[發明專利]圖像搜索方法、裝置、設備及計算機可讀存儲介質

在審

• 申請號: 201910536645.X
• 申請日: 2019-06-20
• 公開（公告）號: CN110263207A
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 龐星
• 申請（專利權）人: 杭州時趣信息技術有限公司
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉新雷

1.一種圖像搜索方法，其特征在于，包括：

基于待查詢圖像和圖像數據庫中各初始樣本圖像的圖像屬性特征間距離對各初始樣本圖像進行粗排序，并選取滿足條件的n個初始樣本圖像組合為細粒度數據庫；

利用預先構建的細粒度特征提取模型提取所述待查詢圖像和所述細粒度數據庫中各樣本圖像的圖像細粒度特征；所述細粒度特征提取模型為使用每個樣本圖像均包括多個預設角度的子圖像的訓練樣本集訓練深度卷積神經網絡結構所得；

基于所述待查詢圖像和各樣本圖像的細粒度特征間距離對所述細粒度數據庫中各樣本圖像進行排序，以作為檢索所述圖像數據庫的結果。

2.根據權利要求1所述的圖像搜索方法，其特征在于，所述基于待查詢圖像和圖像數據庫中各初始樣本圖像的圖像屬性特征間距離對各初始樣本圖像進行粗排序包括：

計算所述待查詢圖像和各初始樣本圖像的圖像屬性特征間距離，并按照圖像屬性特征間距離值從小到大對各初始樣本圖像進行排序；

將前m個初始樣本圖像的圖像屬性特征和所述待查詢圖像的圖像屬性特征加權取平均，生成融合圖像屬性特征，m＜n；

計算所述融合圖像屬性特征和各初始樣本圖像的圖像屬性特征間距離，并按照圖像屬性特征間距離值從小到大對各初始樣本圖像進行排序，以作為各樣本圖像的粗排序結果。

3.根據權利要求2所述的圖像搜索方法，其特征在于，所述基于所述待查詢圖像和各樣本圖像的細粒度特征間距離，對所述細粒度數據庫中各樣本圖像進行排序為：

計算所述待查詢圖像的細粒度特征和各樣本圖像的細粒度特征間的歐式距離；

按照所述待查詢圖像和各樣本圖像的細粒度特征間的歐式距離值從小到大對各樣本圖像進行排序。

4.根據權利要求1至3任意一項所述的圖像搜索方法，其特征在于，所述基于所述待查詢圖像和各樣本圖像的細粒度特征間距離，對所述細粒度數據庫中各樣本圖像進行排序之后，還包括：

輸出與所述待查詢圖像的細粒度特征間距離值最小的樣本圖像，以作為檢索所述圖像數據庫后得到與所述待查詢圖像相似度最高的圖像。

5.根據權利要求4所述的圖像搜索方法，其特征在于，所述利用預先構建的細粒度特征提取模型提取所述待查詢圖像和所述細粒度數據庫中各樣本圖像的圖像細粒度特征包括：

將所述待查詢圖像和所述細粒度數據庫中各樣本圖像輸入至ResNet50模型中，提取所述ResNet50模型的stage4特征層輸出的特征，以作為圖像細粒度特征。

6.一種圖像搜索裝置，其特征在于，包括：

圖像篩選模塊，用于基于待查詢圖像和圖像數據庫中各初始樣本圖像的圖像屬性特征間距離對各初始樣本圖像進行粗排序，并選取滿足條件的前n個初始樣本圖像組合為細粒度數據庫；

圖像細粒度特征提取模塊，用于利用預先構建的細粒度特征提取模型提取所述待查詢圖像和所述細粒度數據庫中各樣本圖像的圖像細粒度特征；所述細粒度特征提取模型為使用每個樣本圖像均包括多個預設角度的子圖像的訓練樣本集訓練深度卷積神經網絡結構所得；

圖像檢索模塊，用于基于所述待查詢圖像和各樣本圖像的細粒度特征間距離，對所述細粒度數據庫中各樣本圖像進行排序，以作為檢索所述圖像數據庫的結果。

7.根據權利要求6所述的圖像搜索裝置，其特征在于，所述圖像篩選模塊包括：

屬性相似度計算子模塊，用于計算所述待查詢圖像和各初始樣本圖像的圖像屬性特征間距離，并按照圖像屬性特征間距離值從小到大對各初始樣本圖像進行排序；

融合特征生成子模塊，用于將前m個初始樣本圖像的圖像屬性特征和所述待查詢圖像的圖像屬性特征加權取平均，生成融合圖像屬性特征，m＜n；

粗排序子模塊，用于計算所述融合圖像屬性特征和各初始樣本圖像的圖像屬性特征間距離，并按照圖像屬性特征間距離值從小到大對各初始樣本圖像進行排序，以作為各樣本圖像的粗排序結果。