[发明专利]一种深度学习与近似目标定位的图像检索方法

说明书

本发明公开了一种深度学习与近似目标定位的图像检索方法。专注于搜索图像中的近似物体区域；使用图像上多个尺度的滑动窗口来提取相应的局部CNN特征；以这些小特征块得到图像的特征向量，此图像特征已经可以满足图像检索的要求；在处理特征之后，已经为图像检索和重排准备了具有几种权重的优化图像表示；构造一个新的被称为近似对象位置的框架，在查询的图像中搜索出可以重新检索的最相似的域；对于特定物体的检索，则利用得到一系列小特征块在数据库图像上进行近似目标定位，以定位到的区域完成图像检索的进程。本发明充分利用了深度学习的强大能力，以CNN为基础，进行优化并且创新，在提高图像检索精度的同时，又减少了冗余。

技术领域

本发明属于图像分析及检索方法技术领域，具体涉及一种深度学习与近似目标定位的图像检索方法。

背景技术

近年来，随着机器智能化产业以及互联网+产业的不断推动发展，图像检索也越来越被研究者所关注，渐渐渗透到神经网络、计算机网络、机器学习等领域的最底层，成为为社会服务、产业升级等方面的中坚力量。

目前，在大多数工业级应用上图像检索依旧还是停留在基于文本或者关键字这种费时费力的方法上。固然，在较之先进的搜索引擎中基于内容的图像检索(Content-basedImage Retrieval)已经广泛布局，可往往单一的描述子无法完全完成对大规模图像的搜索且稳定性不高，对复杂背景目标的检索效果通常不尽如人意。随着经济社会的不断发展，网络上每天产生的图像、视频帧数据呈现指数级增长，显而易见这种以笼统的全局特征或者众多的局部特征的检索方法无论是在精度上还是在所消耗的时间上无法满足生产力的发展势头。另一方面，在ILSVRC-2012比赛中，Krizheysky等人设计了一种深度卷积网络模型AlexNet(Krizhevsky A,Sutskever I,Hinton G E.“ImageNet classification withdeep convolutional neural networks,”.Magazine Communications of the Acm,vol.60,pp.1097-1105,2012.)将图像分类错误率从26.2％降到15.3％，远远领先于其他算法。随着2012年深度学习卷积神经网络(CNN)在目标识别领域的横空出世，一种新的图像表达方式就应运而生，其利用网络中间某一层的输出当作是数据的另一种表达，从而可以将其认为是经过网络学习到的特征。基于这些特征，可以进行进一步的相似度比较等。虽然，在图像特征内存占用、相似度比较方式方面优势明显，但是，由于诞生时间较短，深度学习方法的特征性能尚有欠缺，导致检索精度也较基于内容的图像检索方法有一定距离。故而，基于这两个方法的图像检索发展还任重道远，令其不断提高精度和优化模型成为每个公司、研究人员夜以继日的奋斗目标。