图片检索方法及装置、计算机设备及计算机可读介质制造方法及图纸

本申请公开了一种图片检索方法及装置、计算机设备及计算机可读介质，该方法包括接收携带目标图片的检索请求；根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第一图片；如果所述第一图片的相似度值小于预设相似度阈值，则根据所述图片数据库、已训练的第二神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第二图片；将所述第一图片和所述第二图片确定为所述目标图片的检索结果，或，比较所述第一图片和所述第二图片的相似度值大小，将相似度值较大的图片确定为所述目标图片的检索结果。该方法及装置、计算机设备及计算机可读介质兼顾了图片检索效率和检索精度。

【技术实现步骤摘要】
图片检索方法及装置、计算机设备及计算机可读介质
本申请涉及计算机应用
，尤其涉及一种图片检索方法及装置、计算机设备及计算机可读介质。
技术介绍
随着计算机与网络技术的发展，建立有效的检索机制实现快速精准的图片检索成为一种需求。在众多的图片检索系统中，基于内容的图片检索方法得到了越来越广泛的应用，它满足了人们用已有的样本快速找出目标图片的需求。现有的技术虽然利用深度学习可以利用大量的图片样本数据进行检索模型的训练，以获得用于对目标进行检索的深度神经网络模型，但由于样本数据的数量太大，导致拟合后的神经网络模型精度较低。
技术实现思路
鉴于以上问题，本专利技术的实施例提供一种图片检索方法及装置、计算机设备及计算机可读介质，其能解决上述
技术介绍
部分提到的技术问题。按照本专利技术的实施例的图片检索方法，包括：接收携带目标图片的检索请求；根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第一图片；如果所述第一图片的相似度值小于预设相似度阈值，则根据所述图片数据库、已训练的第二神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第二图片；将所述第一图片和所述第二图片确定为所述目标图片的检索结果，或，比较所述第一图片和所述第二图片的相似度值大小，将相似度值较大的图片确定为所述目标图片的检索结果。按照本专利技术的实施例的图片检索装置，接收模块，用于接收携带目标图片的检索请求；第一获取模块，用于根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第一图片；第二获取模块，用于如果所述第一图片的相似度值小于预设相似度阈值，则根据所述图片数据库、已训练的第二神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第二图片；确定模块，用于将所述第一图片和所述第二图片确定为所述目标图片的检索结果，或，比较所述第一图片和所述第二图片的相似度值大小，将相似度值较大的图片确定为所述目标图片的检索结果。按照本专利技术的实施例的计算机设备，包括处理器；以及存储器，其上存储有可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行如上所述的图片检索方法。按照本专利技术的实施例的计算机可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时使得计算机执行如上所述的图片检索方法。从以上的描述可以看出，本专利技术的实施例的方案利用图像样本数据中的不同训练图片集分别训练得到第一神经网络和第二神经网络，降低了训练的难度，提高了拟合的精度，在进行目标检测时，先利用第一神经网络进行检索，若满足预设相似度阈值，则输出检索结果，若不满足则进一步利用第二神经网络进行检索，兼顾了检索效率和检索精度。附图说明图1为按照本专利技术的一个实施例的用于模型训练的方法的流程图；图2为按照本专利技术的一个实施例的图片检索方法的总体流程图；图3为按照本专利技术的一个实施例的图片检索方法的流程图；图4为按照本专利技术的一个实施例的图片检索装置的流程图；图5为按照本专利技术的一个实施例的计算机设备的示意图。具体实施方式现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。本专利技术的实施例的方案包括模型训练阶段和实际检索阶段。图1示出了按照本专利技术的一个实施例的用于模型训练的方法的流程图。图1所示的方法100对应于模型训练阶段，其利用训练数据训练得到卷积神经网络(CNN：ConvolutionalNeuralNetwork)模型M1和基于区域信息的卷积神经网络(RCNN：RegionBasedConvolutionalNeuralNetwork)模型M2，其中CNN模型M1和RCNN模型M2都用于图片检索。图1所示的方法可以例如由计算机或其他合适的具有计算能力的电子设备来实现。如图1所示，在方框102，采集样本图片。用户可根据检索需求采集样本图片，例如用于织物图片的检索可采集织物相关的样本图片，用于汽车图片的检索可采集汽车相关的样本图片。用户可通过在网上下载或拍摄等方式采集样本图片。在方框104，对样本图片执行手动分类，并按其所在类别进行重命名，以得到第一样本图片集SP1。其中，重命名可采用0102.jpg，0308.jpg，0910.jpg，…，这种方式进行，其中，前两个数字表示它所属的类，后两个数表示是这一类中图片的第几张图，比如，0308就表示第三类图片中第8张图。在方框106，从第一样本图片集SP1中选取一些或全部样本图片作为种子图片。在方框108，对每一个种子图片执行一次或多次等角度旋转、镜像和/或其他合适的操作，以从每一个种子图片中衍生得到一个或多个图片。将第一样本图片集SP1中的样本图片和从各个种子图片中衍生得到的图片共同组合为第二样本图片集SP2。通过方框106和108的操作，能够增加样本图片的数量(例如，能够将2500张样本图片经过处理后得到超过50000张，甚至100000张的样本图片)。样本图片越多，训练得到的用于图片检索的神经网络模型的参数越准确。在方框110，生成图片数据库。其中，图片数据库中存储有第二样本图片集SP2，第二样本图片集SP2中的各样本图片可以是根据索引号来存储。方框102-110构成了方法100的图片数据库生成过程。在方框112，获取第二样本图片集SP2中的各个样本图片的属性参数，其中，该属性参数包括但不局限于图片的高度、长度等。在方框114，从第二样本图片集SP2中选取其属性参数满足第一组规则中的各个规则的多个图片，作为用于训练CNN模型的第一训练图片集TP1。其中，该第一组规则用于定义适用于训练CNN模型的样本图片需要满足的高度限制、长度限制等。在方框116，从第二样本图片集SP2中选取其属性参数满足第二组规则中的各个规则的多个图片，作为用于训练RCNN模型的第二训练图片集TP2。其中，该第二组规则用于定义适用于训练RCNN模型的样本图片需要满足的高度限制、长度限制等。这里，利用规则来选取适用于训练CNN模型和RCNN模型的样本图片，从而训练得到的CNN模型和RCNN模型能够具有更高的图片检索准确度。在方框118，使用第一训练图片集TP1中的图片作为训练数据，训练得到CNN模型M1。在方框120，使用第二训练图片集TP2中的图片作为训练数据，训练得本文档来自技高网...

