[发明专利]基于目标体图像的目标体检索方法、系统及装置

权利要求书

1.一种基于目标体图像的目标体检索方法，其特征在于包括：

获取预设的图像训练样本的图像特征；

基于预设的分类损失函数和所述图像训练样本的图像特征，并利用机器学习算法对预先构建的图像检索模型进行模型训练，得到初步优化模型；

基于预设的双阈值损失函数和所述图像训练样本的图像特征，并利用机器学习算法对所述初步优化模型进行模型训练，得到最终优化模型；

基于所述最终优化模型，提取目标体图像的图像特征；

计算所述目标体图像的图像特征与预设的图像库中比对图像的图像特征的相似度；

根据计算结果，获取所述图像库中与目标体图像相似的比对图像；

其中，图像检索模型是基于Siamese网络框架的模型，所述双阈值损失函数如下式所示：

其中，所述L(I_p,I_q)表示双阈值损失函数，所述(I_p,I_q)表示图像样本对，所述α₁为相似图像样本对所对应的阈值，所述α₂为不相似图像样本对所对应的阈值；所述y为所述图像样本对所对应的标签值，并且y＝1表示所述图像样本对是相似图像样本对，y＝0表示所述图像样本对是不相似图像样本对；所述d＝||f(I_p)-f(I_q)||₂，所述||f(I_p)-f(I_q)||₂表示f(I_p)-f(I_q)的2范数，所述f(I_p)为图像I_p的图像特征，所述f(I_q)为图像I_q的图像特征。

2.根据权利要求1所述的基于目标体图像的目标体检索方法，其特征在于，在“计算所述目标体图像的图像特征与预设的图像库中比对图像的图像特征的相似度”的步骤之前，所述方法还包括：

根据所述图像库中比对图像的图像特征维度，对所述目标体图像的图像特征进行降维处理；

在此情况下，“计算所述目标体图像的图像特征与预设的图像库中比对图像的图像特征的相似度”的步骤进一步包括计算所述降维处理后的目标体图像的图像特征与所述比对图像的图像特征的相似度。

3.根据权利要求2所述的基于目标体图像的目标体检索方法，其特征在于，“对所述目标体图像的图像特征进行降维处理”的步骤包括利用主成分分析法对所述目标体图像的图像特征进行降维处理。

4.根据权利要求1至3中任一项所述的基于目标体图像的目标体检索方法，其特征在于，在“基于预设的双阈值损失函数和所述图像训练样本的图像特征，并利用机器学习算法对所述初步优化模型进行模型训练，得到最终优化模型”的步骤之前，所述方法还包括：

根据所述图像训练样本，获取相似图像样本对和不相似图像样本对；

分别计算所述相似图像样本对的特征距离的概率分布和所述不相似图像样本对的特征距离的概率分布；

根据所述概率分布，获取所述双阈值损失函数中所述相似图像样本对所对应的阈值和所述不相似图像样本对所对应的阈值。

5.根据权利要求1至3中任一项所述的基于目标体图像的目标体检索方法，其特征在于，在“基于预设的分类损失函数和所述图像训练样本的图像特征，并利用机器学习算法对所述图像检索模型进行模型训练，得到初步优化模型”的步骤之前，所述方法还包括：

获取预先完成网络训练的神经网络的参数权重，并根据所述参数权重对所述图像检索模型进行参数权重初始化；

其中，所述神经网络是基于ImageNet数据集，并利用所述机器学习算法进行网络训练得到的神经网络。