[發明專利]基于LIRE的圖像查重方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202210508717.1
• 申請日: 2022-05-11
• 公開（公告）號: CN114741549A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 唐子豪;劉莉紅;劉玉宇
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06F16/51;G06V10/44;G06V10/50;G06V10/54;G06V10/56;G06V10/80;G06V10/82;G06K9/62;G06T3/60;G06T7/10;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 譚曉欣

1.一種基于LIRE的圖像查重方法，其特征在于，所述方法包括：

接收用戶發送的待對比圖像；

利用LIRE對所述待對比圖像進行第一特征提取處理，以得到所述待對比圖像的第一圖像特征；

利用預訓練的深度學習模型對所述待對比圖像進行第二特征提取處理，以得到所述待對比圖像的第二圖像特征；

將所述第一圖像特征和所述第二圖像特征進行融合處理，得到第三圖像特征；

根據所述第三圖像特征，從預設的圖像特征集確定與所述第三圖像特征對應的第四圖像特征；

將所述第三圖像特征和所述第四圖像特征進行對比處理，得到所述待對比圖像的圖像查重結果。

2.根據權利要求1所述的方法，其特征在于，所述將所述第一圖像特征和所述第二圖像特征進行融合處理，得到第三圖像特征，包括：

對所述第一圖像特征和所述第二圖像特征進行特征融合處理，得到第一融合圖像特征；

對所述第一融合圖像特征進行特征提取處理，以得到第二融合圖像特征；

對所述第二融合圖像特征進行非線性映射處理，以得到所述第三圖像特征。

3.根據權利要求1所述的方法，其特征在于，所述圖像特征集通過如下步驟獲?。?/p>

獲取圖像數據集，所述圖像數據集包括多個圖像樣本；

利用所述LIRE對每個所述圖像樣本進行第三特征提取處理，以得到第一圖像特征集；

利用所述預訓練的深度學習模型對每個所述圖像樣本進行第四特征提取處理，以得到第二圖像特征集；

對所述第一圖像特征集和與所述第一圖像特征集對應的所述第二圖像特征集進行特征融合，以得到圖像特征集。

4.根據權利要求3所述的方法，其特征在于，所述根據所述第三圖像特征，從預設的圖像特征集確定與所述第三圖像特征對應的第四圖像特征，包括：

從預設的圖像索引項集確定所述第三圖像特征對應的圖像索引項，所述索引項集為通過利用所述LIRE創建每個所述圖像樣本的圖像特征的索引項得到；

根據所述圖像索引項，查詢所述圖像特征集，確定與所述第三圖像特征對應的第四圖像特征。

5.根據權利要求3所述的方法，其特征在于，在所述獲取圖像數據集之后，所述方法還包括:

對所述圖像數據集中的多個所述圖像樣本進行圖像增強處理，以得到與所述圖像樣本對應的增強圖像樣本，其中，所述圖像增強處理包括以下至少之一：圖像旋轉、圖像裁剪、圖像模糊處理、摩爾紋處理；

獲取初始的深度學習模型，利用所述初始的深度學習模型對所述圖像樣本和所述增強圖像樣本進行特征提取，得到第三圖像特征集；

根據所述第三圖像特征集，確定所述初始的深度學習模型的損失函數的值；

在所述損失函數的值滿足預設的訓練結束條件情況下，結束訓練，得到所述預訓練的深度學習模型；

在所述損失函數的值不滿足預設的訓練結束條件情況下，調整所述初始的深度學習模型的模型參數，并基于所述圖像樣本和所述增強圖像樣本繼續對所述初始的深度學習模型進行訓練；

其中，所述根據所述第三圖像特征集，確定所述初始的深度學習模型的損失函數的值，包括：

根據所述第三圖像特征集，利用三元組損失函數計算所述初始的深度學習模型的損失函數的值；

所述三元組損失函數基于以下公式對所述第三圖像特征集進行計算：

L＝max(d(a,p)-d(a,n)+margin,0)

其中，L表示所述損失函數的值，max()表示最大值函數，d表示距離函數，a表示所述第三圖像特征集中的一個圖像特征，p表示與a同類的圖像特征，n表示與a不同類的圖像特征，margin表示超參數。

6.根據權利要求5所述的方法，其特征在于，所述利用所述預訓練的深度學習模型對每個所述圖像樣本進行第四特征提取處理，以得到第二圖像特征集，包括：利用所述預訓練的深度學習模型對所述圖像樣本和所述增強圖像樣本進行特征提取，得到所述第二圖像特征集。