[发明专利]图片搜索方法、系统、移动终端及存储介质有效

专利信息
申请号: 202110440522.3 申请日: 2021-04-23
公开(公告)号: CN113157956B 公开(公告)日: 2022-08-05
发明(设计)人: 林杰;赵复军;王淞泽;严昀;陈婧萍 申请(专利权)人: 雅马哈发动机(厦门)信息系统有限公司
主分类号: G06F16/532 分类号: G06F16/532;G06F16/583;G06V40/16;G06V20/52;G06V10/762;G06V10/75;G06K9/62
代理公司: 厦门仕诚联合知识产权代理事务所(普通合伙) 35227 代理人: 乐珠秀
地址: 361000 福建*** 国省代码: 福建;35
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 图片 搜索 方法 系统 移动 终端 存储 介质
【权利要求书】:

1.一种图片搜索方法,其特征在于,所述方法包括:

分别确定待搜索图片中的目标人脸、目标物体和目标场景,并对所述待搜索图片中的所述目标人脸进行特征提取,得到人脸图像和所述人脸图像中的人脸特征点;

根据所述人脸特征点对所述人脸图像进行图像校准,并对图像校准后的所述人脸图像进行特征编码,得到人脸特征向量;

分别对所述目标物体和所述目标场景进行类别识别,得到目标物体类别和目标场景类别,并根据所述人脸特征向量、所述目标物体类别和所述目标场景类别分别进行图片搜索,得到人脸搜索图片、物体搜索图片和场景搜索图片;

所述对所述待搜索图片中的所述目标人脸进行特征提取,得到人脸图像和所述人脸图像中的人脸特征点,包括:

将所述待搜索图片输入预训练后的人脸检测模型进行人脸分析,得到所述人脸图像和所述人脸特征点;

所述将所述待搜索图片输入预训练后的人脸检测模型进行人脸分析之前,还包括:

将样本图片输入所述人脸检测模型中的卷积神经网络进行卷积处理,得到特征图片;

针对所述人脸检测模型中的卷积神经网络,采用上采样的方式进行图片采样,并采用横向连接的方式连接相同尺度的特征图片;

针对所述人脸检测模型中的卷积神经网络,分别将上一层的卷积神经网络和横向连接得到的特征图片进行图片组合,得到组合图片,并将所述组合图片设置为对应所述卷积神经网络输出的特征图片;

根据所述卷积神经网络输出的特征图片对所述人脸检测模型进行模型训练,得到预训练后的所述人脸检测模型。

2.如权利要求1所述的图片搜索方法,其特征在于,所述将所述待搜索图片输入预训练后的人脸检测模型进行人脸分析,包括:

根据预训练后的所述人脸检测模型对所述待搜索图片进行人脸分析,得到人脸锚框坐标和所述人脸特征点;

对所述人脸锚框坐标和所述人脸特征点进行校准,并输出校准后的所述人脸锚框坐标和所述人脸特征点。

3.如权利要求1所述的图片搜索方法,其特征在于,所述根据所述人脸特征向量、所述目标物体类别和所述目标场景类别分别进行图片搜索,包括:

将所述目标物体类别和所述目标场景类别分别与图片数据库进行匹配,得到所述物体搜索图片和所述场景搜索图片,所述图片数据库中存储有不同目标物体类别和不同目标场景类与对应搜索图片之间的对应关系;

将所述人脸特征向量与特征向量数据库进行匹配,得到所述人脸搜索图片,所述特征向量数据库中存储有不同特征向量与对应搜索图片之间的对应关系。

4.如权利要求3所述的图片搜索方法,其特征在于,所述将所述人脸特征向量与所述特征向量数据库进行匹配,包括:

对所述特征向量数据库中的特征向量进行聚类处理,得到聚类类别和异常类别,所述异常类别包括无法聚类的特征向量;

确定所述聚类类别中的目标类别,并计算所述目标类别和所述异常类别中的特征向量与所述人脸特征向量之间的特征相似度;

若所述特征相似度大于相似度阈值,则将所述特征相似度对应的特征向量设置为目标向量,并将所述目标向量对应的搜索图片输出为所述人脸搜索图片。

5.如权利要求4所述的图片搜索方法,其特征在于,所述确定所述聚类类别中的目标类别,包括:

分别在不同所述聚类类别中进行向量抽样,得到抽样向量,并分别计算所述人脸特征向量与所述抽样向量之间的向量相似度;

将最大所述向量相似度对应的所述聚类类别确定为目标类别。

6.如权利要求1所述的图片搜索方法,其特征在于,所述根据所述人脸特征点对所述人脸图像进行图像校准,包括:

确定所述人脸特征点中的眼睛特征点,并计算所述眼睛特征点之间的眼睛夹角;

根据所述眼睛夹角对所述人脸图像进行旋转校准。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于雅马哈发动机(厦门)信息系统有限公司,未经雅马哈发动机(厦门)信息系统有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110440522.3/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top