[发明专利]一种图像高维特征的相似比较方法及装置

权利要求书

1.一种图像高维特征的相似比较方法，其特征在于，包括：

将所提取的图像特征向量通过局部敏感哈希算法进行降维处理后得到低维特征向量；

将所述低维特征向量平均分段并建立分段索引表；

通过将查询图像的分段后的低维特征向量在所述分段索引表中进行检索得到候选样本集；

将所述候选样本集中的样本分别与所述查询图像的低维特征向量进行相似度量。

2.根据权利要求1所述的方法，其特征在于，所述图像特征向量是利用深度学习技术构建神经网络来提取的。

3.根据权利要求2所述的方法，其特征在于，所述神经网络为卷积神经网络。

4.根据权利要求1所述的方法，其特征在于，将所述低维特征向量平均分段的步骤之前，还包括：

在一个较小的验证集上通过实验确定最优的分段长度。

5.根据权利要求1所述的方法，其特征在于，将所述低维特征向量平均分段并建立分段索引表的步骤包括：

将所述低维特征向量平均分段，以分段后的特征向量作为索引项，并计算每个索引项的指纹值；

将所述指纹值对与所述分段索引表包含的预定的入口个数最接近的素数进行取余运算，得到所述索引项的入口地址；

将所述低维特征向量根据得到的所述入口地址插入所述分段索引表中以建立分段索引表。

6.根据权利要求1所述的方法，其特征在于，通过将查询图像的分段后的低维特征向量在所述分段索引表中进行检索得到候选样本集的步骤包括：

通过访问查询图像的所述分段后的低维特征向量的入口地址，得到冲突集；

将与所述查询图像的分段后的低维特征向量的指纹值相同的所述冲突集节点对应的所述低维特征向量提取出来，作为候选集；

把各个分段检索得到的所述候选集合并起来，去掉其中重复的所述低维特征向量，得到候选样本集。

7.根据权利要求1所述的方法，其特征在于，将所述候选样本集中的样本分别与所述查询图像的低维特征向量进行相似度量包括：

分别计算所述候选样本集中的每个样本与所述查询图像的低维特征向量之间的曼哈顿距离得分；

将所述得分按照从小到大排序，并取前预定个数的得分对应的样本的图像作为所述查询图像的相似图像。

8.一种图像高维特征的相似比较装置，其特征在于，包括：

特征降维模块，用于将所提取的图像特征向量通过局部敏感哈希算法进行降维处理后得到低维特征向量；

分段索引模块，用于将所述低维特征向量平均分段并建立分段索引表；

相似查询模块，用于通过将查询图像的分段后的低维特征向量在所述分段索引表中进行检索得到候选样本集；

比较度量模块，用于将所述候选样本集中的样本分别与所述查询图像的低维特征向量进行相似度量。

9.根据权利要求8所述的装置，其特征在于，所述图像特征向量是利用深度学习技术构建神经网络来提取的。

10.根据权利要求9所述的装置，其特征在于，所述神经网络为卷积神经网络。

11.根据权利要求8所述的装置，其特征在于，所述分段索引模块在将所述低维特征向量平均分段之前，还用于：

在一个较小的验证集上通过实验确定最优的分段长度。

12.根据权利要求8所述的装置，其特征在于，所述分段索引模块还用于：

将所述低维特征向量平均分段，以分段后的特征向量作为索引项，并计算每个索引项的指纹值；

将所述指纹值对与所述分段索引表包含的预定的入口个数最接近的素数进行取余运算，得到所述索引项的入口地址；

将所述低维特征向量根据得到的所述入口地址插入所述分段索引表中以建立分段索引表。

13.根据权利要求8所述的装置，其特征在于，所述相似查询模块还用于：

通过访问查询图像的所述分段后的低维特征向量的入口地址，得到冲突集；

将与所述查询图像的分段后的低维特征向量的指纹值相同的所述冲突集节点对应的所述低维特征向量提取出来，作为候选集；

把各个分段检索得到的所述候选集合并起来，去掉其中重复的所述低维特征向量，得到候选样本集。

14.根据权利要求8所述的装置，其特征在于，所述比较度量模块还用于：

分别计算所述候选样本集中的每个样本与所述查询图像的低维特征向量之间的曼哈顿距离得分；

将所述得分按照从小到大排序，并取前预定个数的得分对应的样本的图像作为所述查询图像的相似图像。