[發(fā)明專利]一種圖像檢索方法及裝置

有效

• 申請?zhí)枺?/td>: 202010102212.6
• 申請日: 2020-02-19
• 公開（公告）號: CN111324760B
• 公開（公告）日: 2023-09-26
• 發(fā)明（設(shè)計）人: 楊德升
• 申請（專利權(quán)）人: 創(chuàng)優(yōu)數(shù)字科技（廣東）有限公司
• 主分類號: G06F16/51
• 分類號: G06F16/51;G06F16/55;G06F16/583;G06N3/0464;G06N3/084
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 郭帥

1.一種圖像檢索方法，其特征在于，包括：

采用預置特征提取模型提取預置圖像數(shù)據(jù)集中的每個圖像的特征向量，得到特征向量集，所述特征向量集以二進制文件保存；

將每個所述特征向量劃分為M段，得到M個特征向量子集，所述特征向量子集包括段特征向量；

逐段將所有的所述段特征向量進行無監(jiān)督聚類，得到收斂后的多個類別中心，所述類別中心包括索引號；

根據(jù)每個所述段特征向量與所述類別中心的最小距離對所述段特征向量進行分類，得到索引特征庫，具體分類過程為：

分別計算每個所述段特征向量與所有所述類別中心的距離；

將所述段特征向量分配到最小距離對應(yīng)的所述類別中心的類別中；

根據(jù)所有所述段特征向量的分類建立索引特征庫；

將檢索圖像對應(yīng)的不同的檢索段特征向量根據(jù)所述索引號和所述索引特征庫逐段進行目標匹配，并將匹配得到的所述段特征向量組合得到目標匹配結(jié)果。

2.根據(jù)權(quán)利要求1所述的圖像檢索方法，其特征在于，所述采用預置特征提取模型提取預置圖像數(shù)據(jù)集中的每個圖像的特征向量，得到特征向量集，之前還包括：

將獲取到的圖像數(shù)據(jù)集進行清洗操作，得到所述預置圖像數(shù)據(jù)集，所述清洗操作包括去重操作和去損壞操作。

3.根據(jù)權(quán)利要求1所述的圖像檢索方法，其特征在于，所述采用預置特征提取模型提取預置圖像數(shù)據(jù)集中的每個圖像的特征向量，得到特征向量集，之前還包括：

采用預訓練圖像數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)模型進行預訓練，得到所述預置特征提取模型。

4.根據(jù)權(quán)利要求1所述的圖像檢索方法，其特征在于，所述采用預置特征提取模型提取預置圖像數(shù)據(jù)集中的每個圖像的特征向量，得到特征向量集，還包括：

計算所有所述特征向量兩兩之間的特征距離，并按所述特征距離對所述特征向量進行升序排列。

5.一種圖像檢索裝置，其特征在于，包括：

特征提取模塊，用于采用預置特征提取模型提取預置圖像數(shù)據(jù)集中的每個圖像的特征向量，得到特征向量集，所述特征向量集以二進制文件保存；

分段模塊，用于將每個所述特征向量劃分為M段，得到M個特征向量子集，所述特征向量子集包括段特征向量；

聚類模塊，用于逐段將所有的所述段特征向量進行無監(jiān)督聚類，得到收斂后的多個類別中心，所述類別中心包括索引號；

分類模塊，用于根據(jù)每個所述段特征向量與所述類別中心的最小距離對所述段特征向量進行分類，得到索引特征庫，所述分類模塊包括：

分類子模塊，用于分別計算每個所述段特征向量與所有所述類別中心的距離；

將所述段特征向量分配到最小距離對應(yīng)的所述類別中心的類別中；

根據(jù)所有所述段特征向量的分類建立索引特征庫；

匹配模塊，用于將檢索圖像對應(yīng)的不同的檢索段特征向量根據(jù)所述索引號和所述索引特征庫逐段進行目標匹配，并將匹配得到的所述段特征向量組合得到目標匹配結(jié)果。

6.根據(jù)權(quán)利要求5中所述的圖像檢索裝置，其特征在于，還包括：

清洗模塊，用于將獲取到的圖像數(shù)據(jù)集進行清洗操作，得到所述預置圖像數(shù)據(jù)集，所述清洗操作包括去重操作和去損壞操作。

7.根據(jù)權(quán)利要求5中所述的圖像檢索裝置，其特征在于，還包括：

預訓練模塊，用于采用預訓練圖像數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)模型進行預訓練，得到所述預置特征提取模型。

8.根據(jù)權(quán)利要求5中所述的圖像檢索裝置，其特征在于，還包括：

排序模塊，用于計算所有所述特征向量兩兩之間的特征距離，并按所述特征距離對所述特征向量進行升序排列。