一种图像检索方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种图像检索方法，该方法包括以下步骤：获取待检索的目标图像，将目标图像输入目标深度学习模型；利用目标深度学习模型对目标图像进行特征提取，获得目标图像的图像特征；图像特征包括全局特征、局部特征和多尺度全局特征，多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；利用图像特征，按照距离计算规则，分别计算目标图像与图像库中各个图像的相似距离；利用相似距离，确定并输出目标图像的相似图像。该方法，可以提高图像检索的准确率。本发明专利技术还公开了一种图像检索装置、设备及可读存储介质，具有相应的技术效果。

An Image Retrieval Method, Device, Equipment and Readable Storage Media

The invention discloses an image retrieval method, which comprises the following steps: acquiring the target image to be retrieved, inputting the target image into the target depth learning model; extracting the features of the target image by using the target depth learning model to obtain the image features of the target image; image features include global features, local features and multi-scale global features, and multi-scale global features. The feature is obtained by weighting the multi-intermediate-stage features generated in the process of global feature extraction; calculating the similarity distances between the target image and each image in the image database according to the distance calculation rules by using image features; determining and outputting the similar images of the target image by using the similarity distances. This method can improve the accuracy of image retrieval. The invention also discloses an image retrieval device, a device and a readable storage medium with corresponding technical effects.

【技术实现步骤摘要】
一种图像检索方法、装置、设备及可读存储介质
本专利技术涉及图像处理
，特别是涉及一种图像检索方法、装置、设备及可读存储介质。
技术介绍
图像检索被广泛应用于行人重识别、车辆识别和网站的图像搜索和电子商务的商品检索。目前，对于图像检索，有两大问题，一是如何提取更具区分性的特征描述子来描述图像，二是如何有效的度量特征与特征间的相似性。例如，车辆图像检索属于车辆再识别问题，该问题建立在目标检测之上，检测器把目标物体在图像中的位置和大小用包围框界定并提取出来，以此作为再识别技术的数据源，通过输入待识别的图像，系统在图像库中检索出与该图像同一身份的图像。由于不同的车辆具有大致相同的外观，这便减少了车辆与车辆之间的区别性，此外摄像头捕获到的图像还会受到光线、视角、杂乱的背景、低分辨率以及视线遮挡等影响，使得同一辆车具有多种状态，因此难以准确地提取出车辆图像的特征描述子。基于不准确的特征描述子进行车辆图像检索，其检索准确率难以满足检索需求。综上所述，如何有效地解决图像检索的准确率等问题，是目前本领域技术人员急需解决的技术问题。
技术实现思路
本专利技术的目的是提供一种图像检索方法、装置、设备及可读存储介质，以提高图像检索的准确率。为解决上述技术问题，本专利技术提供如下技术方案：一种图像检索方法，包括：获取待检索的目标图像，将所述目标图像输入目标深度学习模型；利用所述目标深度学习模型对所述目标图像进行特征提取，获得所述目标图像的图像特征；所述图像特征包括全局特征、局部特征和多尺度全局特征，所述多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离；利用所述相似距离，确定并输出所述目标图像的相似图像。优选地，所述局部特征提取过程，包括：对所述目标图像进行全局特征提取时，对目标池化层输出的特征图进行分支，获得原始局部特征图；对所述原始局部特征图进行池化和全连接处理，获得所述局部特征。优选地，所述对目标池化层输出的特征图进行分支，获得原始局部特征图，包括：对所述特征图分别进行横向分割和纵向分割，获得原始局部特征图；所述原始局部特征图包括原始上部特征图、原始下部特征图、原始左部特征图和原始右部特征图。优选地，在所述距离计算规则为余弦距离计算规则时，利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离，包括：利用所述图像特征，分别计算所述目标图像与图像库中各个图像的余弦距离；将所述余弦距离作为所述相似距离。优选地，利用所述相似距离，确定并输出所述目标图像的相似图像，包括：对所述相似距离进行降序排列，选择所述相似距离在指定序号前的图像作为所述相似图像。优选地，在所述距离计算规则为欧式距离计算规则时，利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离，包括：利用所述图像特征，分别计算所述目标图像与图像库中各个图像的欧式距离；将所述欧式距离作为所述相似距离。优选地，利用所述相似距离，确定并输出所述目标图像的相似图像，包括：对所述相似距离进行升序排列，选择所述相似距离在指定序号前的图像作为所述相似图像。一种图像检索装置，包括：目标图像获取模块，用于获取待检索的目标图像，将所述目标图像输入目标深度学习模型；图像特征提取模块，用于利用所述目标深度学习模型对所述目标图像进行特征提取，获得所述目标图像的图像特征；所述图像特征包括全局特征、局部特征和多尺度全局特征，所述多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；相似距离计算模块，用于利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离；相似图像确定模块，用于利用所述相似距离，确定并输出所述目标图像的相似图像。一种图像检索设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述图像检索方法的步骤。一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述图像检索方法的步骤。应用本专利技术实施例所提供的方法，获取待检索的目标图像，将目标图像输入目标深度学习模型；利用目标深度学习模型对目标图像进行特征提取，获得目标图像的图像特征；图像特征包括全局特征、局部特征和多尺度全局特征，多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；利用图像特征，按照距离计算规则，分别计算目标图像与图像库中各个图像的相似距离；利用相似距离，确定并输出目标图像的相似图像。在获取到待检索的目标图像之后，可将目标图像输入至目标深度学习模型中。然后，利用目标深度学习模型对目标图像进行特征提取，如此，便可获得目标图像的图像特征，特别地，该图像特征包括全局特征、局部特征和多尺度全局特征。其中，全局特征即为目标图像的整体特征，局部特征即为目标图像的区域特征，而中间结果特征，为将全局特征提取过程中产生的多个阶段特征进行加权计算后获得的特征。具体的，中间结果特征即为融合多尺度的特征图来提取全局特征，充分利用全局特征提取过程中各阶段特征输出信息。多尺度全局特征是对全局特征和局部特征的一种有效补充。将全局特征、局部特征和多尺度全局特征来表征目标图像，可提高表征能力。得到更为准确的表征目标图像的图像特征之后，便可利用图像特征，按照距离计算规则，分别计算目标图像与图像库中各个图像的相似距离。然后，利用相似距离，确定并输出目标图像的相似图像。由于用于计算相似距离的图像特征能更好地表征目标图像，因此，基于该图像特征计算出的相似结果所确定出相似图像的方式进行图像检索，则可提高图像检索的准确率。相应地，本专利技术实施例还提供了与上述图像检索方法相对应的图像检索装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中一种图像检索方法的实施流程图；图2为本专利技术实施例中一种目标深度学习模型的网络结构示意图；图3为本专利技术实施例中一种图像检索方法的具体实施例流程图；图4为本专利技术实施例中一种车辆图像检索结果示意图；图5为本专利技术实施例中一种图像检索装置的结构示意图；图6为本专利技术实施例中一种图像检索设备的结构示意图；图7为本专利技术实施例中一种图像检索设备的具体结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例一：请参考图1，图1为本专利技术实施例中一种图像检索方法的流程图，该方法包括以下步骤：S101、获取待检索的目标图像，将目标图像输入目标深度学习模型。在本专利技术实施例中，可以预先设置一个目标深度学习模型，该模型本文档来自技高网...

