征在最高目标层中搜索得到待插入特征的第一匹配特征。
具体的，第一搜索模块22以第一入口特征Q为入口，从最高目标层C中与第一入口特征Q关联的特征中搜索得到待插入特征的第一匹配特征。具体的，在得到待插入特征的第一匹配特征的同时，将该第一匹配特征与待插入特征建立关联。以此在检索时，即可基于第一入口特征Q召回与之关联的第一匹配特征。
第二搜索模块23用于响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，确定最高目标层的上一层的第二入口特征，基于第二入口特征在最高目标层的上一层中搜索得到待插入特征的第二匹配特征。
具体的，在最高目标层C中建立待插入特征与第一匹配特征的关联后，第二搜索模块23进一步判断最高目标层C的上一层也即C+1层中的第一匹配特征的数量是否达到预设数量。
具体的，响应于最高目标层的上一层中的第一匹配特征数量未达预设数量，第二搜索模块23确定最高目标层的上一层C+1的第二入口特征R，基于第二入口特征R在最高目标层的上一层C+1中搜索得到待插入特征的第二匹配特征。
具体的，假设特征底库的最高层L为5，最高目标层C为2，则在第5层搜索得到与待插入特征相似度最高的特征，以作为第4层的入口特征。以该入口特征为入口，在第4层中与该入口特征关联的特征中搜索得到与待插入特征相似度最高的特征，以作为第3层的入口特征，也即最高目标层C的上一层C+1的第二入口特征R。
第二搜索模块23以第二入口特征R为入口，从最高目标层C的上一层C+1中与第二入口特征R关联的特征中搜索得到待插入特征的第二匹配特征。具体的，在得到待插入特征的第二匹配特征的同时，将该第二匹配特征与待插入特征建立关联。以此在检索时，即可基于第二入口特征R召回与之关联的匹配特征。可以理解的，以上的待插入特征的第二匹配特征为与待插入特征相似度在一定范围内的特征。
进一步的，在一实施例中，第二搜索模块23判断最高目标层C的上一层C+1中是否具有待插入特征。若最高目标层C的上一层C+1中不具有待插入特征，第二搜索模块23进一步判断最高目标层C的上一层C+1中的第一匹配特征的数量是否达到预设数量。响应于最高目标层C的上一层C+1中不具有待插入特征，且响应于最高目标层C的上一层C+1中第一匹配特征的数量未达到预设数量，第二搜索模块23确定最高目标层C的上一层C+的第二入口特征Q，基于第二入口特征Q在最高目标层C的上一层C+1中搜索得到待插入特征的第二匹配特征。
在一实施例中，响应于最高目标层的上一层中的第一匹配特征的数量达到预设数量。第二搜索模块23确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。具体的，从最高目标层C中确定与待插入特征相似度最高的特征，以作为最高目标层C的下一层C-1的第三入口特征S。基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征，并在搜索过程中建立待插入特征与第三匹配特征的关联。
在一实施例中，响应于最高目标层C的上一层C+1中不具有待插入特征，且响应于最高目标层C的上一层C+1中第一匹配特征数量达到预设数量，第二搜索模块23确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。
可以理解的，在本发明的一实施例中，若最高目标层C的上一层C+1中具有待插入特征，第二搜索模块23确定最高目标层C的下一层C-1的第三入口特征S，基于第三入口特征S在最高目标层C的下一层C-1中搜索得到待插入特征的第三匹配特征。
遍历数据库中的每一个特征，均以上述的方式插入至特征底库中，即可完成特征底库的构建。
需要说明的是，上述的“预设数量”大小影响局部层的稀疏程度，从而影响整体耗时和召回，需要根据实际情况进行权衡。
本实施例的装置，考虑特征以及当前层匹配特征与上一层特征的包含关系，进一步提高索引的连通性和稳定性问题，提高特征检索的召回率以及降低特征检索的耗时时间。
请参见图3，为本发明特征检索方法的一实施例的流程示意图，具体包括：
步骤S31：获取待检索特征。
具体的，对待检索图像进行体征提取，进而获取待检索特征。在一实施例中，为了便于相似度的计算，进一步对待检索特征进行归一化处理，利用归一化处理后的待检索特征从特征底库中进行检索，以得到待检索特征的匹配特征。本实施例的特征底库为通过上述图1所示的实施例构建而成的特征底库。
