CN113886629B - 课程图片检索模型建立方法 - Google Patents

Abstract

本发明公开了一种课程图片检索模型建立方法，方法包括：获取图片的行列指纹数据；对行列指纹数据进行二维特征提取并建立检索模型与一阶检索模型；进行空间化处理，生成一阶特征库与行列特征库；进行双重筛选式的重合检索；通过一阶检索模型的设置，实现了图片检索时的二重筛选检索功能，大大的降低了检索比对的数据量，有效的提高了检索的效率；同时，空间转换处理的设置，使得方法能够自行扩展检索图片的多种其他空间视角特征信息，避免了空间视角不同，图片检索主题部分存在较大内容偏差时无法进行有效检索的问题。

Description

课程图片检索模型建立方法

技术领域

本发明涉及图像处理相关技术领域，具体是课程图片检索模型建立方法。

背景技术

随着互联网技术的快速发展，根据已有数据对数据库进行检索，获取所需要的相关联信息内容已经成为了互联网技术的一个重要发展方向，其中，检索的方式多种多样，有文字检索，也就是我们日常中所使用最多的一种检索方式，其是检索的原理是采用我们需要进行检索的对象的特征描述性词语或是定义性词语进行检索的；除了文字检索以外，近年来图片检索的方式也逐渐兴起，技术逐步趋于成熟，以图搜图也使得我们能够更加方便的根据手中已有的图像数据进行检索获取更多信息，也带来了更多新型的学习方式，如利用识图学习植物知识以及国外语言等。

现有技术中，课程图片检索所使用的大多为哈希算法，这一方法所采用的是基于比较灰度图每个像素的平均值来实现的,其需要经过图片缩放、灰度图转化、平均值计算、像素灰度值比较，最终对得到的信息指纹进行对比等多个步骤；另外的一种比较方法则是通过课程图像的重合比对而实现的。

以上现有技术中的两种图片检索方式存在适用性的各种问题，其中，两种方法在使用时同时存在只能对检索内容相同的图片进行检索，对于图片检索主题部分存在较大内容偏差的图像则无法进行有效的检索，同时这两种检索方式在检索时还存在检索内容一次性检索信息较大，检索效率慢的问题。

发明内容

本发明的目的在于提供课程图片检索模型建立方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种课程图片检索模型建立方法，包括以下步骤：

获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据；

根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型，所述检索模型用于存储并比对图片的行列指纹数据；

对所述一阶检索特征间隔进行多组空间转化处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转化处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新，所述空间转化处理用于在二维空间进行图像三维转变；

根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引。

作为本发明的进一步方案：所述根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型的步骤具体包括：

建立检索模型，所述检索模型包括特征比对程序，所述特征比对程序包括检索单元和比对库单元；

将所述行列指纹数据在所述比对库单元中存储；

提取所述行列指纹数据的二维特征点信息，生成一阶检索特征，所述一阶检索特征用于表征所述行列指纹数据的特征点数据；

建立一阶检索模型，所述一阶检索模型包括特征对比程序；

将所述一阶检索特征在所述一阶检索模型中的对比库单元中存储。

作为本发明的再进一步方案：所述一阶检索特征的生成，由一阶界定系数决定，所述一阶界定系数与数据库数据量成反比，所述数据库数据量越大，所述一阶界定系数越小，所述一阶检索模型的二维特征值数量越少。

作为本发明的再进一步方案：当所述一阶检索特征的二维特征值的数据量小于所述行列指纹数据数据量的预设百分比时，对所述行列指纹数据进行二维特征提取，生成二阶检索特征，并建立二阶检索模型，所述一阶检索特征的二维特征值为所述二阶检索特征的子集。

作为本发明的再进一步方案：所述对所述一阶检索特征间隔进行多组空间转化处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转化处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新的步骤，具体包括：

根据所述一阶检索特征建立空间向量组；

根据所述空间向量组对所述一阶检索特征进行多次空间转化处理，生成多个转换一阶检索特征，建立一阶特征库；所述空间转化处理为将所述一阶检索特征的空间向量组在所述空间坐标系中进行空间角度转换，所述多次空间转换处理预设一定的空间角度间隔；

