一种基于深度学习的拷贝图像特征提取方法技术

本发明专利技术公开了一种基于深度学习的拷贝图像特征提取方法，包括如下步骤：通过卷积神经网络构建训练图像的特征图像；对训练图像的特征图像进行特征表示；特征表示度量训练图像间的相似度；根据训练图像特征表示的相似度对卷积神经网络参数进行优化，得到目标卷积神经网络结构；利用目标卷积神经网络结构提取拷贝图像的特征表示。本发明专利技术以深度学习的卷积神经网络为基础，提高了图像特征表示的唯一性与鲁棒性，并且特征提取的效率和准确率都较高。

【技术实现步骤摘要】

本专利技术涉及计算机多媒体
，尤其涉及一种基于深度学习的拷贝图像特征提取方法。
技术介绍
随着信息技术的飞速发展，尤其是网络通信技术和多媒体技术的应用，图像已成为互联网上信息传输的重要内容。相应地，为了有效防止网络多媒体盗版事件的发生，针对网络图像的版权保护也获得了广泛的重视。拷贝图像，即查询图像与参考图像之间存在某种图像变换，或者说，查询图像是由参考图像通过各种图像编辑操作得到。关于拷贝图像检测的研究，主要集中在以下三个方面：图像表示方式、快速检索方法、相似性度量方法。根据图像表示方式的不同，当前的两类主要框架分别是基于全局特征方法和基于局部特征方法。基于全局特征方法将图像描述为一个全局的特征向量或者描述子，通过计算图像特征向量或描述子之间的距离来度量图像的相似性。同时，在相似性度量方法方面，其与图像表示方法相关联，基于不同的图像表示方法一般会采用不同的相似性度量方法。但是该方法需要顺序计算特征向量之间的距离，因此效率较低，同时，对图像的裁剪、平移、加框、Logo添加等变换操作鲁棒性较差。基于局部特征方法将图像描述为局部特征的集合，并将文本检索中词袋模型应用于拷贝图像检测中。最常用的局部特征描述方法有：PCA-SIFT、SIFT、PM-DFT、Local Difference Pattern、多分辨率直方图等。基于局部特征方法虽然鲁棒性较高，能处理当前各种图像编辑操作。但是由于图像规模非常大，而在将图像表示视觉词汇集合时，损失了视觉词汇的位置信息，以及在利用量化方法得到视觉词汇时也损失了局部描述子的信息量。所以基于局部特征的方法效率和准确率都较低。
技术实现思路
本专利技术的目的之一在于提供一种基于深度学习的拷贝图像特征提取方法，以解决在拷贝图像检测问题中，基于深度学习进行图像特征抽取以构建具有唯一性和鲁棒性的特征表示的问题。本专利技术的专利技术目的是通过下述技术方案来实现的：一种基于深度学习的拷贝图像特征提取方法包括如下步骤：通过卷积神经网络构建训练图像的特征图像；对训练图像的特征图像进行特征表示；根据训练图像特征表示的相似度对卷积神经网络参数进行优化，得到目标卷积神经网络结构；利用目标卷积神经网络结构提取拷贝图像的特征表示。进一步的，本专利技术提供的一种基于深度学习的拷贝图像特征提取方法具体包括如下步骤：步骤S1：选取训练图像，并对所述训练图像进行预处理；步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像；步骤S3：提取步骤S2中得到的特征图像的特征表示；步骤S4：根据步骤S3中得到的特征表示度量训练图像间的相似度；步骤S5：根据步骤S4中得到的相似度对卷积神经网络参数进行优化，最后训练得到目标卷积神经网络结构；步骤S6：利用步骤S5得到的目标卷积神经网络结构，提取拷贝图像的特征表示。进一步的，所述步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像，具体包括如下步骤：步骤S2.1：将步骤S1中经过预处理的训练图像输入到卷积神经网络中的C1卷积层，对训练图像进行卷积操作，输出C1卷积层特征图像；步骤S2.2：将步骤S2.1中得到的C1卷积层特征图像输入卷积神经网络中的S2下采样层，将C1卷积层特征图像切分为子区域，取每个区域的最大值，进行最大池化(max pooling)，输出S2下采样层特征图像；步骤S2.3：将步骤S2.2中得到的S2下采样层特征图像输入卷积神经网络中的C3卷积层，对S2下采样层特征图像进行卷积操作，输出C3卷积层特征图像；步骤S2.4：将步骤S2.3中得到的C3卷积层特征图像输入卷积神经网络中的S4下采样层，将C3卷积层特征图像切分为子区域，取每个区域的最大值，进行max pooling，输出S4下采样层特征图像。进一步的，所述步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像，具体包括如下步骤：步骤S2.1.1：将步骤S1中经过预处理的训练图像输入到卷积神经网络中的C1卷积层，通过64个11×11的滤波器，使用4个像素的步长，对经过预处理的训练图像进行卷积操作，输出64×56×56的C1卷积层特征图像；步骤S2.2.1：将步骤S2.1.1中得到的每幅56×56的C1卷积层特征图像输入卷积神经网络中的S2下采样层，将C1卷积层特征图像切分为28×28个子区域，取每个区域的最大值，进行max pooling，输出64×28×28的S2下采样层特征图像；步骤S2.3.1：将步骤S2.2.1中得到的S2下采样层特征图像输入卷积神经网络中的C3卷积层，通过128个5×5的滤波器，使用1个像素的步长，对S2下采样层特征图像进行卷积操作，输出128×24×24的C3卷积层特征图像；步骤S2.4.1：将步骤S2.3.1中得到的每幅24×24的C3卷积层特征图像输入卷积神经网络中的S4下采样层，将C3卷积层特征图像切分为12×12个子区域，取每个区域的最大值，进行max pooling，输出128×12×12的S4下采样层特征图像。进一步的，所述步骤S3：提取步骤S2中得到的特征图像的特征表示，具体包括如下步骤：步骤S3.1：将步骤S2中得到的特征图像输入到全连接层进行全连接，输出特征图像的特征表示；步骤S3.2：对步骤S3.1中得到的特征图像的特征表示进行二进制特征转换，得到特征图像的二进制特征表示。进一步的，所述步骤S3：提取步骤S2中得到的特征图像的特征表示，具体包括如下步骤：步骤S3.1.1：将步骤S2中得到的特征图像输入到全连接层与m个sigmoid类型的节点进行全连接，输出特征图像的特征表示为m维特征向量(x1,，x2，…，xm)；步骤S3.2.1：对全连接层输出的m维特征向量(x1,，x2，…，xm)进行二进制特征转换，得到特征图像的二进制特征向量；所述二进制特征转换方式为： x k = 0 , x k < 0.5 1 , x k ≥ 0.5 , k 本文档来自技高网...