步骤S32：从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合，第一特征集合中包括与待检索特征匹配的多个特征。
具体的，从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合。第一特征集合中包括与待检索特征匹配的多个特征。
具体的，以预设搜索入口从特征底库的最高层检索与待检索特征匹配度最高的特征，以作为特征底库的最高层的下一层的当前搜索入口；以当前搜索入口，从特征底库的最高层的下一层检索与待检索特征匹配度最高的特征。在一实施例中，假设特征底库的最高层为H，随机选择特征点作为特征底库的最高层H的预设搜索入口，基于预设搜索入口在特征底库的最高层H中与预设搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的最高层的下一层H-1的搜索入口。基于特征底库的最高层的下一层H-1的搜索入口在特征底库的最高层的下一层H-1中与搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的H-2层的搜索入口，基于特征底库的H-2层的搜索入口在特征底库的H-2层中与搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的H-3的搜索入口。重复上述方法直至检索到特征底库的最底层的上一层。
在一实施例中，以特征底库中的最底层的上一层的搜索入口，从特征底库中的最底层的上一层中确定与待检索特征匹配的第一特征集合。
步骤S33：以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。
具体的，以第一特征集合中至少两个特征作为搜索入口，从特征底库的最底层搜索与待检索特征匹配的第二特征集合。
具体的，计算第一特征集合中每一特征与待检索特征的相似度；从第一特征集合中选择相似度最高的至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。例如，在特征底库的最底层的上一层中与搜索入口关联的特征中找到与待检索特征匹配的第一特征集合中特征有20个，此时计算这20个特征与待检索特征的相似度，选择相似度较高的10个特征作为特征底库的最底层的搜索入口。
在一可行实施例中，设置ef和k两个int型参数，其中参数ef表示搜索时动态候选特征集合的大小，一般地，该参数越大，召回率越高，耗时越高，参数k表示要查找的特征，动态候选特征集合在查找过程中不断进行更新，最后会从该动态候选特征集合中找出k个特征，因此动态候选特征集合ef中的特征数需要大于或等于参数k的值。
在一实施例中，假设动态候选特征集合ef中的特征数为100，参数k为10。以第一特征集合中每一特征为搜索入口，在特征底库的最底层找到与每一特征关联的特征，并计算找到的特征与待检索特征的相似度。在动态候选特征集合ef中特征数不足100时，将找到的特征填入动态候选特征集合ef中，并标注对应的相似度；在动态候选特征集合ef中特征数满100时，计算找到的特征与待检索特征的相似度，将动态候选特征集合ef中相似度较小的特征移除，将当前计算了相似度的特征加入动态候选特征集合ef中，通过该方法，遍历与每一特征关联的特征后，即可得到100个与待检索特征具有一定相似度的特征，最终，从动态候选特征集合ef中找出与待检索特征相似度排列在前，也即相似度最高的前10个特征，以作为第二特征集合。
在一具体实施例中，可以以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，同时从特征底库的最底层检索与待检索特征匹配的第二特征集合。
本实施例中，在特征底库的最底层以多个特征为搜索入口进行搜索，最终得到与待检索特征相似度最高的前k个特征，相对于现有技术中在最底层以一个特征为搜索入口进行搜索的方案，提高了特征的召回率，一定程度上提高了待检索特征的最终检索准确率。另外，本实施例中，同时以多个搜索入口进行并行搜索，不同的搜索入口进行内部搜索时是相互独立的，同时并行搜索可以极大降低耗时。
请参见图4，为本发明特征检索装置的一实施例的结构示意图，包括：获取模块41、第一检索模块42以及第二检索模块43。