【技术保护点】
1.一种图像检索方法，其特征在于，包括：获取待检索的目标图像，将所述目标图像输入目标深度学习模型；利用所述目标深度学习模型对所述目标图像进行特征提取，获得所述目标图像的图像特征；所述图像特征包括全局特征、局部特征和多尺度全局特征，所述多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离；利用所述相似距离，确定并输出所述目标图像的相似图像。

【技术特征摘要】
1.一种图像检索方法，其特征在于，包括：获取待检索的目标图像，将所述目标图像输入目标深度学习模型；利用所述目标深度学习模型对所述目标图像进行特征提取，获得所述目标图像的图像特征；所述图像特征包括全局特征、局部特征和多尺度全局特征，所述多尺度全局特征为将全局特征提取过程中产生的多个中间阶段特征进行加权计算后获得的特征；利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离；利用所述相似距离，确定并输出所述目标图像的相似图像。2.根据权利要求1所述的图像检索方法，其特征在于，所述局部特征提取过程，包括：对所述目标图像进行全局特征提取时，对目标池化层输出的特征图进行分支，获得原始局部特征图；对所述原始局部特征图进行池化和全连接处理，获得所述局部特征。3.根据权利要求2所述的图像检索方法，其特征在于，所述对目标池化层输出的特征图进行分支，获得原始局部特征图，包括：对所述特征图分别进行横向分割和纵向分割，获得原始局部特征图；所述原始局部特征图包括原始上部特征图、原始下部特征图、原始左部特征图和原始右部特征图。4.根据权利要求1至3任一项所述的图像检索方法，其特征在于，在所述距离计算规则为余弦距离计算规则时，利用所述图像特征，按照距离计算规则，分别计算所述目标图像与图像库中各个图像的相似距离，包括：利用所述图像特征，分别计算所述目标图像与图像库中各个图像的余弦距离；将所述余弦距离作为所述相似距离。5.根据权利要求4所述的图像检索方法，其特征在于，利用所述相似距离，确定并输出所述目标图像的相似图像，包括：对所述相似距离进行降序排列，选...

【专利技术属性】
技术研发人员：沈文超，邹文艺，晋兆龙，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏,32