[发明专利]图片搜索方法及装置

权利要求书

1.一种图片搜索方法，其特征在于，所述图片搜索方法包括以下步骤：

在已训练的深度学习网络模型下，获取图片的预置维度的特征向量，所述预置维度的特征向量用于全面反映图片的视觉属性，所述图片包括目标图片和图片数据库中的搜索图片；

计算所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的欧式距离；

输出所述图片数据库中满足预设条件的所述搜索图片，所述预设条件为所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的所述欧式距离小于第一阈值。

2.如权利要求1所述的图片搜索方法，其特征在于，所述在已训练的深度学习网络模型下，获取图片的预置维度的特征向量的步骤之前，所述的方法还包括：

采用已有的训练图集，计算深度学习网络模型中各层的参数；其中，

所述在已训练的深度学习网络模型下，获取图片的预置维度的特征向量包括：

将计算得到的所述深度学习网络模型中各层的参数代入到深度学习网络模型中，并将所述深度学习网络模型中各层的参数进行储存，得到持久化网络模型；

采用所述持久化网络模型，对所述目标图片和搜索图片进行特征提取，得到所述目标图片和搜索图片的预置维度的特征向量。

3.如权利要求1所述的图片搜索方法，其特征在于，所述计算搜索图片的预置维度的特征向量与目标图片的预置维度的特征向量的欧式距离的步骤包括：

将获取到所述图片数据库中所述搜索图片的所述预置维度的特征向量以及对应的所述搜索图片的文件名，储存至预设区域，形成搜索集；

对所述搜索集的数据建立数据索引；

根据所述数据索引删除所述搜索集中，与所述目标图片的所述预置维度的特征向量的所述欧式距离大于第二阈值的所述预置维度的特征向量对应的所述搜索图片，形成候选集；

计算所述候选集中所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的所述欧式距离。

4.如权利要求3所述的图片搜索方法，其特征在于，所述对所述搜索集的数据建立数据索引的方法包括VA-File或X-Tree。

5.如权利要求1至3任一项权利要求所述的图片搜索方法，其特征在于，所述预置维特征向量为2048维特征向量。

6.一种图片搜索装置，其特征在于，所述图片搜索装置包括：

获取模块，用于在已训练的深度学习网络模型下，获取图片的预置维度的特征向量，所述预置维度的特征向量用于全面反映图片的视觉属性，所述图片包括目标图片和图片数据库中的搜索图片；

第一计算模块，用于计算所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的欧式距离；

输出模块，用于输出图片数据库中满足预设条件的所述搜索图片，所述预设条件为所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的所述欧式距离小于第一阈值。

7.如权利要求6所述的图片搜索装置，其特征在于，所述图片搜索装置还包括第二计算模块，

所述第二计算模块，用于采用已有的训练图集，计算深度学习网络模型中各层的参数；

所述获取模块具体用于，将深度学习网络模型中各层的参数代入到深度学习网络模型中，并将所述深度学习网络模型中各层的参数进行储存，得到持久化网络模型，采用所述持久化网络模型，对所述图片进行特征提取，得到所述目标图片和搜索图片的预置维度的特征向量。

8.如权利要求6所述的图片搜索装置，其特征在于，所述第一计算模块包括：

储存单元，用于将获取到所述图片数据库中所述搜索图片的所述预置维度的特征向量以及对应的所述搜索图片的文件名，储存至预设区域，形成搜索集；

数据索引建立单元，对所述搜索集的数据建立数据索引；

处理单元，用于根据数据索引删除所述搜索集中，与所述目标图片的所述预置维度的特征向量的欧式距离大于第二阈值的所述预置维度的特征向量对应的所述搜索图片，形成候选集；

计算单元，用于计算所述候选集中所述搜索图片的所述预置维度的特征向量与所述目标图片的所述预置维度的特征向量的所述欧式距离。

9.如权利要求8所述的图片搜索装置，其特征在于，所述对所述搜索集的数据建立数据索引的方法包括VA-File或X-Tree。

10.如权利要求6至8任一项权利要求所述的图片搜索装置，其特征在于，所述预置维特征向量为2048维特征向量。