图像检索方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开一种图像检索方法、装置、电子设备及存储介质，该方法包括：获取目标图像，提取目标图像的图像特征得到第一特征向量；获取各候选图像的权重融合特征向量，权重融合特征向量是通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整得到，一个候选图像的特征向量对应一个权重；根据第一特征向量和各候选图像的权重融合特征向量，确定与目标图像匹配的候选图像。本发明专利技术实施例中，在现有各候选图像的特征向量的基础上，为每个候选图像的特征向量配置一个对应的权重，通过权重对各候选图像的特征向量进行调整，基于调整后的特征向量进行图像检索，可以降低部分细节相似但物体种类不同的图像的干扰，从而提高图像检索的精准度。

Image retrieval methods, devices, electronic devices and storage media

【技术实现步骤摘要】
图像检索方法、装置、电子设备及存储介质
本专利技术涉及计算机视觉
，特别是涉及一种图像检索方法、装置、电子设备及存储介质。
技术介绍
图像检索是计算机视觉领域中一项极具落地前景的研究课题，在真实场景(例如智慧金融、智慧城市等)下具有广泛的应用价值。近年来，大多数学者的研究中多采用基于深度学习的图像检索方法解决此类问题。现有技术中，主要通过改进深度学习中卷积神经网络的结构，采用改进的网络结构提取更具辨识度的图像特征，来保证图像检索结果的精准度。然而，对于一些特殊视角，不同物体之间差异较小，受限于图像特征的辨识度，仅依赖提取更具辨识度的图像特征并不能保证图像检索的精准度。因此，如何利用已提取的图像特征来提高图像检索的精准度，已成为本领域技术人员亟待解决的技术问题。
技术实现思路
本专利技术实施例提供了一种图像检索方法、装置、电子设备及存储介质，以解决现有技术中存在的无法保证图像检索精准度的技术问题。根据本专利技术的第一方面，公开了一种图像检索方法，所述方法包括：获取目标图像，提取所述目标图像的图像特征，得到第一特征向量；获取各候选图像的权重融合特征向量，其中，所述权重融合特征向量是通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整得到的，其中，一个候选图像的特征向量对应一个权重；根据所述第一特征向量和所述各候选图像的权重融合特征向量，确定与所述目标图像匹配的候选图像。可选地，作为一个实施例，所述获取各候选图像的权重融合特征向量，包括：获取预设特征库，其中，所述预设特征库中包括多个候选图像的权重融合特征向量。可选地，作为一个实施例，所述获取各候选图像的权重融合特征向量，包括：获取各候选图像的特征向量；获取所述各候选图像的特征向量对应的权重；针对每个候选图像，通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整，得到各候选图像的权重融合特征向量。可选地，作为一个实施例，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；或者所述候选图像的特征向量对应的权重是采用欧式距离相关算法对该候选图像的特征向量进行处理得到的。可选地，作为一个实施例，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；所述权重融合特征向量是通过对候选图像的特征向量的L2标准化处理结果与该候选图像的特征向量对应的权重进行乘积运算得到的。可选地，作为一个实施例，所述方法还包括：预先生成所述各候选图像的特征向量对应的权重，其中，生成过程包括：按照候选图像中对象的类别，针对每个类别下的候选图像的特征向量均进行以下处理，得到各特征向量对应的权重：对第i个类别下的每个候选图像的特征向量进行L2标准化处理，得到标准化的各特征向量其中，所述fij为第i个类别下的第j个候选图像的特征向量，1≤j≤N，N为第i个类别下候选图像的个数；计算第i个类别的聚类中心向量对所述聚类中心向量进行L2标准化处理，得到标准化的聚类中心向量计算第i个类别的卷积特征到所述标准化的聚类中心向量的余弦相似度矩阵其中，所述第i个类别的卷积特征为基于所述余弦相似度矩阵，确定第i个类别下各候选图像的特征向量对应的权重。可选地，作为一个实施例，所述基于所述余弦相似度矩阵，确定第i个类别下各候选图像的特征向量对应的权重，包括：对所述余弦相似度矩阵与预设尺度变换参数进行乘积运算，得到调整后的余弦相似度矩阵Sms＝s·Sm，s为预设尺度变换参数；对所述调整后的余弦相似度矩阵进行softmax归一化处理，得到fij对应的初始权重Sms(j)为Sms中的第j个相似度值；对所述初始权重与所述N进行乘积运算，得到fij对应的最终权重W(j)＝N·Winit(j)。可选地，作为一个实施例，所述根据所述第一特征向量和所述各候选图像的权重融合特征向量，确定与所述目标图像匹配的候选图像，包括：对所述第一特征向量进行L2标准化处理，得到第二特征向量；分别计算所述第二特征向量到各候选图像的权重融合特征向量的距离值；将排在前Q位的距离值对应的候选图像，确定为与所述目标图像匹配的候选图像，其中，Q为大于或等于1的整数。根据本专利技术的第二方面，公开了一种图像检索装置，所述装置包括：第一获取模块，用于获取目标图像，提取所述目标图像的图像特征，得到第一特征向量；第二获取模块，用于获取各候选图像的权重融合特征向量，其中，所述权重融合特征向量是通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整得到的，其中，一个候选图像的特征向量对应一个权重；确定模块，用于根据所述第一特征向量和所述各候选图像的权重融合特征向量，确定与所述目标图像匹配的候选图像。可选地，作为一个实施例，所述第二获取模块包括：第一获取子模块，用于获取预设特征库，其中，所述预设特征库中包括多个候选图像的权重融合特征向量。可选地，作为一个实施例，所述第二获取模块包括：第二获取子模块，用于获取各候选图像的特征向量；第三获取子模块，用于获取所述各候选图像的特征向量对应的权重；调整子模块，用于针对每个候选图像，通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整，得到各候选图像的权重融合特征向量。可选地，作为一个实施例，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；或者所述候选图像的特征向量对应的权重是采用欧式距离相关算法对该候选图像的特征向量进行处理得到的。可选地，作为一个实施例，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；所述权重融合特征向量是通过对候选图像的特征向量的L2标准化处理结果与该候选图像的特征向量对应的权重进行乘积运算得到的。可选地，作为一个实施例，所述装置还包括：权重生成模块，其中，所述权重生成模块包括：第一处理子模块，用于按照候选图像中对象的类别，针对每个类别下的候选图像的特征向量均进行以下处理，得到各特征向量对应的权重：对第i个类别下的每个候选图像的特征向量进行L2标准化处理，得到标准化的各特征向量其中，所述fij为第i个类别下的第j个候选图像的特征向量，1≤j≤N，N为第i个类别下候选图像的个数；计算第i个类别的聚类中心向量对所述聚类中心向量进行L2标准化处理，得到标准化的聚类中心向量计算第i个类别的卷积特征到所述标准化的聚类中心向量的余弦相似度矩阵其中，所述第i个类别的卷积特征为第二处理子模块，用于基于所述余弦相似度矩阵，确定第i个类别下各候选图像的特征向量对应的权重。可选地，作为一个实施例，所述第二处理子模块包括：第一处理单元，用于对所述余弦相似度矩阵与预设尺度变换参数进行乘积运算，得到调整后的余弦相似度矩阵Sms＝s·Sm，s为预设尺度变换参数；第二处理单元，用于对所述调整后的余弦相似度矩阵进行softmax归一化处理，得到fij对应的初始权重Sms(j)为Sms中的第j个相似度值；第三处理单元，用于对所述初始权重与所述N进行乘积运算，得到fij对应的最终权重W(j)＝N·Winit(j)。可选地，作为一个实施例，所述确定模块包括：第三处理子模块，用于对所述第一特征向量进行L2标准化处理，得到第二特征向量；计算子模块，用于本文档来自技高网...