其中，获取模块41用于获取待检索特征。具体的，对待检索图像进行体征提取，进而获取待检索特征。在一实施例中，为了便于相似度的计算，进一步对待检索特征进行归一化处理，利用归一化处理后的待检索特征从特征底库中进行检索，以得到待检索特征的匹配特征。本实施例的特征底库为通过上述图1所示的实施例构建而成的特征底库。
第一检索模块42用于用于从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合，第一特征集合中包括与待检索特征匹配的多个特征。
具体的，第一检索模块42从特征底库的最底层的上一层中确定与待检索特征匹配的第一特征集合。第一特征集合中包括与待检索特征匹配的多个特征。
具体的，第一检索模块42以预设搜索入口从特征底库的最高层检索与待检索特征匹配度最高的特征，以作为特征底库的最高层的下一层的当前搜索入口；以当前搜索入口，从特征底库的最高层的下一层检索与待检索特征匹配度最高的特征。在一实施例中，假设特征底库的最高层为H，随机选择特征点作为特征底库的最高层H的预设搜索入口，基于预设搜索入口在特征底库的最高层H中与预设搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的最高层的下一层H-1的搜索入口。基于特征底库的最高层的下一层H-1的搜索入口在特征底库的最高层的下一层H-1中与搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的H-2层的搜索入口，基于特征底库的H-2层的搜索入口在特征底库的H-2层中与搜索入口关联的特征中检索得到与待检索特征匹配度最高的特征，以作为特征底库的H-3的搜索入口。重复上述方法直至检索到特征底库的最底层的上一层。
在一实施例中，第一检索模块42以特征底库中的最底层的上一层的搜索入口，从特征底库中的最底层的上一层中确定与待检索特征匹配的第一特征集合。
第二检索模块43用于以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。
第二检索模块43以第一特征集合中至少两个特征作为搜索入口，从特征底库的最底层搜索与待检索特征匹配的第二特征集合。
具体的，第二检索模块43计算第一特征集合中每一特征与待检索特征的相似度；从第一特征集合中选择相似度最高的至少两个特征作为特征底库的最底层的搜索入口，从特征底库的最底层检索与待检索特征匹配的第二特征集合。例如，在特征底库的最底层的上一层中与搜索入口关联的特征中找到与待检索特征匹配的第一特征集合中特征有20个，此时计算这20个特征与待检索特征的相似度，选择相似度较高的10个特征作为特征底库的最底层的搜索入口。
在一可行实施例中，设置ef和k两个int型参数，其中参数ef表示搜索时动态候选特征集合的大小，一般地，该参数越大，召回率越高，耗时越高，参数k表示要查找的特征，动态候选特征集合在查找过程中不断进行更新，最后会从该动态候选特征集合中找出k个特征，因此动态候选特征集合ef中的特征数需要大于或等于参数k的值。
在一实施例中，假设动态候选特征集合ef中的特征数为100，参数k为10。以第一特征集合中每一特征为搜索入口，在特征底库的最底层找到与每一特征关联的特征，并计算找到的特征与待检索特征的相似度。在动态候选特征集合ef中特征数不足100时，将找到的特征填入动态候选特征集合ef中，并标注对应的相似度；在动态候选特征集合ef中特征数满100时，计算找到的特征与待检索特征的相似度，将动态候选特征集合ef中相似度较小的特征移除，将当前计算了相似度的特征加入动态候选特征集合ef中，通过该方法，遍历与每一特征关联的特征后，即可得到100个与待检索特征具有一定相似度的特征，最终，从动态候选特征集合ef中找出与待检索特征相似度排列在前，也即相似度最高的前10个特征，以作为第二特征集合。
在一具体实施例中，第二检索模块43可以以第一特征集合中至少两个特征作为特征底库的最底层的搜索入口，同时从特征底库的最底层检索与待检索特征匹配的第二特征集合。
本实施例的检索装置，在特征底库的最底层以多个特征为搜索入口进行搜索，最终得到与待检索特征相似度最高的前k个特征，相对于现有技术中在最底层以一个特征为搜索入口进行搜索的方案，提高了特征的召回率，一定程度上提高了待检索特征的最终检索准确率。另外，本实施例中，同时以多个搜索入口进行并行搜索，不同的搜索入口进行内部搜索时是相互独立的，同时并行搜索可以极大降低耗时。
