[發明專利]基于深度哈希的圖像檢索方法、裝置及終端設備

有效

• 申請號: 201910824308.0
• 申請日: 2019-09-02
• 公開（公告）號: CN110532417B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 李曉云;馮春雨;黎彤亮;王懷瑞;黃世中
• 申請（專利權）人: 河北省科學院應用數學研究所
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06V10/74;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊國為知識產權事務所 13120
• 代理人: 秦敏華

本發明適用于圖像檢索技術領域，提供了一種基于深度哈希的圖像檢索方法、裝置及終端設備，包括：先對原始圖像數據集進行預處理并分類，在利用深度卷積神經網絡訓練獲得深度卷積神經網絡模型后，根據交叉熵損失模型以及語義相似度矩陣對獲得的深度卷積神經網絡模型進行參數更新，利用更新后的深度卷積神經網絡模型，獲得測試集中每張圖像的哈希碼與訓練集中每張圖像的哈希碼；根據獲得的哈希碼，計算測試集與訓練集圖像之間的漢明距離，并根據漢明距離的排序結果獲得圖像檢索結果。本發明中引入語義相似度矩陣對深度卷積神經網絡模型進行參數更新，可以從更多的角度反映圖像之間的相似度，獲得更加準確的圖像檢索結果。

技術領域

本發明屬于圖像檢索技術領域，尤其涉及一種基于深度哈希的圖像檢索方法、裝置及終端設備。

背景技術

隨著大數據時代的到來，互聯網圖像資源迅猛增長，如何對大規模圖像資源進行快速有效的檢索以滿足用戶需求成為亟待解決的問題。由于哈希技術將原始圖像保持相似性地映射為二進制哈希碼，而二進制哈希碼在漢明距離計算上具有高效性和存儲空間上的優勢，所以哈希碼可以提高大規模圖像檢索的效率。

基于內容的圖像檢索通過提取圖像視覺底層特征來實現圖像的內容表達，與這些底層特征相比，深度卷積神經網絡能夠獲得圖像的內在特征，利用深度卷積神經網絡提取的特征在目標檢測、圖像分類和圖像分割等方面都表現出了良好的性能。

由于深度卷積神經網絡在特征學習上的優越性以及哈希技術在檢索中計算速度上和存儲空間上的優越性，近年來出現了深度卷積神經網絡與哈希技術相結合的方法。基于深度卷積神經網絡與哈希技術的圖像檢索方法，目前主要分為兩大類，一類是無監督的深度哈希學習，一類是有監督的深度哈希學習，其中有監督的深度哈希學習可以有效利用圖像之間的語義相似度，因此受到廣泛研究，然而目前的有監督的深度哈希學習方法，在利用圖像標簽信息計算圖像之間的相似度時不能完全反映圖像之間的相似程度，僅僅標定為相似與不相似，比如兩個圖像的標簽類型中只要有一類是相同的，就設定其相似程度為1，如果兩幅圖像的標簽類型沒有任何相同的類，則設定相似程度為0，這種圖像之間的相似度的計算方法不能真實的反映出兩幅圖像之間的語義相似度，監督信息中更無法考慮語義相似度矩陣引起的量化誤差，從而影響了圖像檢索的準確度。

發明內容

有鑒于此，本發明實施例提供了一種基于深度哈希的圖像檢索方法、裝置及終端設備，以解決現有技術中大規模圖像檢索準確率不高的問題。

本發明實施例的第一方面提供了一種基于深度哈希的圖像檢索方法，包括：

對獲取的原始圖像數據集進行預處理，獲得訓練集和測試集；

根據所述訓練集對構建的深度卷積神經網絡進行訓練，獲得深度卷積神經網絡模型；

根據交叉熵損失模型以及語義相似度矩陣對獲得的所述深度卷積神經網絡模型進行參數更新，獲得更新后的深度卷積神經網絡模型；

根據所述測試集、所述訓練集以及所述更新后的深度卷積神經網絡模型，獲得測試集中每張圖像的哈希碼與訓練集中每張圖像的哈希碼；

根據所述測試集中每張圖像的哈希碼與所述訓練集中每張圖像的哈希碼，計算測試集中任一圖像與訓練集中任一圖像之間的漢明距離，并根據計算出的所有的漢明距離獲得圖像檢索結果。

可選的，所述對獲取的原始圖像數據集進行預處理，獲得訓練集和測試集，包括：

獲取原始圖像數據集；

對所述原始圖像數據集中的單標簽圖像數據集進行標簽信息細化，獲得多標簽信息；

對標簽信息細化后的原始圖像數據集進行分類，獲得訓練集和測試集。

可選的，所述根據所述訓練集對構建的深度卷積神經網絡進行訓練，獲得深度卷積神經網絡模型，包括：

構建深度卷積神經網絡層級結構；