[发明专利]图像检索方法、装置、设备及计算机可读存储介质

权利要求书

1.一种图像检索方法，其特征在于，包括：

利用预先构建的深度哈希映射模型将待检索图像映射为待检索哈希编码；

在预先构建的哈希编码库中查找与所述待检索哈希编码的汉明距离差值满足预设条件的目标图像，以作为所述待检索图像在图像数据库的检索结果；

其中，所述深度哈希映射模型为以所述图像数据库中的图像对为输入，以所述图像对映射得到的哈希编码对间的距离、标签类别和所述图像对的特征相似度为损失值，采用机器学习优化算法优化所述损失值训练所得；所述标签类别用于标识所述图像对中两张图像的相似性；所述哈希编码库为将所述图像数据库中每张图像经所述深度哈希映射模型映射后所得；

其中，所述深度哈希映射模型的训练过程包括：

将全连接层为哈希编码层的卷积神经网络模型作为所述深度哈希映射模型的网络结构；

以所述图像数据库中的图像对作为所述网络结构的输入，以下述公式作为所述网络结构的损失值，采用随机梯度下降优化所述损失值训练所述网络结构：

式中，Loss为所述损失值，第i张图像与第j张图像组成所述图像对，n为所述图像数据库中图像总个数，S_i,j为第i张图像与第j张图像的深度特征相似度，o_i为第i张图像的哈希编码，o_j为第j张图像的哈希编码，||o_i-o_j||₂为的哈希编码对间的距离，α为超参数，y_i,j为标签类别，y_i,j＝1表示第i张图像与第j张图像为同一类别图像，y_i,j＝0表示第i张图像与第j张图像为不同类别图像；

对应地，采用所述随机梯度下降优化所述损失值训练所述网络结构得到模型权重，以完成所述深度哈希映射模型的训练；

对应地，所述第i张图像与第j张图像的深度特征相似度值的计算过程为：

利用下述公式计算第i张图像与第j张图像的深度特征相似度值：

式中，f_i为第i张图像的深度特征向量，f_j为第j张图像的深度特征向量，y_i,j＝1表示第i张图像与第j张图像为同一类别图像，y_i,j＝0表示第i张图像与第j张图像为不同类别图像，α、β为超参数；

对应地，所述哈希编码库的生成过程为：

将所述图像数据库中的每张图像输入至所述深度哈希映射模型，通过设置阈值，将所述深度哈希映射模型的哈希编码层的输出映射为哈希编码；

根据每张图像的哈希编码生成所述哈希编码库；

其中，所述图像数据库的第i张图像的第m位编码如下式：

式中，为第i张图像的第m位在哈希编码层的输出，θ为所述阈值。

2.根据权利要求1所述的图像检索方法，其特征在于，第i张图像与第j张图像的深度特征相似度值从预先计算得到的相似度矩阵获取，所述相似度矩阵计算过程为：

利用预先构建的卷积神经网络模型提取所述图像数据库中各图像的深度特征，生成深度特征向量集合；

分别计算所述深度特征向量集合中两两向量之间的欧式距离，生成所述图像数据库的相似度矩阵；

其中，所述卷积神经网络为基于深度学习利用所述图像数据库中图像训练所得。

3.根据权利要求2所述的图像检索方法，其特征在于，所述卷积神经网络模型为VGG-16网络模型。

4.根据权利要求1至3任意一项所述的图像检索方法，其特征在于，所述在预先构建的哈希编码库中查找与所述待检索哈希编码的汉明距离差值满足预设条件的目标图像为：

在所述哈希编码库中查找与所述待检索哈希编码的汉明距离值最小的前T张图像；

按照与所述待检索哈希编码的汉明距离差值从小到大对T张图像进行排序；

输出排序后的T张图像。