请参见图5，为本发明电子设备的一实施例的结构示意图，电子设备包括相互连接的存储器202和处理器201。
存储器202用于存储实现上述任意一项的设备的方法的程序指令。
处理器201用于执行存储器202存储的程序指令。
其中，处理器201还可以称为CPU（Central Processing Unit，中央处理单元）。处理器201可能是一种集成电路芯片，具有信号的处理能力。处理器201还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。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。
存储器202可以为内存条、TF卡等，可以存储设备的电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备的存储器按用途可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，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，可以是电性，机械或其它的形式。
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实施方式方案的目的。
另外，在本申请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。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，系统服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。
请参阅图6，为本发明计算机可读存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件203，其中，该程序文件203可以以软件产品的形式存储在上述存储介质中，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）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种特征底库构建方法，其特征在于，包括：
从特征底库中待插入特征的最高目标层的上一层中，确定所述最高目标层的第一入口特征；
基于所述第一入口特征在所述最高目标层中搜索得到所述待插入特征的第一匹配特征；
响应于所述最高目标层的上一层中的所述第一匹配特征数量未达预设数量，确定所述最高目标层的上一层的第二入口特征，基于所述第二入口特征在所述最高目标层的上一层中搜索得到所述待插入特征的第二匹配特征。
2.根据权利要求1所述的方法，其特征在于，所述响应于所述最高目标层的上一层中的所述第一匹配特征数量未达预设数量，确定所述最高目标层的上一层的第二入口特征，基于所述第二入口特征在所述最高目标层的上一层中搜索得到所述待插入特征的第二匹配特征的步骤还包括：
响应于所述最高目标层的上一层中不具有所述待插入特征，且响应于所述最高目标层的上一层中所述第一匹配特征数量未达到预设数量，确定所述最高目标层的上一层的第二入口特征，基于所述第二入口特征在所述最高目标层的上一层中搜索得到所述待插入特征的第二匹配特征。
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：
响应于所述最高目标层的上一层中所述第一匹配特征数量达到预设数量，或者响应于所述最高目标层的上一层中不具有所述待插入特征，且响应于所述最高目标层的上一层中所述第一匹配特征数量达到预设数量，确定所述最高目标层的下一层的第三入口特征，基于所述第三入口特征在所述最高目标层的下一层中搜索得到所述待插入特征的第三匹配特征。
4.根据权利要求1所述的方法，其特征在于，所述从特征底库中所述待插入特征的最高目标层的上一层中，确定所述最高目标层的第一入口特征的步骤，包括：
利用贪婪搜索的方式从所述特征底库的最高层至所述最高目标层的上一层中进行搜索，以得到确定所述第一入口特征。
5.一种特征检索方法，其特征在于，所述方法包括：
获取待检索特征；
从特征底库的最底层的上一层中确定与所述待检索特征匹配的第一特征集合，所述第一特征集合中包括与所述待检索特征匹配的多个特征；所述特征底库为通过上述权利要求1~4任一项所述的特征底库的构建方法构建而成的；