【技术保护点】
一种基于深度学习的拷贝图像特征提取方法，其特征在于，包括如下步骤：通过卷积神经网络构建训练图像的特征图像；对所述训练图像的特征图像进行特征表示；根据所述训练图像的特征表示的相似度对卷积神经网络参数进行优化，得到目标卷积神经网络结构；利用目标卷积神经网络结构提取拷贝图像的特征表示。

【技术特征摘要】
1.一种基于深度学习的拷贝图像特征提取方法，其特征在于，包括如下步骤：通过卷积神经网络构建训练图像的特征图像；对所述训练图像的特征图像进行特征表示；根据所述训练图像的特征表示的相似度对卷积神经网络参数进行优化，得到目标卷积神经网络结构；利用目标卷积神经网络结构提取拷贝图像的特征表示。2.如权利要求1所述的一种基于深度学习的拷贝图像特征提取方法，其特征在于，包括如下步骤：步骤S1：选取训练图像，并对所述训练图像进行预处理；步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像；步骤S3：提取步骤S2中得到的特征图像的特征表示；步骤S4：根据步骤S3中得到的特征表示度量训练图像间的相似度；步骤S5：根据步骤S4中得到的相似度对卷积神经网络参数进行优化，最后训练得到目标卷积神经网络结构；步骤S6：利用步骤S5得到的目标卷积神经网络结构，提取拷贝图像的特征表示。3.如权利要求2所述的一种基于深度学习的拷贝图像特征提取方法，其特征在于，所述步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像，具体包括如下步骤：步骤S2.1：将步骤S1中经过预处理的训练图像输入到卷积神经网络中的C1卷积层，对训练图像进行卷积操作，输出C1卷积层特征图像；步骤S2.2：将步骤S2.1中得到的C1卷积层特征图像输入卷积神经网络中的S2下采样层，将C1卷积层特征图像切分为子区域，取每个区域的最大值， 进行最大池化，输出S2下采样层特征图像；步骤S2.3：将步骤S2.2中得到的S2下采样层特征图像输入卷积神经网络中的C3卷积层，对S2下采样层特征图像进行卷积操作，输出C3卷积层特征图像；步骤S2.4：将步骤S2.3中得到的C3卷积层特征图像输入卷积神经网络中的S4下采样层，将C3卷积层特征图像切分为子区域，取每个区域的最大值，进行最大池化，输出S4下采样层特征图像。4.如权利要求3所述的一种基于深度学习的拷贝图像特征提取方法，其特征在于，所述步骤S2：将步骤S1中经过预处理的训练图像输入到卷积神经网络中进行卷积、切分处理，得到训练图像的特征图像，具体包括如下步骤：步骤S2.1.1：将步骤S1中经过预处理的图像输入卷积神经网络中的C1卷积层，通过64个11×11的滤波器，使用4个像素的步长，对经过预处理的图像进行卷积操作，输出64×56×56的C1卷积层特征图像；步骤S2.2.1：将步骤S2.1.1中得到的每幅56×56的C1卷积层特征图像输入卷积神经网络中的S2下采样层，将C1卷积层特征图像切分为28×28个子区域，取每个区域的最大值，进行最大池化，输出64×28×28的S2下采样层特征图像；步骤S2.3.1：将步骤S2.2.1中得到的S2下采样层特征图像输入卷积神经网络中的C3卷积层，通过128个5×5的滤波器，使用1个像素的步长，对S2下采样层特征图像进行卷积操作，输出128×24×24的C3卷积层特征图像；步骤S2.4.1：将步骤S2.3中得到的每幅24×24的C3卷积层特征图像输入卷积神经网络...

【专利技术属性】
技术研发人员：郝晖，刑爽，杜强，许正，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11