[发明专利]一种深度学习与近似目标定位的图像检索方法

摘要

本发明公开了一种深度学习与近似目标定位的图像检索方法。专注于搜索图像中的近似物体区域；使用图像上多个尺度的滑动窗口来提取相应的局部CNN特征；以这些小特征块得到图像的特征向量，此图像特征已经可以满足图像检索的要求；在处理特征之后，已经为图像检索和重排准备了具有几种权重的优化图像表示；构造一个新的被称为近似对象位置的框架，在查询的图像中搜索出可以重新检索的最相似的域；对于特定物体的检索，则利用得到一系列小特征块在数据库图像上进行近似目标定位，以定位到的区域完成图像检索的进程。本发明充分利用了深度学习的强大能力，以CNN为基础，进行优化并且创新，在提高图像检索精度的同时，又减少了冗余。

主权项

1.一种深度学习与近似目标定位的图像检索方法，其特征在于，包括如下步骤：步骤1、特征提取与加权，提取图像在卷积神经网络卷积层中最后一层‘pooling’层产生的激活映射，将提取的特征进行空间加权和通道加权；步骤2、获取图像的局部特征，滑框技术被运用到利用步骤1得到的已经加权完整的激活映射的长宽截面上，利用步骤1得到的卷积层的激活应用各种尺度的滑动窗口，并提取所有块中的特征向量，以获取图像中的局部信息；步骤3、区域划分，根据步骤2中得到的图像的所有特征向量，进行l2范数归一化，然后用PCA‑Whiten表现图像的矢量集合，之后再对图像表示进行l2范数处理，最终一幅图像可以划分为N个区域；步骤4、目标定位区域，根据步骤3得到的参考数据库中图像的N个区域与查询图像中提取的图像的完整区域逐一计算相似度得分，从而得到一个或多个相对准确的查询特定对象的区域；步骤5、图像重排序，先将步骤4得到的相似性区域进行整合，确定图像的边界，将得到的图像经过加权处理的F‑CroW过程形成单一特征映射表示，再将步骤3得到的查询图像N个相似区域对应的区域激活映射进行累加聚集，即不经过加权处理的F‑CroW过程，形成单一特征映射表示，然后进行l2范数归一化，最后计算最终得到的查询图像的特征向量与待处理图像的特征向量的相似度分数。