以所述第一特征集合中至少两个所述特征作为所述特征底库的最底层的搜索入口，从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合。
6.根据权利要求5所述的方法，其特征在于，所述从所述特征底库的最底层的上一层中确定与所述待检索特征匹配的第一特征集合的步骤之前，之前包括：
以预设搜索入口从所述特征底库的最高层检索与所述待检索特征匹配度最高的特征，以作为所述特征底库的最高层的下一层的当前搜索入口；
以所述当前搜索入口，从所述特征底库的最高层的下一层检索与所述待检索特征匹配度最高的特征。
7.根据权利要求5所述的方法，其特征在于，所述以所述第一特征集合中至少两个所述特征作为所述特征底库的最底层的搜索入口，从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合的步骤，包括：
计算所述第一特征集合中每一所述特征与所述待检索特征的相似度；
从所述第一特征集合中选择相似度最高的至少两个所述特征作为所述特征底库的最底层的搜索入口，从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合。
8.根据权利要求5所述的方法，其特征在于，所述以所述第一特征集合中至少两个所述特征作为所述特征底库的最底层的搜索入口，从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合的步骤，包括：
以所述第一特征集合中至少两个所述特征作为所述特征底库的最底层的搜索入口，同时从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合。
9.一种特征底库的构建装置，其特征在于，包括：
入口确定模块，用于从特征底库中待插入特征的最高目标层的上一层中，确定所述最高目标层的第一入口特征；
第一搜索模块，用于基于所述第一入口特征在所述最高目标层中搜索得到所述待插入特征的第一匹配特征；
第二搜索模块，用于响应于所述最高目标层的上一层中的所述第一匹配特征数量未达预设数量，确定所述最高目标层的上一层的第二入口特征，基于所述第二入口特征在所述最高目标层的上一层中搜索得到所述待插入特征的第二匹配特征。
10.一种特征检索装置，其特征在于，包括：
获取模块，用于获取待检索特征；
第一检索模块，用于从特征底库的最底层的上一层中确定与所述待检索特征匹配的第一特征集合，所述第一特征集合中包括与所述待检索特征匹配的多个特征；所述特征底库为通过上述权利要求1~4任一项所述的特征底库的构建方法构建而成的；
第二检索模块，用于以所述第一特征集合中至少两个所述特征作为所述特征底库的最底层的搜索入口，从所述特征底库的最底层检索与所述待检索特征匹配的第二特征集合。
11.一种电子设备，其特征在于，包括：存储器和处理器，其中，所述存储器存储有程序指令，所述处理器从所述存储器调取所述程序指令以执行如权利要求1-4任一项所述的特征底库的构建方法和/或5-8任一项所述的特征检索方法。
12.一种计算机可读存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1-4任一项所述的特征底库的构建方法和/或5-8任一项所述的特征检索方法。
CN202110750680.9A 2021-07-02 2021-07-02 特征底库构建、特征检索方法以及相关装置 Active CN113255610B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110750680.9A CN113255610B (zh) 2021-07-02 2021-07-02 特征底库构建、特征检索方法以及相关装置
PCT/CN2021/128681 WO2023273082A1 (en) 2021-07-02 2021-11-04 Method for constructing feature base library, feature retrieval method, and related device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110750680.9A CN113255610B (zh) 2021-07-02 2021-07-02 特征底库构建、特征检索方法以及相关装置

