[發明專利]圖片檢索方法、裝置及計算機存儲介質

有效

• 申請號: 201910185837.0
• 申請日: 2019-03-12
• 公開（公告）號: CN110083732B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 潘華東;孫鶴;羅時現
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06F16/583
• 分類號: G06F16/583
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 李慶波

1.一種圖片檢索方法，其特征在于，所述方法用于從多個待檢索圖片中檢索與目標圖片相關的待檢索圖片，包括：

以所述多個待檢索圖片和所述目標圖片為一圖片集，計算所述圖片集中各個圖片與其他圖片之間的圖片差異度；

基于所述圖片差異度確定各個圖片的擴展鄰近圖片集，并對所述擴展鄰近圖片集中的圖片進行排序；

計算所述目標圖片的擴展鄰近圖片集與各個待檢索圖片的擴展鄰近圖片集之間的圖片集差異度，將所述圖片集差異度作為所述目標圖片與所述待檢索圖片之間的擴展差異度；

基于所述擴展差異度確定與所述目標圖片相關的待檢索圖片；

其中，計算所述目標圖片的擴展鄰近圖片集與各個待檢索圖片的擴展鄰近圖片集之間的圖片集差異度，包括：計算所述目標圖片與所述待檢索圖片的擴展鄰近圖片集的目標圖片差異度；計算所述待檢索圖片與所述目標圖片的擴展鄰近圖片集的檢索圖片差異度；計算所述目標圖片差異度和所述檢索圖片差異度的均值，作為所述圖片集差異度。

2.根據權利要求1所述的方法，其特征在于，所述計算所述圖片集中各個圖片與其他圖片之間的圖片差異度，包括：

利用預先訓練的卷積神經網絡獲取所述圖片集中每個圖片的特征向量；

根據所述特征向量，計算各個圖片與其他圖片之間的圖片差異度。

3.根據權利要求2所述的方法，其特征在于，所述利用預先訓練的卷積神經網絡獲取所述圖片集中每個圖片的特征向量，包括：

利用預先訓練的卷積神經網絡中的哈希編碼層獲取所述圖片集中每個圖片的哈希特征向量。

4.根據權利要求1所述的方法，其特征在于，所述基于所述圖片差異度確定各個圖片的擴展鄰近圖片集，包括：

選擇與所述各個圖片之間圖片差異度最小的前第一數量個其他圖片，作為所述各個圖片的第一鄰近圖片集；

以所述第一鄰近圖片集確定所述擴展鄰近圖片集。

5.根據權利要求4所述的方法，其特征在于，所述基于所述圖片差異度確定各個圖片的擴展鄰近圖片集，進一步包括：

選擇與所述各個圖片之間圖片差異度最小的前第二數量個其他圖片，作為所述各個圖片的第二鄰近圖片集；

計算所述各個圖片的第一鄰近圖片集中每個圖片的第二鄰近圖片集；

將各個圖片的第一鄰近圖片集，以及所述第一鄰近圖片集中每個圖片的第二鄰近圖片集的集合作為所述擴展鄰近圖片集。

6.根據權利要求1所述的方法，其特征在于，所述計算所述目標圖片與所述待檢索圖片的擴展鄰近圖片集的目標圖片差異度，包括：

以所述待檢索圖片的擴展鄰近圖片集中每個圖片的排序位置確定權值，對所述目標圖片與所述待檢索圖片的擴展鄰近圖片集中每個圖片的差異度進行加權平均，求得所述目標圖片差異度；

所述計算所述待檢索圖片與所述目標圖片的擴展鄰近圖片集的檢索圖片差異度，包括：

以所述目標圖片的擴展鄰近圖片集中每個圖片的排序位置確定權值，對所述待檢索圖片與所述目標圖片的擴展鄰近圖片集中每個圖片的差異度進行加權平均，求得所述檢索圖片差異度。

7.根據權利要求1所述的方法，其特征在于，所述圖片檢索方法進一步包括：

比對分析所述目標圖片的類別以及所確定的與所述目標圖片相關的待檢索圖片的類別，以計算檢索精度；

重復所述圖片檢索方法中的步驟：基于擴展差異度確定各個圖片的擴展鄰近圖片集；計算目標圖片與待檢索圖片之間的擴展差異度；確定與目標圖片相關的待檢索圖片；計算檢索精度；

直至所述檢索精度不再升高。

8.一種圖片檢索裝置，其特征在于，所述圖片檢索裝置包括處理器和存儲器；所述存儲器中存儲有計算機程序，所述處理器用于執行所述計算機程序以實現如權利要求1-7中任一項所述方法的步驟。

9.一種計算機存儲介質，其特征在于，所述計算機存儲介質存儲有計算機程序，所述計算機程序被執行時實現如權利要求1-7中任一項所述方法的步驟。