[发明专利]图像特征表征方法及设备

权利要求书

1.一种图像特征表征方法，其中，该方法包括：

计算待搜索图像对应的HASH表征值、HIST表征值和CNN表征值；

计算计算图库中的原图像对应的HASH表征值、HIST表征值和CNN表征值；

将所述待搜索图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述待搜索图像的融合特征值；

将所述原图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述原图像的融合特征值；

将所述原图像的HASH表征值、HIST表征值和CNN表征值进行拼接，以得到所述原图像的融合特征值之后，还包括：

基于所述待搜索图像的融合特征值和原图像的融合特征值，展示与所述待搜索图像相似的原图像；

计算待搜索图像对应的CNN表征值，包括：

步骤S1111，输入所述待搜索图像，使用3*3像素点的卷积核，对所述图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第一一特征图；

步骤S1112，使用3*3像素点的卷积核，对所述第一一特征图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第一二特征图；

步骤S1113，使用3*3像素点的卷积核，对所述第一二特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取112*112*128像素点的第一三特征图；

步骤S1114，使用3*3像素点的卷积核，对所述第一三特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取112*112*128像素点的第一四特征图；

步骤S1115，使用3*3像素点的卷积核，对所述第一四特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第一五特征图；

步骤S1116，使用3*3像素点的卷积核，对所述第一五特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第一六特征图；

步骤S1117，使用3*3像素点的卷积核，对所述第一六特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第一七特征图；

步骤S1118，使用3*3像素点的卷积核，对所述第一七特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第一八特征图；

步骤S1119，使用3*3像素点的卷积核，对所述第一八特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第一九特征图；

步骤S11110，使用3*3像素点的卷积核，对所述第一九特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第一十特征图；

步骤S11111，使用3*3像素点的卷积核，对所述第一十特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取14*14*512像素点的第一十一特征图；

步骤S11112，使用3*3像素点的卷积核，对所述第一十一特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取7*7*512像素点的第一十二特征图；

步骤S11113，对所述7*7*512像素点的第一十二特征图，进行所述7*7*512像素点中的7*7前2个维度的均值计算，得到512个第一二特征值；

步骤S11114，对512个第一二特征值分别计算标准差和方差，基于计算得到的标准差和方差，基于512个第一二特征值进行归一化操作，以得到待搜索图像对应的第一CNN表征值；

计算图库中的原图像对应的CNN表征值，包括：

步骤S2111，输入所述原图像，使用3*3像素点的卷积核，对所述图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第二一特征图；

步骤S2112，使用3*3像素点的卷积核，对所述第二一特征图像依次进行卷积运算、池化操作以及非线性函数的激活，以获取224*224*64像素点的第二二特征图；

步骤S2113，使用3*3像素点的卷积核，对所述第二二特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取112*112*128像素点的第二三特征图；

步骤S2114，使用3*3像素点的卷积核，对所述第二三特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取112*112*128像素点的第二四特征图；

步骤S2115，使用3*3像素点的卷积核，对所述第二四特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第二五特征图；

步骤S2116，使用3*3像素点的卷积核，对所述第二五特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第二六特征图；

步骤S2117，使用3*3像素点的卷积核，对所述第二六特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取56*56*256像素点的第二七特征图；

步骤S2118，使用3*3像素点的卷积核，对所述第二七特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第二八特征图；

步骤S2119，使用3*3像素点的卷积核，对所述第二八特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第二九特征图；

步骤S21110，使用3*3像素点的卷积核，对所述第二九特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取28*28*512像素点的第二十特征图；

步骤S21111，使用3*3像素点的卷积核，对所述第二十特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取14*14*512像素点的第二十一特征图；

步骤S21112，使用3*3像素点的卷积核，对所述第二十一特征图依次进行卷积运算、池化操作以及非线性函数的激活，以获取7*7*512像素点的第二十二特征图；

步骤S21113，对所述7*7*512像素点的第二十二特征图，进行所述7*7*512像素点中的7*7前2个维度的均值计算，得到512个第二二特征值；

步骤S21114，对512个的第二二特征值分别计算标准差和方差，基于计算得到的标准差和方差，基于512个第二二特征值进行归一化操作，以得到原图像对应的第二CNN表征值。