[发明专利]图像检索方法和装置、计算机设备和存储介质

权利要求书

1.一种图像检索方法，其特征在于，包括：

获取检索图像；

将所述检索图像输入预先对具有相似关系的训练图像样本训练得到的卷积神经网络，通过所述卷积神经网络的输入层和前置卷积层得到第一输出结果；所述前置卷积层为所述卷积神经网络中靠近输入层的预设数量的卷积层；

所述第一输出结果输入到所述卷积神经网络的分支网络，得到每个像素点为物体的概率对应的物体的位置概率图；

所述第一输出结果输入到所述卷积神经网络的中间卷积层，得到所述检索图像的特征图；

对所述特征图与所述位置概率图进行点乘处理得到融合位置信息的特征图，并将所述融合位置信息的特征图输入至所述卷积神经网络的后置卷积层，通过后置卷积层和全连接层，输出所述检索图像的特征向量；所述后置卷积层为卷积神经网络中靠近输出层的预设数量的卷积层；

将所述检索图像的特征向量与数据库的各图像的特征向量进行比较，得到所述检索图像的检索结果。

2.根据权利要求1所述的图像检索方法，其特征在于，在获取检索图像的步骤之前，还包括：

利用具有相似关系的训练图像样本训练得到所述卷积神经网络。

3.根据权利要求2所述的图像检索方法，其特征在于，利用具有相似关系的训练图像样本训练得到所述卷积神经网络的步骤之前，还包括：

获取标记相似关系的第一训练图像样本；

获取未标记相似关系的第二训练图像样本；

根据所述第一训练图像样本和所述第二训练图像样本，基于相似性矩阵的特性对应的目标约束，补全所述第二训练图像样本的各图像间的相似关系，得到包括所述第一训练图像样本和所述第二训练图像样本的所述训练图像样本；所述相似性矩阵为分块对角矩阵；所述目标约束为拉普拉斯约束。

4.根据权利要求1所述的图像检索方法，其特征在于，所述卷积神经网络的分支网络采用循环神经网络；

所述第一输出结果输入到所述卷积神经网络的分支网络，得到每个像素点为物体的概率对应的物体的位置概率图的步骤包括：

所述第一输出结果输入到所述卷积神经网络的分支网络，得到每个像素点为一个物体的概率值；

在得到的所述概率值大于预设值时，将所述概率值迭代输入所述分支网络，得到每个像素点为另一物体的概率值；

当得到的所述概率值小于或等于所述预设值时，停止迭代得到每个像素点为物体的概率对应的物体的位置概率图。

5.根据权利要求4所述的图像检索方法，其特征在于，对所述特征图与所述位置概率图进行点乘处理得到融合位置信息的特征图的步骤包括：

分别将各位置概率图与所述特征图进行点乘处理后相加，得到融合位置信息的特征图。

6.一种图像检索装置，其特征在于，包括：图像获取模块、卷积神经网络模块、检索模块；

所述图像获取模块，用于获取检索图像；

所述卷积神经网络模块，用于将所述检索图像输入预先对具有相似关系的训练图像样本训练得到的卷积神经网络，通过所述卷积神经网络的输入层和前置卷积层得到第一输出结果；所述第一输出结果输入到所述卷积神经网络的分支网络，得到每个像素点为物体的概率对应的物体的位置概率图；所述第一输出结果输入到所述卷积神经网络的中间卷积层，得到所述检索图像的特征图；对所述特征图与所述位置概率图进行点乘处理得到融合位置信息的特征图，并将所述融合位置信息的特征图输入至所述卷积神经网络的后置卷积层，通过后置卷积层和全连接层，输出所述检索图像的特征向量；所述前置卷积层为所述卷积神经网络中靠近输入层的预设数量的卷积层；所述后置卷积层为卷积神经网络中靠近输出层的预设数量的卷积层；

所述检索模块，用于将所述检索图像的特征向量与数据库的各图像的特征向量进行比较，得到所述检索图像的检索结果。

7.根据权利要求6所述的图像检索装置，其特征在于，还包括训练模块，用于利用具有相似关系的训练图像样本训练得到所述卷积神经网络。