图像数据处理、模型的建立方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术涉及一种图像数据处理方法、装置、计算机设备和存储介质，所述方法包括：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码，可以直接从图像中学习出更加鲁棒、紧凑，区分力更强的图像哈希码，还提出一种图像哈希码提取模型的建立方法、装置、计算机设备和存储介质。

Image Data Processing, Modeling Method, Device, Computer Equipment and Storage Media

【技术实现步骤摘要】
图像数据处理、模型的建立方法、装置、计算机设备和存储介质
本专利技术涉及计算机
，特别是涉及一种图像数据处理方法、图像哈希码提取模型的建立方法、装置、计算机设备和存储介质。
技术介绍
随着计算机技术的发展，多媒体图像数据在各个应用中发挥着重要的作用。如视觉检索，以图像语义特征为线索从图像数据库中检出具有相似内容的其它图像，如智能跟踪，通过提取目标对象的特征实现目标对象的实时跟踪。视觉哈希是将原始的视觉描述符用哈希函数映射到低维的哈希表达，其中哈希函数将任意长度的二进制值映射为较短的固定长度的二进制值，因为其在计算能力，内存需求，等性能上都有突出的效果得到了广泛的应用。由于复杂的拍摄条件，会给图像引入不可避免的视觉噪声，提取能够处理显著视觉误差的高鲁棒性的特征对于图像处理类应用至关重要，如何从视觉信息中提取鲁棒、区分力强、并且更加紧凑的哈希码成为待解决的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种图像数据处理方法、图像哈希码提取模型的建立方法、装置、计算机设备和存储介质，使图像特征与哈希码联合学习，能有效且快速地从图像信息中同时学习图像特征和哈希码，可以直接从图像中学习出更加鲁棒、紧凑，区分力更强的图像哈希码。一种图像数据处理方法，所述方法包括：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。一种图像数据处理装置，所述装置包括：输入模块，用于获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层，所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；哈希码输出模块，用于获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。上述图像数据处理方法、装置、计算机设备及存储介质，通过获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，图像哈希码提取模型包括卷积神经网络，卷积神经网络包括嵌入了卷积层之后的哈希映射层，其中图像哈希码提取模型的参数由图像分类模型训练得到，图像分类模型包括卷积神经网络，并在所述哈希映射层之后连接分类输出层，获取图像哈希码提取模型输出的待处理图像对应的哈希码，将哈希映射层嵌入卷积神经网络中，由于卷积神经网络具有强大的理解与抽象能力，从而可从原始的像素级图片中同时学习到图像特征与哈希码，且图像哈希码提取模型的参数是通过存在分类输出层的图像分类模型训练得到的，通过最小化目标函数的分类误差来学习哈希码，使哈希码的每一位都携带尽可能多的信息，利用基于深度学习的哈希方法，可从视觉信息中提取鲁棒、区分力强、并且更加紧凑的哈希码。一种图像哈希码提取模型的建立方法，所述方法包括：获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；将所述训练样本图像集输入图像分类模型，经过卷积层输出对应的原始视觉描述符集；将所述原始视觉描述符集输入与所述卷积层连接的哈希映射层输出对应的哈希码集；将所述哈希码集输入与所述哈希映射层连接的分类输出层，输出所述哈希码集中各个哈希码对应的训练样本图像的类别概率分布；根据所述各个哈希码对应的训练样本图像的类别概率分布计算分类误差；通过最小化分类误差训练所述图像分类模型得到目标图像分类模型；以所述目标图像分类模型的哈希映射层作为哈希码输出层得到已训练的图像哈希码提取模型。一种图像哈希码提取模型的建立装置，所述装置包括：获取模块，用于获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；卷积神经网络模块，用于将所述训练样本图像集输入图像分类模型，经过卷积层输出对应的原始视觉描述符集；哈希映射层模块，用于将所述原始视觉描述符集输入与所述卷积层连接的哈希映射层输出对应的哈希码集；分类输出层模块，用于将所述哈希码集输入与所述哈希映射层连接的分类输出层，输出所述哈希码集中各个哈希码对应的训练样本图像的类别概率分布；目标图像分类模型确定模块，用于根据所述各个哈希码对应的训练样本图像的类别概率分布计算分类误差，通过最小化分类误差训练所述图像分类模型得到目标图像分类模型；目标图像哈希码提取模型确定模块，用于以所述目标图像分类模型的哈希映射层作为哈希码输出层得到已训练的图像哈希码提取模型。一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述计算机程序时实现以下步骤：获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；将所述训练样本图像集输入图像分类模型，经过卷积层输出对应的原始视觉描述符集；将所述原始视觉描述符集输入与所述卷积层连接的哈希映射层输出对应的哈希码集；将所述哈希码集输入与所述哈希映射层连接的分类输出层，输出所述哈希码集中各个哈希码对应的训练样本图像的类别概率分布；根据所述各个哈希码对应的训练样本图像的类别概率分布计算分类误差；通过最小化分类误差训练所述图像分类模型得到目标图像分类模型；以所述目标图像分类模型的哈希映射层作为哈希码输出层得到已训练的图像哈希码提取模型。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；将所述训练样本图像集输入图像分类模型，经过卷积层输出对应的原始视觉描述符集；将所述原始视觉描述符集输入与所述卷积层连接的哈希映射层输出对应的哈希码集；将所述哈希码集输入与所述哈希映射层连接的分类输出层，输出所述哈希码集中各个哈希码对应的训练样本图像的类别概率分布；根据所述各个哈希码对应的训练样本图像的类别概率分布计算分类误差；通过最小化分类本文档来自技高网...

