[發(fā)明專利]一種圖像高維特征的相似比較方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201510436176.6
• 申請(qǐng)日: 2015-07-23
• 公開(kāi)（公告）號(hào): CN105095435A
• 公開(kāi)（公告）日: 2015-11-25
• 發(fā)明（設(shè)計(jì)）人: 林熙東;牟川
• 申請(qǐng)（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 中原信達(dá)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 姜?jiǎng)?陸錦華

1.一種圖像高維特征的相似比較方法，其特征在于，包括：

將所提取的圖像特征向量通過(guò)局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量；

將所述低維特征向量平均分段并建立分段索引表；

通過(guò)將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集；

將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述圖像特征向量是利用深度學(xué)習(xí)技術(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)提取的。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述低維特征向量平均分段的步驟之前，還包括：

在一個(gè)較小的驗(yàn)證集上通過(guò)實(shí)驗(yàn)確定最優(yōu)的分段長(zhǎng)度。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述低維特征向量平均分段并建立分段索引表的步驟包括：

將所述低維特征向量平均分段，以分段后的特征向量作為索引項(xiàng)，并計(jì)算每個(gè)索引項(xiàng)的指紋值；

將所述指紋值對(duì)與所述分段索引表包含的預(yù)定的入口個(gè)數(shù)最接近的素?cái)?shù)進(jìn)行取余運(yùn)算，得到所述索引項(xiàng)的入口地址；

將所述低維特征向量根據(jù)得到的所述入口地址插入所述分段索引表中以建立分段索引表。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過(guò)將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集的步驟包括：

通過(guò)訪問(wèn)查詢圖像的所述分段后的低維特征向量的入口地址，得到?jīng)_突集；

將與所述查詢圖像的分段后的低維特征向量的指紋值相同的所述沖突集節(jié)點(diǎn)對(duì)應(yīng)的所述低維特征向量提取出來(lái)，作為候選集；

把各個(gè)分段檢索得到的所述候選集合并起來(lái)，去掉其中重復(fù)的所述低維特征向量，得到候選樣本集。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量包括：

分別計(jì)算所述候選樣本集中的每個(gè)樣本與所述查詢圖像的低維特征向量之間的曼哈頓距離得分；

將所述得分按照從小到大排序，并取前預(yù)定個(gè)數(shù)的得分對(duì)應(yīng)的樣本的圖像作為所述查詢圖像的相似圖像。

8.一種圖像高維特征的相似比較裝置，其特征在于，包括：

特征降維模塊，用于將所提取的圖像特征向量通過(guò)局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量；

分段索引模塊，用于將所述低維特征向量平均分段并建立分段索引表；

相似查詢模塊，用于通過(guò)將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集；

比較度量模塊，用于將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述圖像特征向量是利用深度學(xué)習(xí)技術(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)來(lái)提取的。

10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。

11.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述分段索引模塊在將所述低維特征向量平均分段之前，還用于：

在一個(gè)較小的驗(yàn)證集上通過(guò)實(shí)驗(yàn)確定最優(yōu)的分段長(zhǎng)度。

12.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述分段索引模塊還用于：

將所述低維特征向量平均分段，以分段后的特征向量作為索引項(xiàng)，并計(jì)算每個(gè)索引項(xiàng)的指紋值；

將所述指紋值對(duì)與所述分段索引表包含的預(yù)定的入口個(gè)數(shù)最接近的素?cái)?shù)進(jìn)行取余運(yùn)算，得到所述索引項(xiàng)的入口地址；

將所述低維特征向量根據(jù)得到的所述入口地址插入所述分段索引表中以建立分段索引表。

13.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述相似查詢模塊還用于：

通過(guò)訪問(wèn)查詢圖像的所述分段后的低維特征向量的入口地址，得到?jīng)_突集；

將與所述查詢圖像的分段后的低維特征向量的指紋值相同的所述沖突集節(jié)點(diǎn)對(duì)應(yīng)的所述低維特征向量提取出來(lái)，作為候選集；

把各個(gè)分段檢索得到的所述候選集合并起來(lái)，去掉其中重復(fù)的所述低維特征向量，得到候選樣本集。

14.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述比較度量模塊還用于：

分別計(jì)算所述候選樣本集中的每個(gè)樣本與所述查詢圖像的低維特征向量之間的曼哈頓距離得分；

將所述得分按照從小到大排序，并取前預(yù)定個(gè)數(shù)的得分對(duì)應(yīng)的樣本的圖像作為所述查詢圖像的相似圖像。