Publications (2)

Publication Number Publication Date
CN113255610A true CN113255610A (zh) 2021-08-13
CN113255610B CN113255610B (zh) 2022-02-18

Family

ID=77190456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110750680.9A Active CN113255610B (zh) 2021-07-02 2021-07-02 特征底库构建、特征检索方法以及相关装置

Country Status (2)

Country Link
CN (1) CN113255610B (zh)
WO (1) WO2023273082A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023273082A1 (en) * 2021-07-02 2023-01-05 Zhejiang Dahua Technology Co., Ltd. Method for constructing feature base library, feature retrieval method, and related device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100626838B1 (ko) * 2004-04-14 2006-09-20 주식회사 엘피에이 대략적 최대 흐름 정합을 기반으로 하는 고속 영상 비교,검색 시스템 및 방법
CN112559789A (zh) * 2019-09-10 2021-03-26 中兴通讯股份有限公司 人脸搜索方法、装置、设备及计算机可读存储介质
CN112560868A (zh) * 2020-11-27 2021-03-26 西安中科星图空间数据技术有限公司 一种基于特征点库的多进程大区域网影像匹配方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101876981B (zh) * 2009-04-29 2015-09-23 阿里巴巴集团控股有限公司 一种构建知识库的方法及装置
KR102565278B1 (ko) * 2018-03-26 2023-08-09 삼성전자주식회사 영상 분할 방법, 영상 분할 장치, 및 영상 분할을 위한 학습 방법
CN109145139B (zh) * 2018-09-25 2021-07-27 北京市商汤科技开发有限公司 一种图像检索方法及装置、设备和存储介质
CN111461753B (zh) * 2020-04-17 2022-05-17 支付宝(杭州)信息技术有限公司 智能客服场景中的知识点召回方法及装置
CN113255610B (zh) * 2021-07-02 2022-02-18 浙江大华技术股份有限公司 特征底库构建、特征检索方法以及相关装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100626838B1 (ko) * 2004-04-14 2006-09-20 주식회사 엘피에이 대략적 최대 흐름 정합을 기반으로 하는 고속 영상 비교,검색 시스템 및 방법
CN112559789A (zh) * 2019-09-10 2021-03-26 中兴通讯股份有限公司 人脸搜索方法、装置、设备及计算机可读存储介质
CN112560868A (zh) * 2020-11-27 2021-03-26 西安中科星图空间数据技术有限公司 一种基于特征点库的多进程大区域网影像匹配方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023273082A1 (en) * 2021-07-02 2023-01-05 Zhejiang Dahua Technology Co., Ltd. Method for constructing feature base library, feature retrieval method, and related device

Also Published As

Publication number Publication date
CN113255610B (zh) 2022-02-18
WO2023273082A1 (en) 2023-01-05

Similar Documents

Publication Publication Date Title
CN108920720B (zh) 基于深度哈希和gpu加速的大规模图像检索方法
CN109165215B (zh) 一种云环境下时空索引的构建方法、装置及电子设备
US8232996B2 (en) Image learning, automatic annotation, retrieval method, and device
CN110609916A (zh) 视频图像数据检索方法、装置、设备和存储介质
US20180012105A1 (en) Localization and mapping method
CN110321448B (zh) 一种图像检索方法、装置和存储介质
US20150370838A1 (en) Index structure to accelerate graph traversal
CN108549696B (zh) 一种基于内存计算的时间序列数据相似性查询方法
EP2833275B1 (en) Image search device, image search method, program, and computer-readable storage medium
US9442950B2 (en) Systems and methods for dynamic visual search engine
CN111701247B (zh) 用于确定统一账号的方法和设备
CN111444363A (zh) 一种图片检索方法、装置、终端设备及存储介质
Wang et al. Duplicate discovery on 2 billion internet images
CN113255610B (zh) 特征底库构建、特征检索方法以及相关装置
JP2023510945A (ja) シーン識別方法及びその装置、インテリジェントデバイス、記憶媒体並びにコンピュータプログラム
CN110083731B (zh) 图像检索方法、装置、计算机设备及存储介质
CN110097581B (zh) 基于点云配准icp算法构建k-d树的方法
CN113157962B (zh) 图像检索方法、电子装置和存储介质
CN111506750B (zh) 图片检索方法、装置及电子设备
CN115878824B (zh) 图像检索系统、方法和装置
CN111125158B (zh) 数据表处理方法、装置、介质及电子设备
CN110633379B (zh) 一种基于gpu并行运算的以图搜图系统及方法
Liu et al. Efficiently learning spatial indices
CN115757896A (zh) 向量检索方法、装置、设备及可读存储介质
CN115082999A (zh) 合影图像人物分析方法、装置、计算机设备和存储介质

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