【技术保护点】
1.一种图像检索方法，其特征在于，所述方法包括：获取目标图像，提取所述目标图像的图像特征，得到第一特征向量；获取各候选图像的权重融合特征向量，其中，所述权重融合特征向量是通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整得到的，其中，一个候选图像的特征向量对应一个权重；根据所述第一特征向量和所述各候选图像的权重融合特征向量，确定与所述目标图像匹配的候选图像。

【技术特征摘要】
1.一种图像检索方法，其特征在于，所述方法包括：获取目标图像，提取所述目标图像的图像特征，得到第一特征向量；获取各候选图像的权重融合特征向量，其中，所述权重融合特征向量是通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整得到的，其中，一个候选图像的特征向量对应一个权重；根据所述第一特征向量和所述各候选图像的权重融合特征向量，确定与所述目标图像匹配的候选图像。2.根据权利要求1所述的方法，其特征在于，所述获取各候选图像的权重融合特征向量，包括：获取预设特征库，其中，所述预设特征库中包括多个候选图像的权重融合特征向量。3.根据权利要求1所述的方法，其特征在于，所述获取各候选图像的权重融合特征向量，包括：获取各候选图像的特征向量；获取所述各候选图像的特征向量对应的权重；针对每个候选图像，通过候选图像的特征向量对应的权重对该候选图像的特征向量进行调整，得到各候选图像的权重融合特征向量。4.根据权利要求1至3任一项所述的方法，其特征在于，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；或者所述候选图像的特征向量对应的权重是采用欧式距离相关算法对该候选图像的特征向量进行处理得到的。5.根据权利要求4所述的方法，其特征在于，所述候选图像的特征向量对应的权重是采用余弦相似度相关算法对该候选图像的特征向量进行处理得到的；所述权重融合特征向量是通过对候选图像的特征向量的L2标准化处理结果与该候选图像的特征向量对应的权重进行乘积运算得到的。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：预先生成所述各候选图像的特征向量对应的权重，其中，生成过程包括：按照候选图像中对象的类别，针对每个类别下的候选图像的特征向量均进行以下处理，得到各特征向量对应的权重：对第i个类别下的每个候选图像的特征向量进行L2标准化处理，得到标准化的各特征向量其中，所述fij为第i个类别下的第j个候选图像的特征向量，1≤j≤N，N为第i个类别下候选图像的个数；计算第i个类别的聚类中心向量对所述聚类中心向量进行L2标准化处理，得到标准化的聚类...

【专利技术属性】
技术研发人员：胡本翼，崔权，宋仁杰，
申请(专利权)人：南京旷云科技有限公司，徐州旷视数据科技有限公司，北京旷视科技有限公司，
类型：发明
国别省市：江苏,32