[發(fā)明專利]基于卷積神經網絡的圖片的相似度檢測方法及其相關設備

在審

• 申請?zhí)枺?/td>: 202010924006.3
• 申請日: 2020-09-04
• 公開（公告）號: CN112036501A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設計）人: 徐國誠
• 申請（專利權）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06F16/55
• 代理公司: 深圳市世聯(lián)合知識產權代理有限公司 44385
• 代理人: 汪琳琳

本申請實施例屬于人工智能技術領域，應用于智慧城管領域中，涉及一種基于卷積神經網絡的圖片的相似度檢測方法及其相關設備，包括基于預設的數據集對預設的卷積神經網絡進行分類訓練，生成圖片分類模型；接收至少兩張圖片，將各圖片分別輸入所述圖片分類模型中，分別獲取所述圖片分類模型輸出的值，生成各圖片的圖片特征；識別圖片的數量，根據圖片的數量選擇預設的矩陣和計算方式，并將所述圖片特征轉化為矩陣，根據所述計算方式對所述矩陣進行計算，獲得圖片相似度。其中，圖片分類模型可存儲于區(qū)塊鏈中。本申請?zhí)岣吡擞嬎銠C對圖片相似度的計算速度。

技術領域

本申請涉及人工智能技術領域，尤其涉及基于卷積神經網絡的圖片的相似度檢測方法及其相關設備。

背景技術

現(xiàn)有的圖片相似度對比算法是基于SIFT(Scale-invariant featuretransform，尺度不變特征變換)特征或者直方圖特征進行計算，這些特征容易被圖片大小、縮放尺寸、旋轉角度、亮度、對比度、裁剪比例以及噪點等特性影響。目前的相似度對比算法只支持一張圖片與另一張圖片單獨對比，運行效率低，如果要對比多張圖片的相似度，產生的運算量非常大。且存在相似的圖片有時候會出現(xiàn)相似度很低的情況，難做到精確化。此外，現(xiàn)有的圖片相似度對比多用歐式距離，運算量大，資源占用大，響應慢。

發(fā)明內容

本申請實施例的目的在于提出一種基于卷積神經網絡的圖片的相似度檢測方法及其相關設備，提高計算機對圖片相似度的計算速度。

為了解決上述技術問題，本申請實施例提供一種基于卷積神經網絡的圖片的相似度檢測方法，采用了如下所述的技術方案：

一種基于卷積神經網絡的圖片的相似度檢測方法，包括下述步驟：

基于預設的數據集對預設的卷積神經網絡進行分類訓練，生成圖片分類模型；

接收至少兩張圖片，將各圖片分別輸入所述圖片分類模型中，分別獲取所述圖片分類模型輸出的值，生成各圖片的圖片特征；

識別圖片的數量，根據圖片的數量選擇預設的矩陣和計算方式，并將所述圖片特征轉化為矩陣，根據所述計算方式對所述矩陣進行計算，獲得圖片相似度。

進一步的，所述識別圖片的數量，根據圖片的數量選擇預設的矩陣和計算方式，并將所述圖片特征轉化為矩陣，根據所述計算方式對所述矩陣進行計算，獲得圖片相似度的步驟包括：

識別圖片的數量，當圖片的數量等于2時，分別將各圖片的圖片特征轉化為對應的特征矩陣；

將兩張圖片對應的特征矩陣相減，生成第一結果矩陣，并識別所述第一結果矩陣是否為全0矩陣；

若所述第一結果矩陣為全0矩陣，則確定兩張圖片為最相似圖片；

若所述第一結果矩陣為非全0矩陣，則將所述結果矩陣中的每一個數值的絕對值相加，獲得圖片相似度。

進一步的，識別圖片的數量，根據圖片的數量選擇預設的矩陣和計算方式，并將所述圖片特征轉化為矩陣，根據所述計算方式對所述矩陣進行計算，獲得圖片相似度的步驟包括：

識別圖片的數量，當圖片的數量大于2時，根據用戶的選擇從所述圖片中確定對比圖片，將剩余的圖片作為圖片集群，并將所述對比圖片的圖片特征轉化為對比矩陣，將所述圖片集群中所有圖片的圖片特征轉化為集群矩陣；

使用集群矩陣減對比矩陣，獲得第二結果矩陣，并將所述第二結果矩陣中每一行數值的絕對值相加，獲得第三結果矩陣；

提取所述第三結果矩陣中數值最小的前N個值的索引，根據所述索引確定對應的圖片，作為與所述對比圖片最相似的圖片；

將所述第三結果矩陣中數值最小的前N個值分別作為最相似圖片與對比圖片之間的相似度。