[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

本發明涉及圖像處理技術領域，具體提供了一種基于目標體圖像的目標體檢索方法、系統及裝置，旨在解決如何提高圖像檢索準確率的技術問題。為此目的，本發明中的目標體檢索方法基于預先構建的圖像檢索模型提取目標體圖像的圖像特征，計算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，根據計算結果獲取圖像庫中與目標體圖像相似的比對圖像，從而可以根據相似比對圖像的圖像類別確定目標體圖像的圖像類別。其中，本發明利用兩步訓練方法(首先采用分類損失函數進行訓練，然后采用雙閾值損失函數進行訓練)對圖像檢索模型進行模型訓練，可以提高圖像檢索模型的檢索結果準確性。同時，本發明中的裝置和系統能夠實現上述目標體檢索方法。

技術領域

本發明涉及圖像處理技術領域，具體涉及一種基于目標體圖像的目標體檢索方法、系統及裝置。

背景技術

圖像檢索技術指的是基于目標圖像的文本、和/或內容、和/或語義信息，獲取相似圖像的圖像處理技術。當前，可以利用基于機器學習算法的圖像處理技術進行圖像檢索。例如，利用深度卷積神經網絡，獲取目標圖像的圖像特征，并根據所獲取的圖像特征檢索相似圖像。在此過程中，通常利用基于單閾值的對比損失函數，對深度卷積神經神經網絡進行網絡訓練。但是，這種訓練方式只為“不相似圖像對”設置閾值，很難保證“相似圖像”與“不相似圖像”對損失函數的貢獻比例相同，即在訓練過程中側重于“相似圖像對”，降低了深度卷積神經網絡的泛化能力，導致其無法準確檢索未知類別圖像的相似圖像。

發明內容

為了解決現有技術中的上述問題，即為了解決如何提高圖像檢索準確率的技術問題。為此目的，本發明提供了一種基于目標體圖像的目標體檢索方法、系統及裝置。

在第一方面，本發明中的一種基于目標體圖像的目標體檢索方法包括如下步驟：

基于預先構建的圖像檢索模型，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，所述圖像檢索模型為基于預設的圖像訓練樣本，并利用機器學習算法所構建的模型。

進一步地，本發明提供的一個優選技術方案為：

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。

進一步地，本發明提供的一個優選技術方案為：

“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。

進一步地，本發明提供的一個優選技術方案為：

所述圖像檢索模型是基于Siamese網絡框架的模型；

在“基于預先構建的圖像檢索模型，提取目標體圖像的圖像特征”的步驟之前，所述方法還包括：

獲取所述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所述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。