[发明专利]图像的特征值的确定方法及装置、存储介质、电子装置

说明书

本发明实施例提供了一种图像的特征值的确定方法及装置、存储介质、电子装置，该方法包括：提取获取的目标图像的特征向量；确定目标图像的特征向量与第一特征向量集中的特征向量之间的相似度；调整相似度，得到目标图像的特征向量的目标相似度；基于目标相似度确定目标图像的特征值。通过本发明，解决了相关技术中随机抽样的偶然性造成的拉伸拟合函数与样本匹配度低的问题，达到拉伸拟合函数与样本匹配度的效果。

技术领域

本发明实施例涉及通信领域，具体而言，涉及一种图像的特征值的确定方法及装置、存储介质、电子装置。

背景技术

通常以图搜图技术就是通过特征比对计算特征向量相似度来实现。而特征向量相似度的计算，通常是通过计算两个特征向量的距离。而常用的计算距离方法通常包括：欧氏距离、余弦距离、汉明距离、杰卡德相似系数等。

而在具体检索的执行方法中，又引入了多种方法，包括但不限于(K-NearestNeighbor，简称为KNN，算法表示的是准确的召回topK的向量)、(Approximate NearestNeighbor，简称为ANN，算法表示的是近似K邻近，不一定会召回全部的最近点)两大类，前者是一种强调准确度的方法，但是对性能的消耗随着数据集的增大而急剧增大；于是产生了后者，牺牲一定精度达到性能提升的方法。在通常的实际使用中，为了控制ANN带来的精度损失，会人工采集一定量级别的样本，然后通过统计方法得到ANN向KNN拉伸的拟合函数。通过拟合函数的拉伸实现精度的补偿。

如上所述，由于拉伸函数是抽取一定量的样本进行统计分析得到的拟合函数，因此抽样是一种随机行为，存在偶然性，导致统计分析结果存在偶然性；统计方法收样本数量影响较大，样本越丰富，拟合越好，反之较差。

针对上述技术问题，相关技术上尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像的特征值的确定方法及装置、存储介质、电子装置，以至少解决相关技术中随机抽样的偶然性造成的拉伸拟合函数与样本匹配度低的问题。

根据本发明的一个实施例，提供了一种图像的特征值的确定方法，包括：提取获取的目标图像的特征向量；确定上述目标图像的特征向量与第一特征向量集中的特征向量之间的相似度，其中，上述第一特征向量集对应于第一拉伸拟合函数；利用上述第一拉伸拟合函数调整上述相似度，得到上述目标图像的特征向量的目标相似度；基于上述目标相似度调整上述第一拉伸拟合函数，得到目标拉伸拟合函数。

根据本发明的另一个实施例，提供了一种图像的特征值的确定装置，包括：第一提取模块，用于提取获取的目标图像的特征向量；第一确定模块，用于确定上述目标图像的特征向量与第一特征向量集中的特征向量之间的相似度，其中，上述第一特征向量集对应于第一拉伸拟合函数；第一调整模块，用于利用上述第一拉伸拟合函数调整上述相似度，得到上述目标图像的特征向量的目标相似度；第二确定模块，用于基于上述目标相似度调整上述第一拉伸拟合函数，得到目标拉伸拟合函数。

在一个示例性实施例中，上述第一确定模块，包括：第一确定单元，用于确定上述目标图像的特征向量与上述第一特征向量集中的每个特征向量之间的近似最近邻搜索算法ANN相似度。

在一个示例性实施例中，上述第一调整模块，包括：第二确定单元，用于确定近似最近邻搜索算法ANN与最邻近节点算法KNN之间的第一拉伸拟合函数；第三确定单元，用于利用上述第一拉伸拟合函数拉伸上述相似度，得到上述目标相似度。