[發明專利]基于目標體圖像的目標體檢索方法、系統及裝置

有效

• 申請號: 201810460265.8
• 申請日: 2018-05-15
• 公開（公告）號: CN108874889B
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 譚鐵牛;董晶;王偉;郝杰東
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06F16/55;G06N20/00;G06N3/04
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

1.一種基于目標體圖像的目標體檢索方法，其特征在于包括：

獲取預設的圖像訓練樣本的圖像特征；

基于預設的分類損失函數和所述圖像訓練樣本的圖像特征，并利用機器學習算法對預先構建的圖像檢索模型進行模型訓練，得到初步優化模型；

基于預設的雙閾值損失函數和所述圖像訓練樣本的圖像特征，并利用機器學習算法對所述初步優化模型進行模型訓練，得到最終優化模型；

基于所述最終優化模型，提取目標體圖像的圖像特征；

計算所述目標體圖像的圖像特征與預設的圖像庫中比對圖像的圖像特征的相似度；

根據計算結果，獲取所述圖像庫中與目標體圖像相似的比對圖像；

其中，圖像檢索模型是基于Siamese網絡框架的模型，所述雙閾值損失函數如下式所示：

其中，所述L(I_p,I_q)表示雙閾值損失函數，所述(I_p,I_q)表示圖像樣本對，所述α₁為相似圖像樣本對所對應的閾值，所述α₂為不相似圖像樣本對所對應的閾值；所述y為所述圖像樣本對所對應的標簽值，并且y＝1表示所述圖像樣本對是相似圖像樣本對，y＝0表示所述圖像樣本對是不相似圖像樣本對；所述d＝||f(I_p)-f(I_q)||₂，所述||f(I_p)-f(I_q)||₂表示f(I_p)-f(I_q)的2范數，所述f(I_p)為圖像I_p的圖像特征，所述f(I_q)為圖像I_q的圖像特征。

2.根據權利要求1所述的基于目標體圖像的目標體檢索方法，其特征在于，在“計算所述目標體圖像的圖像特征與預設的圖像庫中比對圖像的圖像特征的相似度”的步驟之前，所述方法還包括：

根據所述圖像庫中比對圖像的圖像特征維度，對所述目標體圖像的圖像特征進行降維處理；

在此情況下，“計算所述目標體圖像的圖像特征與預設的圖像庫中比對圖像的圖像特征的相似度”的步驟進一步包括計算所述降維處理后的目標體圖像的圖像特征與所述比對圖像的圖像特征的相似度。

3.根據權利要求2所述的基于目標體圖像的目標體檢索方法，其特征在于，“對所述目標體圖像的圖像特征進行降維處理”的步驟包括利用主成分分析法對所述目標體圖像的圖像特征進行降維處理。

4.根據權利要求1至3中任一項所述的基于目標體圖像的目標體檢索方法，其特征在于，在“基于預設的雙閾值損失函數和所述圖像訓練樣本的圖像特征，并利用機器學習算法對所述初步優化模型進行模型訓練，得到最終優化模型”的步驟之前，所述方法還包括：

根據所述圖像訓練樣本，獲取相似圖像樣本對和不相似圖像樣本對；

分別計算所述相似圖像樣本對的特征距離的概率分布和所述不相似圖像樣本對的特征距離的概率分布；

根據所述概率分布，獲取所述雙閾值損失函數中所述相似圖像樣本對所對應的閾值和所述不相似圖像樣本對所對應的閾值。

5.根據權利要求1至3中任一項所述的基于目標體圖像的目標體檢索方法，其特征在于，在“基于預設的分類損失函數和所述圖像訓練樣本的圖像特征，并利用機器學習算法對所述圖像檢索模型進行模型訓練，得到初步優化模型”的步驟之前，所述方法還包括：

獲取預先完成網絡訓練的神經網絡的參數權重，并根據所述參數權重對所述圖像檢索模型進行參數權重初始化；

其中，所述神經網絡是基于ImageNet數據集，并利用所述機器學習算法進行網絡訓練得到的神經網絡。