[发明专利]基于Web和数据库的海量光电舰船图像快速检索的方法

说明书

本发明涉及一种基于Web和数据库的海量光电舰船图像快速检索的方法，设计一个有监督的深度学习哈希模型，同时学习图片特征向量和哈希编码，利用小样本学习中基于细调的方法多次训练优化，逐步提升模型精度；构建舰船特征数据库，通过训练好的舰船检索模型提取舰船图片的特征向量、二进制编码、和其他的图片信息一起存入数据库；设计基于Web检索的人机交互界面，实现客户端服务端分离；采取数据表加载入服务器内存、最大堆排序等方法减少检索过程中耗时。

技术领域

本发明属于深度学习图像检索领域，涉及一种基于Web和数据库的海量光电舰船图像快速检索的方法。

背景技术

海洋对于一个国家军事国防有着重要的意义，海洋方向的防卫能力是国家战略防卫的一个重要部分。随着各种传感器、各种运载平台等硬件系统的不断发展，基于无人机等平台获得的海面舰船目标的图像、视频等数据越来越多。在信息化的军事作战防御时代，基于图像信息的处理技术成为了军事信息情报处理方面重要组成部分。因此，对这些图像数据进行合理有效地利用与处理，能够为海洋安全的战略防卫提供重要的技术保障，为海洋战争的态势估计提供重要的战略支撑。随着获取到的海面舰船目标的图像、视频等数据越来越多，对海面船舶图像信息进行有效的存储、分类和检索，能够为战略决策提供良好的依据。同时，随着社会经济的发展，交通事业和海洋航运在迅速发展，船舶在数量上逐年增长。相对于其他的交通工具，大多数人对船舶信息了解较少，舰船图像快速检索系统可以及时有效的在日常生活中帮助查询与学习舰船的分类信息，同时也可以由民众监督，有效管理船舶的停放，对避免如非法捕捞、非法停泊等现象的发生具有重要的意义。

目前基于深度学习的图像特征提取技术已经在图像分类上取得了巨大的成功，许多计算机视觉研究任务中都用了训练好的卷积神经网络模型作为特征提取器，如目标检测、目标识别、图像检索等。然而面对海量数据时，卷积神经网络提取到的高维特征向量暴露出了计算复杂耗时的缺点，需要加入降维的方法解决问题。在近年来的大规模图像快速检索算法中，哈希学习的方法凭借其在相似性计算部分的简单快速性受到了越来越多的关注。但由于哈希编码对图像表达能力的不足，对于舰船检索这种类间检索来说，仅使用哈希编码并不能精确地表示图片，检索时很难达到预期的效果。

单一的图像表示已经无法满足舰船图像快速高效检索的需求。多种图像表示相互结合，既保留了各自的优点，又弥补了相互的不足，可以减少单一图像表示带来的局限性，具有检索效率高、迁移能力强的特点，有相当高的研究价值，对人类社会具有非常重要的意义。

现有技术中，一方面舰船检索属于类间检索，采集到的舰船图片分布又不均匀，对检索模型的精度有很大影响；另一方面，为了更好的利用数据信息需要建立舰船特征数据库，大量数据的读取计算非常耗时。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于Web和数据库的海量光电舰船图像快速检索的方法，能够快速高效的得到检索结果，满足舰船检索的需求。

技术方案

一种基于Web和数据库的海量光电舰船图像快速检索的方法，其特征在于步骤如下：

步骤1：将搜集的多幅舰船图片，按照舰船类别进行标注，随机分成三份；每份按照类别分类成为图片集，每个图片集中抽取70～90％作为训练集，30～10％作为验证集，用于训练检索模型；

步骤2：对经典分类模型VGG16进行改变，去掉模型的最后一个全连接层，添加一个新的哈希层，在哈希编码学习的过程中选用双曲正切函数tanh()作为激活函数，构成一个端到端的深度学习网络；

所述哈希层节点数选为48；

所述激活函数

其中：x为激活层的输入数据；