【技术保护点】
1.一种图片检索方法，包括：接收携带目标图片的检索请求；根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第一图片；如果所述第一图片的相似度值小于预设相似度阈值，则根据所述图片数据库、已训练的第二神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第二图片；将所述第一图片和所述第二图片确定为所述目标图片的检索结果，或，比较所述第一图片和所述第二图片的相似度值大小，将相似度值较大的图片确定为所述目标图片的检索结果。

【技术特征摘要】
1.一种图片检索方法，包括：接收携带目标图片的检索请求；根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第一图片；如果所述第一图片的相似度值小于预设相似度阈值，则根据所述图片数据库、已训练的第二神经网络模型和所述目标图片，从所述图片数据库中获取相似度值最大的第二图片；将所述第一图片和所述第二图片确定为所述目标图片的检索结果，或，比较所述第一图片和所述第二图片的相似度值大小，将相似度值较大的图片确定为所述目标图片的检索结果。2.根据权利要求1所述的方法，其中，所述第一神经网络模型是利用第一训练图片集训练得到的，以及，所述第二神经网络模型是利用第二训练图片集训练得到的，其中，所述第一训练图片集是基于第一规则集中的规则从所述图片数据库中选取的，以及，所述第二训练图片集是基于第二规则集中的规则从所述图片数据库中选取的。3.根据权利要求2所述的方法，其中，所述图片数据库中的至少一部分图片是从所述图片数据库中选取的一个或多个种子图片衍生得到的。4.根据权利要求1、2或3所述的方法，其中，所述第一神经网络模型是卷积神经网络模型，以及所述第二神经网络模型是基于区域信息的卷积神经网络模型。5.一种图片检索装置，包括：接收模块，用于接收携带目标图片的检索请求；第一获取模块，用于根据预先采集的图片数据库、已训练的第一神经网络模型和所述目标图片，从所述图片数据...

【专利技术属性】
技术研发人员：金玲玲，饶东升，何文玮，黄水龙，李成嘉，
申请(专利权)人：深圳灵图慧视科技有限公司，
类型：发明
国别省市：广东,44