根据多次空间转换处理生成多个空间转化系数，所述空间转换系数分别依次对应每次空间转换处理的转换函数；

根据所述空间转换系数对所述行列指纹数据进行空间转换处理，生成多个转换行列指纹数据，建立行列特征库；

根据所述一阶特征库和所述行列特征库对所述一阶检索模型与所述检索模型进行增量更新。

作为本发明的再进一步方案：所述空间转换系数的数量为多个，其中空间转换系数可以为预先设定的，此时，所述转换一阶检索特征则根据所述空间转换系数生成。

作为本发明的再进一步方案：所述根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引的步骤，具体包括：

提取数据库图片数据的一阶检索特征库，所述数据库图片的一阶检索特征还包括所述图片数据在所述数据库中的地址；

根据所述一阶检索模型对数据库图片数据的一阶检索特征库进行重合检索，生成一阶结果索引，所述一阶结果索引包含与所述一阶检索模型中对比单元所存储的一阶检索特征达到预设重合率的数据库图片的地址；

根据所述检索模型对所述一阶结果索引中的地址所对应的数据库图片进行行列指纹数据重合检索，根据检索结果生成图片检索结果。

作为本发明的再进一步方案：当存在所述二阶检索特征与所述二阶检索模型时，所述二阶检索模型对所述一阶结果索引进行重合检索，生成二阶结果索引，所述检索模型对所述二阶结果索引进行重合索引。

作为本发明的再进一步方案：所述数据库图片数据设有多个相对于的N阶检索特征库，其中包括一阶检索特征库与所述二阶检索特征库，每个所述N阶检索特征均对应设有与所述行列指纹数据数据量相对应的预设百分比，所述一阶检索模型与二阶检索模型通过预设百分比确定所述一阶检索特征库与一阶结果索引的二阶特征库

作为本发明的再进一步方案：所述获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据的步骤，具体包括：

缩放所述课程图片，进行结构细节保留处理；

将所述课程图片转化为灰度图，并进行灰度值特征点标记；

根据灰度值特征点标记，并结合所述特征点标记的灰度值数值生成行列指纹数据。

与现有技术相比，本发明的有益效果是：通过一阶检索模型的设置，实现了图片检索时的二重筛选检索功能，大大的降低了检索比对的数据量，有效的提高了检索的效率；同时，空间转换处理的设置，使得方法能够自行扩展检索图片的多种其他空间视角特征信息，避免了空间视角不同，图片检索主题部分存在较大内容偏差时无法进行有效检索的问题。

附图说明

图1为一种课程图片检索模型建立方法的流程框图。

图2为一种课程图片检索模型建立方法中建立检索模型的流程框图。

图3为一种课程图片检索模型建立方法中空间化处理的流程框图。

图4为一种课程图片检索模型建立方法中图片检索的流程框图。

图5为一种课程图片检索模型建立方法获取课程图片的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现方式进行详细描述。

如图1和图5所述，为本发明一个实施例提供的一种课程图片检索模型建立方法，包括以下步骤：

S100，获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据。

S200，根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型，所述检索模型用于存储并比对图片的行列指纹数据。

S300，对所述一阶检索特征间隔进行多组空间转化处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转化处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新，所述空间转化处理用于在二维空间进行图像三维转变。

