[发明专利]基于图像全局和局部特征重排序的图像检索系统

权利要求书

1.基于图像全局和局部特征重排序的图像检索系统，其特征在于：包括数据存储单元(1)、互联网单元(2)、离线训练单元(3)、在线查询单元(4)和显示单元(5)，所述离线训练单元(3)和在线查询单元(4)均与数据存储单元(1)连接，所述离线训练单元(3)和在线查询单元(4)均与显示单元(5)连接，所述离线训练单元(3)和在线查询单元(4)连接，所述数据存储单元(1)、离线训练单元(3)、在线查询单元(4)和显示单元(5)均与互联网单元(2)连接；

所述离线训练单元(3)包括获取训练图片集模块(6)、离线特征提取模块(7)、粗筛模型构件模块(8)和构建映射字典表模块(9)，所述离线特征提取模块(7)包括第一orb特征提取模块(10)和第一solar global特征提取模块(11)，所述在线查询单元(4)包括图片获取模块(12)、在线特征提取模块(13)、加载粗筛模型模块(14)、粗排检索模块(15)、加载映射字典表模块(16)、精排模型构建模块(17)和精排检索模块(18)，所述在线特征提取模块(13)包括第二orb特征提取模块(19)和第二solar global特征提取模块(20)。

2.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述第一orb特征提取模块(10)和第二orb特征提取模块(19)中的orb特征全称为，Oriented Fast and Rotated Brief，且每张图片选取160个orb特征向量，每个orb特征向量的维度是32维。

3.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述第一solar global特征提取模块(11)和第二solar global特征提取模块(20)中的solar指《SOLAR:Second-Order Loss and Attention forImage Retrieval》一文中提出的图像检索的网络模型，global特征指全局特征。

4.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述粗筛模型构件模块(8)中的粗筛模型为faiss向量粗筛模型，所述构建映射字典表模块(9)中的字典表是键值对，其中“键”是faiss向量粗筛模型中faiss的索引项，“值”中存放了orb的特征以及训练集图片的地址。

5.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述图片获取模块(12)中的图片包括本地图片和网络图片。

6.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述加载粗筛模型模块(14)加载的粗筛模型为粗筛模型构件模块(8)中构建好的faiss向量粗筛模型。

7.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述粗排检索模块(15)是将第二solar global特征提取模块(20)中提取的solarglobal特征送入加载粗筛模型模块(14)中的faiss向量粗筛模型进行检索，输出最匹配的top100序列，所述top100序列是查询图片同车系下和其最相似图片的序号。

8.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述加载映射字典表模块(16)加载的字典表为构建映射字典表模块(9)中构建的字典表。

9.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述精排模型构建模块(17)先将粗排检索模块(15)中的top100序列输入到映射字典表中进行查询，获取top100匹配图片的orb特征及top100匹配图片的地址，其中top100匹配图片orb特征用于构建faiss向量精排模型，top100匹配图片的地址用于后面的结果输出，所述faiss向量精排模型是orb 160动态生成的。

10.根据权利要求1所述的基于图像全局和局部特征重排序的图像检索系统，其特征在于：所述精排检索模块(18)是将第二orb特征提取模块(19)中的orb特征送入精排模型构建模块(17)中的faiss向量精排模型中进行精排检索，得到精排top100序列，此处的查询图片orb特征的尺寸为160乘32，一共160个向量，每个向量32维。