[發明專利]圖像檢索方法、裝置、存儲介質及設備

在審

• 申請號: 202010088101.4
• 申請日: 2020-02-12
• 公開（公告）號: CN111339343A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 牟帥;肖萬鵬;鞠奇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06N3/04
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 祝亞男

1.一種圖像檢索方法，其特征在于，所述方法包括：

獲取待匹配圖像，按照第一特征提取方式對所述待匹配圖像進行特征提取，得到第一特征，所述第一特征提取方式為基于深度學習的提取方式；

基于所述待匹配圖像的第一特征，確定與所述待匹配圖像匹配的至少一個候選圖像，按照第二特征提取方式對所述待匹配圖像和各個候選圖像進行特征提取，得到第二特征，所述第二特征提取方式為基于非深度學習的提取方式；

基于提取到的第二特征，將所述待匹配圖像依次與各個候選圖像進行關鍵點匹配處理，將所述至少一個候選圖像中的第一圖像確定為圖像檢索結果，所述第一圖像與所述待匹配圖像之間匹配的關鍵點數量大于數量閾值。

2.根據權利要求1所述的方法，其特征在于，所述按照第一特征提取方式對所述待匹配圖像進行特征提取，包括：

基于深度學習模型對所述待匹配圖像進行特征提取，所述深度學習模型是基于第一訓練數據集和第二訓練數據集訓練得到的；

其中，所述第一訓練數據集為具有標簽的數據集，所述第二訓練數據集為未設置標簽的數據集。

3.根據權利要求2所述的方法，其特征在于，所述深度學習模型包括卷積神經網絡、聚類分支和分類分支，所述深度學習模型的訓練過程，包括：

將所述第一訓練數據集和所述第二訓練數據集中包括的樣本圖像輸入至所述卷積神經網絡；

調用所述聚類分支的聚類模型，迭代地對所述卷積神經網絡輸出的特征數據進行聚類，將得到的聚類結果作為偽標簽輸出至所述分類分支；

調用所述分類分支的分類器，獲取基于所述偽標簽的損失值，根據所述損失值迭代地更新所述卷積神經網絡的權重。

4.根據權利要求3所述的方法，其特征在于，所述獲取基于所述偽標簽的損失值，包括：

將所述偽標簽、所述卷積神經網絡輸出的特征數據、以及所述分類器對所述卷積神經網絡輸出的特征數據的分類結果，作為基于所述偽標簽的損失值。

5.根據權利要求3所述的方法，其特征在于，所述方法還包括：

獲取相鄰兩輪聚類結果的標準互信息，所述標準互信息指示了所述深度學習模型的穩定性，所述標準互信息的取值越大表明所述深度學習模型越接近收斂狀態；

根據所述標準互信息確定所述深度學習模型的收斂狀態，在所述深度學習模型達到收斂狀態后終止模型訓練過程，其中，所述深度學習模型的收斂條件為所述標準互信息的取值達到一個穩定數值。

6.根據權利要求1至5中任一項權利要求所述的方法，其特征在于，所述基于所述待匹配圖像的深度學習特征，確定與所述待匹配圖像匹配的至少一個候選圖像，包括：

獲取所述待匹配圖像的第一特征與特征數據庫中存儲的第一特征之間的特征距離，按照特征距離由大到小的順序，對與存儲的第一特征對應的檢索圖像進行排序；

將排序在前指定數目個的檢索圖像，確定為所述至少一個候選圖像。

7.根據權利要求1至5中任一項權利要求所述的方法，其特征在于，所述對各個候選圖像進行第二特征提取，包括：

獲取各個候選圖像的第一特征；分別獲取各個候選圖像的第一特征與所述待匹配圖像的第一特征之間的特征距離，對所述至少一個候選圖像中的第二圖像進行第二特征提取；

其中，所述第二圖像與所述待匹配圖像之間的特征距離小于第一距離閾值。

8.根據權利要求1至5中任一項權利要求所述的方法，其特征在于，所述獲取待匹配的待匹配圖像，包括：

接收終端發送的圖像檢索請求，從所述圖像檢索請求中獲取所述待匹配圖像；

在得到所述圖像檢索結果之后，所述方法還包括：將所述圖像檢索結果返回給所述終端。