相似图像查找方法及装置制造方法及图纸

本申请实施例提供一种相似图像查找方法及装置，服务器将目标图像输入训练好的深度学习神经网络模型，获得浮点型特征向量；针对该浮点型特征向量中的每一位浮点特征值，将该其映射成0至1之间的目标浮点特征值，若该目标浮点特征值不小于0.5，则将该目标浮点特征值转换为1，若该目标浮点特征值小于0.5，则将该目标浮点特征值转换为0，得到目标浮点特征向量；将该目标浮点特征向量作为目标图像的哈希编码；采用移位操作计算目标图像的哈希编码和图像数据库中的各图像的哈希编码的汉明距离，从得到的第一数量个汉明距离中确定达到预设阈值的目标汉明距离，将该目标汉明距离对应的图像作为目标图像的相似图像。

【技术实现步骤摘要】
相似图像查找方法及装置
本申请涉及图像处理
，具体而言，涉及一种相似图像查找方法及装置。
技术介绍
在实际应用中，有许多应用场景需要进行相似图像的查找。例如，在图像检索的应用场景中，需要根据一幅已有的图像，检索出与该图像相似的图像。又如，在图像推荐的应用场景中，需要根据用户感兴趣的图像，推荐与该图像相似的图像。然而，相关技术中，主要通过计算欧式距离来确定用户提供的图像的相似图像。这种方式计算量大，计算速度慢。尤其当需要在大规模图像数据集中查找用户提供的图像的相似图像时，上述方式的计算速度将进一步减缓，无法满足业务需求。
技术实现思路
有鉴于此，本申请的目的之一在于提供一种相似图像查找方法及装置，以至少部分地改善上述问题。为了达到上述目的，本申请实施例采用如下技术方案：第一方面，本申请实施例提供一种相似图像查找方法，应用于能够访问图像数据库的服务器，所述方法包括：将目标图像输入训练好的深度学习神经网络模型，获得所述目标图像的浮点型特征向量，其中，所述浮点型特征向量包括多位浮点特征值；针对所述浮点型特征向量中的每一位浮点特征值，将该位浮点特征值映射成0至1之间的目标浮点特征值，若该目标本文档来自技高网...

【技术保护点】
1.一种相似图像查找方法，其特征在于，应用于能够访问图像数据库的服务器，所述方法包括：将目标图像输入训练好的深度学习神经网络模型，获得所述目标图像的浮点型特征向量，其中，所述浮点型特征向量包括多位浮点特征值；针对所述浮点型特征向量中的每一位浮点特征值，将该位浮点特征值映射成0至1之间的目标浮点特征值，若该目标浮点特征值不小于0.5，则将该目标浮点特征值转换为1，若该目标浮点特征值小于0.5，则将该目标浮点特征值转换为0，得到目标浮点特征向量；将所述目标浮点特征向量作为所述目标图像的哈希编码；采用移位操作计算所述目标图像的哈希编码和所述图像数据库中的各图像的哈希编码的汉明距离，得到第一数量个汉明...

【技术特征摘要】
1.一种相似图像查找方法，其特征在于，应用于能够访问图像数据库的服务器，所述方法包括：将目标图像输入训练好的深度学习神经网络模型，获得所述目标图像的浮点型特征向量，其中，所述浮点型特征向量包括多位浮点特征值；针对所述浮点型特征向量中的每一位浮点特征值，将该位浮点特征值映射成0至1之间的目标浮点特征值，若该目标浮点特征值不小于0.5，则将该目标浮点特征值转换为1，若该目标浮点特征值小于0.5，则将该目标浮点特征值转换为0，得到目标浮点特征向量；将所述目标浮点特征向量作为所述目标图像的哈希编码；采用移位操作计算所述目标图像的哈希编码和所述图像数据库中的各图像的哈希编码的汉明距离，得到第一数量个汉明距离，其中，所述第一数量为所述图像数据库中包括的图像的数量；从所述第一数量个汉明距离中确定达到预设阈值的目标汉明距离，从所述图像数据库中查找与所述目标汉明距离对应的图像，并将查找到的图像作为所述目标图像的相似图像。2.根据权利要求1所述的方法，其特征在于，所述深度学习神经网络模型为改进后的移动网络结构；所述改进后的移动网络结构中包括基于ImageNet数据库训练得到的图像分类模型的预训练参数，位于所述改进后的移动网络结构的最后一层的全连接层具有128个输出值。3.根据权利要求1或2所述的方法，其特征在于，所述深度学习神经网络模型通过如下步骤进行训练：获取数据集，其中：所述数据集包括多幅图像，每幅图像具有至少两个类别标签，该类别标签用于指示该幅图像所属的类别；将所述数据集转换为包括多个三元组的样本集，所述三元组包括锚样本、正样本和负样本；其中：所述锚样本为从所述数据集中任选的一幅图像，所述正样本为从所述数据集中选取的类别标签与该锚样本相同的一幅图像，所述负样本为从所述数据集中选取的类别标签与该锚样本不同的一幅图像；采用所述样本集对所述深度学习神经网络模型进行训练，在训练过程中根据所述深度学习神经网络的损失函数的函数值对所述深度学习神经网络模型的超参数进行调整，使得各三元组中的锚样本与正样本的距离降低、各三元组中的锚样本与负样本的距离增加，直至输入的三元组中的锚样本和正样本的距离小于该三元组中的锚样本和负样本的距离，得到所述训练好的深度学习神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述损失函数为三元损失函数，该三元损失函数采用如下计算式实现：其中，i表示第i个三元组，表示该三元组中的锚样本，表示该三元组中的正样本，表示该三元组中的负样本，所述i为1至N之间的任意整数，所述N为所述样本集中包括的三元组的数量，α为所述超参数；所述在训练过程中根据所述深度学习神经网络的损失函数的函数值对所述深度学习神经网络模型的超参数进行调整的步骤，包括：在训练过程中根据所述三元损失函数的函数值L对所述α进行调整，直至所述三元损失函数的函数值L达到最小值。5.根据权利要求3所述的方法，其特征在于，用于训练所述深度学习神经网络模型的服务器包括第二数量个图形处理器GPU；所述采用所述样本集对所述深度学习神经网络模型进行训练的步骤，包括：将所述样本集中划分成所述第二数量个样本子集，每个样本子集中包括至少一个三元组；在所述第二数量个GPU上，分别采用所述第二数量个样本子集训练所述深度学习神经网络模型；所述在训练过程中根据所述深度学习神经网络的损失函数的函数值对所述深度学习神经网络模型的超参数进行调整的步骤，包括：根据所述第二数量个GPU各自输出的所述损失函数的值，分别调整所述超参数。6.根据权利要求3所述的方法，其特征在于...

【专利技术属性】
技术研发人员：王辰龙，赵雷，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35