S400，根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引。

本发明实施中，步骤S200是基于传统图片处理步骤S100而设置的，通过对图片进行特征信息简化，而后在依据简化后的特征信息建立检索模型，使得在步骤S400进行图片检索时，能够减少检索时的数据比对量，降低检索的算力资源消耗，提升检索效率，这里可以将其理解为将检索步骤进行了拆分，通过两步检索法来实现对数据库中图片数据的检索，例如，数据库中原本有一万份文件，每个文件的特征信息有100个数据，而步骤S200对每个文件的特征信息进行筛选到了10个，然后在第一轮检索中，只需要对这一万份文件每份文件检索10个数据便可以完成筛选，也就是10万次检索，同时，当10份文件中的每一个检索出来时，迅速进行第二轮检索，此轮检索对每个文件的100个数据进行逐一检索，也就是1千次检索，而如果不采用这样的分次检索方式，则总共需要检索100万次，在相同的运算速率下，其消耗的时间是十倍关系，因此，步骤S200解决了单次检索信息较大，检索效率慢的问题；步骤S300是对检索特征信息的扩充步骤，这里假设我们检索一个建筑相关的图片，但在不同的图片拍摄角度中，其建筑的长宽比例是会发生变化的，因此，当发生较大的变化时，传统的检索方式便难以再检索出来，因此我们根据建筑视角变化，其在某一空间向量上的尺寸比例关系是具有比列变化关系的这一点，对提供图片的特征信息也就是行列指纹数据进行扩展，自动模拟出其可能的各个角度下的比例关系，生成新的特征信息，这样在检索是就避免了检索遗漏的问题，解决了对于图片检索主题部分存在较大内容偏差无法进行有效检索的问题。

如图1所示，作为本发明一个优选的实施例，所述根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型的步骤具体包括：

S201，建立检索模型，所述检索模型包括特征比对程序，所述特征比对程序包括检索单元和比对库单元。

S202，将所述行列指纹数据在所述比对库单元中存储。

S203，提取所述行列指纹数据的二维特征点信息，生成一阶检索特征，所述一阶检索特征用于表征所述行列指纹数据的特征点数据。

S204，建立一阶检索模型，所述一阶检索模型包括特征对比程序。

S205，将所述一阶检索特征在所述一阶检索模型中的对比库单元中存储。

具体的来说，所述一阶检索特征的生成，由一阶界定系数决定，所述一阶界定系数与数据库数据量成反比，所述数据库数据量越大，所述一阶界定系数越小，所述一阶检索模型的二维特征值数量越少。

更具体的来说，当所述一阶检索特征的二维特征值的数据量小于所述行列指纹数据数据量的预设百分比时，对所述行列指纹数据进行二维特征提取，生成二阶检索特征，并建立二阶检索模型，所述一阶检索特征的二维特征值为所述二阶检索特征的子集。

本发明实施中，是对步骤S200的具体解释说明，检索模型实质上就是一个用于提取数据库中图片对图片信息进行比对分析的检索程序，二维特征点信息是行列特折信息的具有明显特征信息的信息点，其中一阶检索模型是对数据库进行初筛的检索程序，检索模型是对一阶检索结果进行确定检索的检索程序，通过检索模型可以最终获取检索结果。

如图1所示，作为本发明一个优选的实施例，所述对所述一阶检索特征间隔进行多组空间转化处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转化处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新的步骤，具体包括：

S301，根据所述一阶检索特征建立空间向量组。

S302，根据所述空间向量组对所述一阶检索特征进行多次空间转化处理，生成多个转换一阶检索特征，建立一阶特征库；所述空间转化处理为将所述一阶检索特征的空间向量组在所述空间坐标系中进行空间角度转换，所述多次空间转换处理预设一定的空间角度间隔。

S303，根据多次空间转换处理生成多个空间转化系数，所述空间转换系数分别依次对应每次空间转换处理的转换函数。

S304，根据所述空间转换系数对所述行列指纹数据进行空间转换处理，生成多个转换行列指纹数据，建立行列特征库。

S305，根据所述一阶特征库和所述行列特征库对所述一阶检索模型与所述检索模型进行增量更新。

具体的来说，所述空间转换系数的数量为多个，其中空间转换系数可以为预先设定的，此时，所述转换一阶检索特征则根据所述空间转换系数生成。

本发明实施中，这一步骤是对步骤S300的具体流程说明，根据检索特征和行列指纹数据建立空间向量组的步骤，其作用是对二维特征点数据进行一个关联度设置，使得在同一轴向上的二维特征数据点被共同标记，同一轴向上的空间向量组在进行空间转化处理时，是遵循同一变化数值的，这样以保证特征主体整体在二维变化时不会产生三维形变，这里的步骤可以理解为在平面三维坐标系中对平面三维图像进行偏转操作，而空间转化系数则是表示平面三维坐标系中特征点各轴的变化规律与方法。

