图片检索方法、装置及计算机存储介质制造方法及图纸

本申请公开了一种图片检索方法、图片检索装置及计算机存储介质，方法用于从多个待检索图片中检索与目标图片相关的待检索图片，包括：以多个检索图片和目标图片为一图片集，计算图片集中各个图片与其他图片之间的图片差异度；基于图片差异度确定各个图片的扩展邻近图片集，并对扩展邻近图片集中的图片进行排序；计算目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的图片集差异度，将图片集差异度作为目标图片与待检索图片之间的扩展差异度；基于扩展差异度确定与目标图片相关的待检索图片。本申请的方法可高效准确的实现图片检索。

Image Retrieval Method, Device and Computer Storage Media

【技术实现步骤摘要】
图片检索方法、装置及计算机存储介质
本申请涉及图片检索领域，特别是涉及一种图片检索方法、图片检索装置及计算机存储介质。
技术介绍
图片检索涉及到从海量图片中找到与目标图片类似的图片，其主要应用于行人重识别，例如在安防监控领域，随着监控摄像头布置的增多，大量的行人图片数据被保存，如何高效准确的从大量的图片中找到目标，成为当前研究的挑战。如今深度学习、重排序方法等均被应用到图片检索领域，但依旧存在计算复杂，且计算过程中信息丢失严重等问题，继而造成无法准确高效的实现图片检索。
技术实现思路
本申请提供一种图片检索方法、图片检索装置及计算机存储介质，以解决现有技术中无法实现准确高效的图片检索的问题。为解决上述技术问题，本申请提供一种图片检索方法，用于从多个待检索图片中检索与目标图片相关的待检索图片，包括：以多个待检索图片和目标图片作为一图片集，计算图片集中各个图片与其他图片之间的图片差异度；基于图片差异度确定各个图片的扩展邻近图片集，并对扩展邻近图片集中的图片进行排序；计算目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的图片集差异度，将图片集差异度作为目标图片与待检索图片之间的扩展差异度；基于扩展差异度确定与目标图片相关的待检索图片。为解决上述技术问题，本申请提供一种图片检索装置，包括处理器和存储器，存储器中存储有计算机程序，处理器用于执行计算机程序以实现上述图片检索方法的步骤。为解决上述技术问题，本申请提供一种计算机存储介质，其中存储有计算机程序，计算机程序被执行时实现上述图片检索方法的步骤。本申请图片检索方法用于从待检索图片中检索与目标图片相关的待检索图片，该方法包括以多个待检索图片和目标图片作为一个图片集，计算图片集中各个图片与其他图片之间的图片差异度，基于图片差异度确定各个图片的扩展邻近图片集，将扩展邻近图片集之间的图片集差异度作为各个图片之间的扩展差异度；基于此，重新计算待检索图片与目标图片之间的扩展差异度，并根据扩展差异度来确定与目标图片相关的待检索图片。本申请方法中不再单一的考虑图片之间的差异度，而是对图片进行扩展，形成图片集进行差异度的计算，从而提高图片检索的准确性。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对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是本申请图片检索方法一实施例的流程示意图；图2是本申请图片检索方法另一实施例的流程示意图；图3是本申请图片检索装置一实施例的结构示意图；图4是本申请计算机存储介质一实施例的结构示意图。具体实施方式为使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本申请所提供的一种图片检索方法、图片检索装置及计算机存储介质做进一步详细描述。图片检索方法用于从多个待检索图片中检索与目标图片相关的待检索图片，可应用于行人重识别。在图片检索方法中，通过比较待检索图片与目标图片的差异度来找到与目标图片类似的待检索图片。由于单个图片比较时容易出现信息缺失等问题，导致差异度不够准确；因此本实施例中不再简单的比较两张图片之间的差异度，而是将图片扩展到图片集，通过比较两图片集之间的差异度来确定与目标图片类似的待检索图片，以提高检索准确性。具体请参阅图1，图1是本申请图片检索方法一实施例的流程示意图，本实施例图片检索方法包括以下步骤。S101：以多个待检索图片与目标图片作为一图片集，计算图片集中各个图片与其他图片之间的图片差异度。图片检索即需要从多个待检索图片中找到与目标图片类似的，因而在检索时需要对多个待检索图片及目标图片进行处理，本实施例需要对图片进行扩展到图片集，即将与该图片类似的图片作为一图片集，该扩展过程需要获知该该图片与其他图片之间的图片差异度，因而本步骤中计算各个图片与其他图片之间的图片差异度，即计算每两图片之间的图片差异度。S102：基于图片差异度确定各个图片的扩展邻近图片集，并对扩展邻近图片集中的图片进行排序。如前所述，根据图片差异度来确定各个图片的扩展邻近图片集，将与该图片类似的图片均集合在一个图片集中，其中所基于的该图片可认为是扩展邻近图片集的中心图片。在该图片集中的图片有一定的排序位置，可根据与该图片的相似程度来排序，即差异度越小的排的越靠前。S103：计算目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的图片集差异度，将图片集差异度作为目标图片与待检索图片之间的扩展差异度。对每个图片都进行扩展后，即可开始计算各个图片集之间的差异度，图片集差异度的求解可采用多种方式，例如可先根据图片集中所有图片的特征向量来计算图片集的总特征向量，然后根据图片集的总特征向量来计算各个图片集之间的图片集差异度。还可计算两图片集的中心图片与另一图片集的差异度，然后对差异度进行加权平均，从而获得图片集差异度。具体求解方式可根据实际情况确定。由于本实施例中需要找到与目标图片类似的待检索图片，因此本步骤只需计算目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的扩展差异度即可，将算得的图片集差异度作为目标图片与待检索图片之间的扩展差异度。S104：基于扩展差异度确定与目标图片相关的待检索图片。最后基于该扩展差异度即可确定与目标图片相关的待检索图片，例如扩展差异度最小的待检索图片及与目标图片最相关的。还可基于该扩展差异度再对目标图片进行扩展，同样对其他图片也进行扩展，再次通过上述步骤利用扩展的图片集来重复迭代计算差异度，从而提高准确性。本实施例中基于图片之间的差异度将图片扩展到图片集，并计算各个图片集之间的差异度，以作为各个图片之间的扩展差异度，通过扩展的方式来提高差异度判断的准确性。基于图1所示的实施例，本申请进一步提出更具体的方案，请参阅图2，图2是本申请图片检索方法另一实施例的流程示意图。本实施例图片检索方法包括以下步骤。S201：利用预先训练的卷积神经网络获取图片集中每个图片的特征向量。本实施例中通过各个图片的特征向量来计算图片之间的差异度，因此首先在步骤S201中通过预先训练的卷积神经网络来获取每个图片的特征向量。具体来说，本实施例的卷积神经网络中，在倒数第二层和分类层(最后一层)之间引入一个哈希编码层，从而获得哈希特征向量，通过引入哈希编码层可以将高维度的浮点特征实现量化编码，从而降低存储空间的消耗。且为了保证编码过程中信息损失最小，该哈希编码层输出的特征维数与倒数第二层输出的维数相同。进一步的，在哈希编码层之后，还引入二值化函数，例如sigmoid函数，以将输出限制在0,1；其中，当输出大于等于0.5时，将该值扩展为1；当输出小于0.5时，将该值压缩为0。最终实现将高纬度的浮点特征向量压缩为0或1的二值化哈希编码特征向量。S202：根据特征向量，计算各个图片与其他图片之间的图片差异度。在获取特征向量后，即可根据特征向量来计算各个图片与其他图片之间的图片差异度，图片差异度可通过汉明距离欧式距离，余弦距离等来表示，本实施例中采用汉明距离，以提高检索速度。为更便于理解，以下通过案例来描述。目标图片q，待检索图片gi，i＝1～N，N为待检索图片的数目。步本文档来自技高网...

