[发明专利]一种基于分层深度哈希的大规模图像检索方法

说明书

本发明公开的一种基于分层深度哈希的大规模图像检索方法，包括：构建分层哈希网络模型，利用高级语义信息标注的标签，逐级优化生成的分层哈希层输出值，利用反向传播算法训练分层哈希网络模型，得到训练好的分层哈希网络模型；将图像输入至训练好的分层哈希网络模型，将各个哈希层输出的数值二值化得到分层哈希值；对提取的分层哈希值建立树状索引；对待检索的图像使用神经网络提取查询图像的哈希值，利用距离度量法在树状索引中逐级搜索在给定阈值距离范围内的索引分枝和相关图像，按照给定比例过滤超出给定阈值距离范围的哈希值。本发明可以快速地在图像库中搜索出相似图像，提高了图像检索系统的响应速度。

技术领域

本发明属于数字图像检索技术领域，涉及一种基于分层深度哈希的大规模图像检索方法。

背景技术

视频图像是人们获取客观世界信息的重要途径，基于内容的图像检索，可以通过图像的内容来检索与之相似的图像。然而大型图像视频库中，由于图像规模的巨大，导致获取到相似内容的图像视频的速度缓慢，给图像检索技术的应用带来了极大困难。

基于内容的图像检索是信息检索和计算机视觉领域的重要课题之一，基于内容的图像检索技术可以从图像视频库中检索出内容相似的图像和视频。图像可以用特征向量来衡量相似度，利用特征提取器，将图像转换为特征向量。对于特征提取器，需要满足，对于相似内容图像的特征，拥有距离较近的特征向量，距离度量方法可以用欧式距离、汉明距离、余弦距离等。

相似向量的搜索，对图像提取的特征通常是维度很高的信息，由于采用距离度量的方法，对其直接度量相似度会导致速度较慢，因此大多采用启发式搜索算法，或称近似最近邻(Approximate Nearest Neighbor)搜索算法寻找相似向量，具体类别有哈希、量化、图搜索等方法。

特征向量的提取方法主要有以下三种:1.基于局部描述子的方法,例如SIFT描述子由于对单张图像生成的SIFT描述子数量不定，较少用于做检索；2.基于全局描述子的方法，通过局部描述子的融合或者直接提取的全局描述子，比如有Fisher、Gist等方法在基于神经网络算法在今年取得突破之前是常用的方法；3.基于卷积神经网络的方法。

基于卷积神经网络可以提取高级的描述子，与较低级特征相比含有更多语义信息，而且具有对尺度、光照、旋转等不变性，拥有更强的鲁棒性。在实际使用中效果更好。

由于特征向量具有高维度、稀疏的特点，直接搜索其最近邻的向量效率不高。所以通常是通过近似最近邻搜索的方法得到其较为相似的特征向量，近似最近邻的方法主要可以分为三种：1.以局部敏感哈希(Locality Sensitive Hashing)为代表的与数据无关算法。2.以乘积量化算法(ProductiveQuantization)为代表的无监督的与数据相关的算法3.以卷积神经网络深度哈希(Deep Hashing)为代表的与数据相关的有监督算法。

对于目前检索准确度效果出众的深度哈希算法，使用卷积神经网络，从图像提取特征向量的同时生成了图像的索引。

卷积神经网络提取的特征向量比其他低级描述子提供了更富含高级语义的信息，利用卷积神经网络可以较其他方法更多的在语义层次上做相似索引。

通过在CNN网络中添加隐含层，通过Fine-tune网络训练，对图像提取特征向量并直接生成二值化哈希码，用于图像检索。将向量提取和检索两个子问题合二为一。为了有效利用众多人工提取的标注信息，深度哈希算法可以利用监督学习，通过图像标签信息，对输入网络的相似图像和不相似图像分别计算哈希并分别哈希值距离，并加入到损失函数中，通过反向传播网络权重。从而通过监督，学习到对图像相似或不相似的信息。