如图1所示，作为本发明一个优选的实施例，所述根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引的步骤，具体包括：

S401，提取数据库图片数据的一阶检索特征库，所述数据库图片的一阶检索特征还包括所述图片数据在所述数据库中的地址。

S402，根据所述一阶检索模型对数据库图片数据的一阶检索特征库进行重合检索，生成一阶结果索引，所述一阶结果索引包含与所述一阶检索模型中对比单元所存储的一阶检索特征达到预设重合率的数据库图片的地址。

S403，根据所述检索模型对所述一阶结果索引中的地址所对应的数据库图片进行行列指纹数据重合检索，根据检索结果生成图片检索结果。

具体的来说，当存在所述二阶检索特征与所述二阶检索模型时，所述二阶检索模型对所述一阶结果索引进行重合检索，生成二阶结果索引，所述检索模型对所述二阶结果索引进行重合索引。

更具体的来说，所述数据库图片数据设有多个相对于的N阶检索特征库，其中包括一阶检索特征库与所述二阶检索特征库，每个所述N阶检索特征均对应设有与所述行列指纹数据数据量相对应的预设百分比，所述一阶检索模型与二阶检索模型通过预设百分比确定所述一阶检索特征库与一阶结果索引的二阶特征库。

本发明实施中，是对步骤S400进行详细步骤说明的一个具体的实施例，整个检索步骤所执行的筛选与检索次数总和，取决于N阶检索模型中N的大小，最终检索的次数总为N+1次，执行由一阶检索模型向N阶检索模型逐渐检索的方式，最终由检索模型进行最终检索，这里的N阶取决于单个文件行列指纹数据的数据量和数据库的数据量，当数据库的数据量和行列数据的数据量越大时，N的数量越多，可以有效的减少总的检索数据量，其中行列数据的数据量决定方式可以理解为，当总得行列指纹数据量为100时，若一阶特征数据为10，此时数据跨度较大，因此可设置二阶检索模型，其中二阶检索模型的二阶特征数据量为30或是40，需要理解的是，这里的N阶是由两个因素共同决定的，因此不能被某一项单独决定，其设置的作用是减少数据检索量，因此，若是设置的N阶检索模型最终所需要检索的N+1次的检索数据量等于或大于检索数据总和，则设置该N阶则失去意义。

如图1所示，作为本发明一个优选的实施例，所述获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据的步骤，具体包括：

缩放所述课程图片，进行结构细节保留处理；

将所述课程图片转化为灰度图，并进行灰度值特征点标记；

根据灰度值特征点标记，并结合所述特征点标记的灰度值数值生成行列指纹数据。

本发明实施中，是对步骤S100的一种具体实施例的具体流程说明，这一步骤是基于传统数据处理的方式执行的，通过缩放，灰度图转化等方式提取所述图片的行列指纹数据。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

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 (8)

1.一种课程图片检索模型建立方法，其特征在于，包含以下步骤：

获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据；

根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型，所述一阶检索模型用于存储并比对图片的行列指纹数据；

对所述一阶检索特征间隔进行多组空间转换处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转换处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新，所述空间转换处理用于在二维空间进行图像三维转变；

根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引；

所述根据所述行列指纹数据建立检索模型，对所述行列指纹数据进行二维特征值提取，生成一阶检索特征，并根据所述一阶检索特征建立一阶检索模型的步骤具体包括：

建立检索模型，所述检索模型包括特征比对程序，所述特征比对程序包括检索单元和比对库单元；

将所述行列指纹数据在所述比对库单元中存储；

提取所述行列指纹数据的二维特征点信息，生成一阶检索特征，所述一阶检索特征用于表征所述行列指纹数据的特征点数据；

建立一阶检索模型，所述一阶检索模型包括特征对比程序；

将所述一阶检索特征在所述一阶检索模型中的对比库单元中存储；

所述对所述一阶检索特征间隔进行多组空间转换处理，生成一阶特征库，生成多个空间转换系数，根据所述空间转换系数对行列指纹数据进行空间转换处理，生成行列特征库，根据所述一阶特征库和行列特征库分别对一阶检索模型和检索模型进行增量更新的步骤，具体包括：

