[發(fā)明專(zhuān)利]一種同源圖片檢索的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710384823.2
• 申請(qǐng)日: 2017-05-26
• 公開(kāi)（公告）號(hào): CN107193979B
• 公開(kāi)（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 馬良莊;蔡毅;朱奕
• 申請(qǐng)（專(zhuān)利權(quán)）人: 成都掌中全景信息技術(shù)有限公司
• 主分類(lèi)號(hào): G06F16/583
• 分類(lèi)號(hào): G06F16/583
• 代理公司: 成都華風(fēng)專(zhuān)利事務(wù)所(普通合伙) 51223
• 代理人: 徐豐

1.一種同源圖片檢索的方法，其特征在于，包括如下內(nèi)容：

建立特征提取模型；

建立名稱(chēng)變量型特征提取模型,具體為：對(duì)所述特征提取模型依次輸入兩張圖片，并根據(jù)所述特征提取模型獲取的兩個(gè)特征向量，分別對(duì)應(yīng)獲取兩張圖片的名稱(chēng)變量型特征向量，所述兩張圖片具體為同源圖片或非同源圖片；

基于第一損失函數(shù)訓(xùn)練并調(diào)整所述名稱(chēng)變量型特征提取模型的參數(shù)，獲得優(yōu)化后的名稱(chēng)變量型特征提取模型；

對(duì)所述優(yōu)化后的名稱(chēng)變量型特征提取模型再依次輸入兩張圖片，獲取所述兩張圖片的名稱(chēng)變量型特征向量之間的差異性；

基于多次獲取的兩張圖片的差異性，歸納出兩張圖片屬于同源圖片時(shí)，所述差異性所滿(mǎn)足的預(yù)設(shè)條件；

基于所述優(yōu)化后的名稱(chēng)變量型特征提取模型，獲得數(shù)據(jù)庫(kù)中每張?jiān)紙D片所對(duì)應(yīng)的名稱(chēng)變量型特征向量，建立每張?jiān)紙D片與名稱(chēng)變量型特征向量的對(duì)應(yīng)關(guān)系形成的索引庫(kù)；

對(duì)所述優(yōu)化后的名稱(chēng)變量型特征提取模型輸入任意一張圖時(shí)，根據(jù)獲得的對(duì)應(yīng)的名稱(chēng)變量型特征向量以及兩張圖片的名稱(chēng)變量型特征向量的差異性所滿(mǎn)足的預(yù)設(shè)條件，在所述索引庫(kù)中查找與之對(duì)應(yīng)的原始圖片；

對(duì)所述特征提取模型依次輸入兩張圖片，并根據(jù)所述特征提取模型獲取的兩個(gè)特征向量，分別對(duì)應(yīng)獲取兩張圖片的名稱(chēng)變量型特征向量，具體為：

對(duì)所述特征提取模型依次輸入兩張圖片，并根據(jù)所述特征提取模型獲取的兩個(gè)特征向量，分別將對(duì)應(yīng)的特征向量乘以100再取整，獲得對(duì)應(yīng)兩張圖片的名稱(chēng)變量型特征向量。

2.根據(jù)權(quán)利要求1所述的同源圖片檢索的方法，其特征在于，建立特征提取模型之后，還包括：

對(duì)所述特征提取模型依次輸入原始圖片，基于第二損失函數(shù)訓(xùn)練并調(diào)整所述特征提取模型的初始參數(shù)，獲得優(yōu)化后的特征提取模型。

3.根據(jù)權(quán)利要求2所述的同源圖片檢索的方法，其特征在于，對(duì)所述特征提取模型依次輸入原始圖片，基于第二損失函數(shù)訓(xùn)練并調(diào)整所述特征提取模型的初始參數(shù)，獲得優(yōu)化后的特征提取模型，具體包括：

對(duì)所述特征提取模型依次輸入原始圖片，獲取每張?jiān)紙D片的特征向量；

對(duì)數(shù)據(jù)庫(kù)中的部分圖片的類(lèi)別進(jìn)行劃分；

根據(jù)每張?jiān)紙D片的特征向量，獲取所述原始圖片是每一種類(lèi)別的概率，得到每張?jiān)紙D片真實(shí)所屬類(lèi)別對(duì)應(yīng)的概率，獲得所述特征提取模型的第二損失函數(shù)的值；

根據(jù)第二損失函數(shù)的值，調(diào)整所述特征提取模型的初始參數(shù)，直到獲得第二損失函數(shù)的值不再降低；

獲取所述第二損失函數(shù)的值不再降低時(shí)對(duì)應(yīng)的特征提取模型的參數(shù)，獲得優(yōu)化后的特征提取模型。

4.根據(jù)權(quán)利要求3所述的同源圖片檢索的方法，其特征在于，所述特征提取模型的第二損失函數(shù)Loss的計(jì)算公式：

Loss＝-log(prob(class＝i_truth))；

圖片是每一種類(lèi)別的概率prob(class＝i)的計(jì)算公式：

其中，x_i為特征向量的元素，prob(class＝i_truth)表示每張圖片真實(shí)所屬類(lèi)別對(duì)應(yīng)的概率，N表示數(shù)據(jù)庫(kù)中的部分圖片的類(lèi)別數(shù)。

5.根據(jù)權(quán)利要求1所述的同源圖片檢索的方法，其特征在于，基于第一損失函數(shù)訓(xùn)練并調(diào)整所述名稱(chēng)變量型特征提取模型的參數(shù)，獲得優(yōu)化后的名稱(chēng)變量型特征提取模型，具體包括：

根據(jù)每?jī)蓮垐D片的名稱(chēng)變量型特征向量，依次獲得每?jī)蓮垐D片對(duì)應(yīng)的第一損失函數(shù)的值；

根據(jù)每次獲得的第一損失函數(shù)的值，調(diào)整所述名稱(chēng)變量型特征提取模型的參數(shù)，直到獲得第一損失函數(shù)的值不再降低；

獲得所述第一損失函數(shù)的值不再降低時(shí)對(duì)應(yīng)的名稱(chēng)變量型提取模型的參數(shù)，獲得優(yōu)化后的名稱(chēng)變量型特征提取模型。

6.根據(jù)權(quán)利要求5所述的同源圖片檢索的方法，其特征在于，第一損失函數(shù)Loss_function的計(jì)算公式：

其中，f_i和f_p分別為輸入的兩張圖片的名稱(chēng)變量型特征向量，f_ip＝1表示兩張圖片屬于同源圖片，f_ip＝-1表示兩張圖片不屬于同源圖片，x為輸入的兩張圖片的名稱(chēng)變量型特征向量對(duì)應(yīng)相同元素的個(gè)數(shù)。