[發明專利]圖像的特征值的確定方法及裝置、存儲介質、電子裝置

有效

• 申請號: 202110673711.5
• 申請日: 2021-06-17
• 公開（公告）號: CN113343018B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 李偉;馬東星;周道利
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06F16/583
• 分類號: G06F16/583
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 趙靜

本發明實施例提供了一種圖像的特征值的確定方法及裝置、存儲介質、電子裝置，該方法包括：提取獲取的目標圖像的特征向量；確定目標圖像的特征向量與第一特征向量集中的特征向量之間的相似度；調整相似度，得到目標圖像的特征向量的目標相似度；基于目標相似度確定目標圖像的特征值。通過本發明，解決了相關技術中隨機抽樣的偶然性造成的拉伸擬合函數與樣本匹配度低的問題，達到拉伸擬合函數與樣本匹配度的效果。

技術領域

本發明實施例涉及通信領域，具體而言，涉及一種圖像的特征值的確定方法及裝置、存儲介質、電子裝置。

背景技術

通常以圖搜圖技術就是通過特征比對計算特征向量相似度來實現。而特征向量相似度的計算，通常是通過計算兩個特征向量的距離。而常用的計算距離方法通常包括：歐氏距離、余弦距離、漢明距離、杰卡德相似系數等。

而在具體檢索的執行方法中，又引入了多種方法，包括但不限于(K-NearestNeighbor，簡稱為KNN，算法表示的是準確的召回topK的向量)、(Approximate NearestNeighbor，簡稱為ANN，算法表示的是近似K鄰近，不一定會召回全部的最近點)兩大類，前者是一種強調準確度的方法，但是對性能的消耗隨著數據集的增大而急劇增大；于是產生了后者，犧牲一定精度達到性能提升的方法。在通常的實際使用中，為了控制ANN帶來的精度損失，會人工采集一定量級別的樣本，然后通過統計方法得到ANN向KNN拉伸的擬合函數。通過擬合函數的拉伸實現精度的補償。

如上所述，由于拉伸函數是抽取一定量的樣本進行統計分析得到的擬合函數，因此抽樣是一種隨機行為，存在偶然性，導致統計分析結果存在偶然性；統計方法收樣本數量影響較大，樣本越豐富，擬合越好，反之較差。

針對上述技術問題，相關技術上尚未提出有效的解決方案。

發明內容

本發明實施例提供了一種圖像的特征值的確定方法及裝置、存儲介質、電子裝置，以至少解決相關技術中隨機抽樣的偶然性造成的拉伸擬合函數與樣本匹配度低的問題。

根據本發明的一個實施例，提供了一種圖像的特征值的確定方法，包括：提取獲取的目標圖像的特征向量；確定上述目標圖像的特征向量與第一特征向量集中的特征向量之間的相似度，其中，上述第一特征向量集對應于第一拉伸擬合函數；利用上述第一拉伸擬合函數調整上述相似度，得到上述目標圖像的特征向量的目標相似度；基于上述目標相似度調整上述第一拉伸擬合函數，得到目標拉伸擬合函數。

根據本發明的另一個實施例，提供了一種圖像的特征值的確定裝置，包括：第一提取模塊，用于提取獲取的目標圖像的特征向量；第一確定模塊，用于確定上述目標圖像的特征向量與第一特征向量集中的特征向量之間的相似度，其中，上述第一特征向量集對應于第一拉伸擬合函數；第一調整模塊，用于利用上述第一拉伸擬合函數調整上述相似度，得到上述目標圖像的特征向量的目標相似度；第二確定模塊，用于基于上述目標相似度調整上述第一拉伸擬合函數，得到目標拉伸擬合函數。

在一個示例性實施例中，上述第一確定模塊，包括：第一確定單元，用于確定上述目標圖像的特征向量與上述第一特征向量集中的每個特征向量之間的近似最近鄰搜索算法ANN相似度。

在一個示例性實施例中，上述第一調整模塊，包括：第二確定單元，用于確定近似最近鄰搜索算法ANN與最鄰近節點算法KNN之間的第一拉伸擬合函數；第三確定單元，用于利用上述第一拉伸擬合函數拉伸上述相似度，得到上述目標相似度。