根据所述一阶检索特征建立空间向量组；

根据所述空间向量组对所述一阶检索特征进行多次空间转换处理，生成多个转换一阶检索特征，建立一阶特征库；所述空间转换处理为将所述一阶检索特征的空间向量组在空间坐标系中进行空间角度转换，所述多次空间转换处理预设一定的空间角度间隔；

根据多次空间转换处理生成多个空间转换系数，所述空间转换系数分别依次对应每次空间转换处理的转换函数；

根据所述空间转换系数对所述行列指纹数据进行空间转换处理，生成多个转换行列指纹数据，建立行列特征库；

根据所述一阶特征库和所述行列特征库对所述一阶检索模型与所述检索模型进行增量更新。

2.根据权利要求1所述的课程图片检索模型建立方法，其特征在于，所述一阶检索特征的生成，由一阶界定系数决定，所述一阶界定系数与数据库数据量成反比，所述数据库数据量越大，所述一阶界定系数越小，所述一阶检索模型的二维特征值数量越少。

3.根据权利要求2所述的课程图片检索模型建立方法，其特征在于，当所述一阶检索特征的二维特征值的数据量小于所述行列指纹数据的数据量的预设百分比时，对所述行列指纹数据进行二维特征提取，生成二阶检索特征，并建立二阶检索模型，所述一阶检索特征的二维特征值为所述二阶检索特征的子集。

4.根据权利要求1所述的课程图片检索模型建立方法，其特征在于，所述空间转换系数的数量为多个，其中空间转换系数为预先设定的，所述转换一阶检索特征则根据所述空间转换系数生成。

5.根据权利要求3所述的课程图片检索模型建立方法，其特征在于，所述根据所述一阶检索模型对数据库进行重合检索，生成一阶结果索引，根据所述检索模型对所述一阶结果索引中的数据库图片进行行列指纹数据重合检索，生成图片检索结果索引的步骤，具体包括：

提取数据库图片数据的一阶检索特征库，所述数据库图片的一阶检索特征还包括所述图片数据在所述数据库中的地址；

根据所述一阶检索模型对数据库图片数据的一阶检索特征库进行重合检索，生成一阶结果索引，所述一阶结果索引包含与所述一阶检索模型中对比单元所存储的一阶检索特征达到预设重合率的数据库图片的地址；

根据所述检索模型对所述一阶结果索引中的地址所对应的数据库图片进行行列指纹数据重合检索，根据检索结果生成图片检索结果。

6.根据权利要求5所述的课程图片检索模型建立方法，其特征在于，当存在所述二阶检索特征与所述二阶检索模型时，所述二阶检索模型对所述一阶结果索引进行重合检索，生成二阶结果索引，所述检索模型对所述二阶结果索引进行重合索引。

7.根据权利要求6所述的课程图片检索模型建立方法，其特征在于，所述数据库图片数据设有多个相对于的N阶检索特征库，其中包括一阶检索特征库与所述二阶检索特征库，每个所述N阶检索特征均对应设有与所述行列指纹数据数据量相对应的预设百分比，所述一阶检索模型与二阶检索模型通过预设百分比确定所述一阶检索特征库与一阶结果索引的二阶特征库。

8.根据权利要求4所述的课程图片检索模型建立方法，其特征在于，所述获取所述课程图片，对所述课程图片进行行列指纹数据提取，所述行列指纹数据用于表征所述课程图片每一预设像素行的特征点数据的步骤，具体包括：

缩放所述课程图片，进行结构细节保留处理；

将所述课程图片转化为灰度图，并进行灰度值特征点标记；

根据灰度值特征点标记，并结合所述特征点标记的灰度值数值生成行列指纹数据。

Images