[發(fā)明專利]基于深度學習的相似圖像匹配方法

有效

• 申請?zhí)枺?/td>: 202010131479.8
• 申請日: 2020-02-28
• 公開（公告）號: CN111353538B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設計）人: 金海燕;彭晶;肖照林
• 申請（專利權）人: 西安理工大學
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/82;G06V10/774;G06N3/0464;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 張皎

本發(fā)明基于深度學習的相似圖像匹配方法，具體按照以下步驟實施：通過該目標檢測網(wǎng)絡輸出目標圖像中各個物體對應的檢測框、檢測精度；步驟2、解析處理得到目標圖像中任意兩個物體的相對位置關系；步驟3、構建目標圖像場景目標位置關系的圖模型；步驟4、重復步驟1至3對候選數(shù)據(jù)集中的每一張樣本圖像建立場景目標位置關系的圖模型，將樣本圖像場景目標位置關系的圖模型與所有目標圖像場景目標位置關系的圖模型一一進行場景匹配，確定選擇出與目標圖像相似度最高的三張樣本圖像。本發(fā)明基于深度學習的相似圖像匹配方法，能夠有效解析目標圖像中各個物體之間的空間位置關系，準確匹配目標圖像的相似圖像。

技術領域

本發(fā)明屬于計算機數(shù)字圖像處理技術領域，具體涉及基于深度學習的相似圖像匹配方法。

背景技術

深度學習作為機器學習算法中的一個新興技術，其動機在于建立和模擬人腦進行分析學習的神經(jīng)網(wǎng)絡。深度學習本質(zhì)上是對觀察數(shù)據(jù)進行分層特征表示，從而實現(xiàn)將低級特征進一步抽象成高級特征表示，而這一過程通常由神經(jīng)網(wǎng)絡來實現(xiàn)。近幾年來，隨著深度學習的發(fā)展，深度學習受到了世界各國相關研究人員的重視，越來越多的研究人員也將深度學習融入到自己的研究領域當中，其深度學習應用最廣泛的三個領域是語言識別，圖像處理和自然語言處理。

目前，在匹配目標圖像相似的圖像時，往往利用深度學習對目標圖像中的物體進行識別，但是現(xiàn)有的深度學習目標識別算法只能夠檢測出圖像中物體的類別與位置，并不能得到圖像中各個物體之間的空間相對位置關系，從而無法準確匹配目標圖像的相似圖像。

發(fā)明內(nèi)容

本發(fā)明的目的是提供基于深度學習的相似圖像匹配方法，能夠有效解析目標圖像中各個物體之間的空間相對位置關系，準確匹配目標圖像的相似圖像。

本發(fā)明所采用的技術方案是：基于深度學習的相似圖像匹配方法，具體按照以下步驟實施：

步驟1、向目標檢測網(wǎng)絡中輸入目標圖像，通過該目標檢測網(wǎng)絡輸出目標圖像中各個物體對應的檢測框、檢測精度；

步驟2、根據(jù)檢測精度對檢測框進行篩選，再利用物體位置解析算法對篩選出的檢測框進行解析處理得到目標圖像中任意兩個物體的相對位置關系；

步驟3、計算目標圖像中任意兩個物體之間的距離，再根據(jù)任意兩個物體之間的距離、各個物體的重心以及步驟2得到的任意兩個物體的相對位置關系構建目標圖像場景目標位置關系的圖模型；

步驟4、類似地，向目標檢測網(wǎng)絡中輸入候選數(shù)據(jù)集樣本圖像，重復步驟1至3對候選數(shù)據(jù)集中的每一張樣本圖像建立場景目標位置關系的圖模型，將目標圖像場景目標位置關系的圖模型與所有樣本圖像場景目標位置關系的圖模型一一進行場景匹配，確定選擇出與目標圖像相似度最高的三張樣本圖像。

本發(fā)明的特點還在于，

步驟1中的目標檢測網(wǎng)絡為基于ResNet-101的Faster?R-CNN檢測網(wǎng)絡，基于ResNet-101的Faster?R-CNN檢測網(wǎng)絡模型經(jīng)過Visual?Genome數(shù)據(jù)集訓練。

步驟2具體操作如下：

步驟2.1、設定閾值為0.8，將檢測精度大于0.8的檢測框篩選出來；

步驟2.2、計算篩選出的各個檢測框的重心，具體操作如式(1)所示：

(cg_x，cg_y)＝((x_1i+(x_2i-x_1i))/2，(y_1i+(y_2i-y_1i))/2)??(1)