【技术保护点】
1.一种图片检索方法，其特征在于，所述方法用于从多个待检索图片中检索与目标图片相关的待检索图片，包括：以所述多个待检索图片和所述目标图片为一图片集，计算所述图片集中各个图片与其他图片之间的图片差异度；基于所述图片差异度确定各个图片的扩展邻近图片集，并对所述扩展邻近图片集中的图片进行排序；计算所述目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的图片集差异度，将所述图片集差异度作为所述目标图片与所述待检索图片之间的扩展差异度；基于所述扩展差异度确定与所述目标图片相关的待检索图片。

【技术特征摘要】
1.一种图片检索方法，其特征在于，所述方法用于从多个待检索图片中检索与目标图片相关的待检索图片，包括：以所述多个待检索图片和所述目标图片为一图片集，计算所述图片集中各个图片与其他图片之间的图片差异度；基于所述图片差异度确定各个图片的扩展邻近图片集，并对所述扩展邻近图片集中的图片进行排序；计算所述目标图片的扩展邻近图片集与各个待检索图片的扩展邻近图片集之间的图片集差异度，将所述图片集差异度作为所述目标图片与所述待检索图片之间的扩展差异度；基于所述扩展差异度确定与所述目标图片相关的待检索图片。2.根据权利要求1所述的方法，其特征在于，所述计算所述图片集中各个图片与其他图片之间的图片差异度，包括：利用预先训练的卷积神经网络获取所述图片集中每个图片的特征向量；根据所述特征向量，计算各个图片与其他图片之间的图片差异度。3.根据权利要求2所述的方法，其特征在于，所述利用预先训练的卷积神经网络获取所述图片集中每个图片的特征向量，包括：利用预先训练的卷积神经网络中的哈希编码层获取所述图片集中每个图片的哈希特征向量。4.根据权利要求1所述的方法，其特征在于，所述基于所述图片差异度确定各个图片的扩展邻近图片集，包括：选择与所述各个图片之间图片差异度最小的前第一数量个其他图片，作为所述各个图片的第一邻近图片集；以所述第一邻近图片集确定所述扩展邻近图片集。5.根据权利要求4所述的方法，其特征在于，所述基于所述图片差异度确定各个图片的扩展邻近图片集，进一步包括：选择与所述各个图片之间图片差异度最小的前第二数量个其他图片，作为所述各个图片的第二邻近图片集；计算所述各个图片的第一邻近图片集中每个图片的第二邻近图片集；将各个图片的第一邻近图片集，以及所述第一邻近图片集中每个图片的第二邻近图片集的集合作为所述扩展邻近图片集。6...

【专利技术属性】
技术研发人员：潘华东，孙鹤，罗时现，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33