【技术保护点】
1.一种图像数据处理方法，所述方法包括：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。

【技术特征摘要】
1.一种图像数据处理方法，所述方法包括：获取待处理图像，将所述待处理图像输入已训练的图像哈希码提取模型，所述图像哈希码提取模型包括卷积神经网络，所述卷积神经网络包括嵌入卷积层之后的哈希映射层；所述图像哈希码提取模型的参数由图像分类模型训练得到，所述图像分类模型包括所述卷积神经网络，并在所述哈希映射层之后连接分类输出层；获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码。2.根据权利要求1所述的方法，其特征在于，所述获取待处理图像的步骤之前，还包括：获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；将所述训练样本图像集输入所述图像分类模型，经过卷积层输出对应的原始视觉描述符集；将所述原始视觉描述符集输入所述哈希映射层输出对应的哈希码集；将所述哈希码集输入分类输出层，输出所述哈希码集中各个哈希码对应的训练样本图像的类别概率分布；根据所述各个哈希码对应的训练样本图像的类别概率分布计算分类误差；通过最小化分类误差训练所述图像分类模型得到目标图像分类模型；以所述目标图像分类模型的哈希映射层作为哈希码输出层得到所述已训练的图像哈希码提取模型。3.根据权利要求1所述的方法，其特征在于，所述获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码的步骤包括：获取所述待处理图像经过所述卷积层输出的对应的原始视觉描述符；将所述原始视觉描述符输入所述哈希映射层输出对应的目标哈希码。4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络包括预设数目的深度可分离卷积网络，所述深度可分离卷积网络包括深度卷积层和映射卷积层，所述获取所述待处理图像经过所述卷积层输出的对应的原始视觉描述符的步骤包括：将所述待处理图像经过第一卷积层输出对应的第一特征图集合；将所述第一特征图集合输入第一深度可分离卷积网络，经过第一深度卷积层通过对应的深度卷积过滤器输出第二特征图集合，将所述第二特征图集合输入第一映射卷积层通过对应的映射卷积过滤器输出第三特征图集合；将所述第三特征图集合输入下一个深度可分离卷积网络直至最后一个深度可分离卷积网络输出目标特征图集合，所述目标特征图集合形成所述原始视觉描述符。5.根据权利要求4所述的方法，其特征在于，所述同一深度可分离卷积网络内的映射卷积过滤器的内核数目为深度卷积过滤器的内核数目的两倍，所述下一个深度可分离卷积网络内的深度卷积过滤器的内核数目与上一个深度可分离卷积网络内的映射卷积过滤器的内核数目相同。6.根据权利要求3所述的方法，其特征在于，所述将所述原始视觉描述符输入所述哈希映射层输出对应的目标哈希码的步骤包括：获取所述哈希映射层的第一节点作为当前节点；获取所述当前节点对应的偏置值作为当前偏置值，获取所述当前节点对应的权重作为当前权重；根据所述原始视觉描述符、当前权重、当前偏置值采用值量化算法计算得到所述当前节点对应的哈希值；获取哈希映射层的下一个节点作为当前节点，重复进入所述获取所述当前节点对应的偏置值的步骤，计算得到下一位哈希值，直至计算得到哈希映射层的全部节点对应的哈希值；哈希映射层的各个节点对应的哈希值按计算顺序组成所述目标哈希码。7.根据权利要求3所述的方法，其特征在于，所述将所述原始视觉描述符输入所述哈希映射层输出对应的目标哈希码的步骤之前，还包括：将所述原始视觉描述符输入均值池化层得到一维向量视觉描述符；将所述一维向量视觉描述符输入所述哈希映射层，所述哈希映射层与所述均值池化层全连接。8.根据权利要求1至7任一项所述的方法，其特征在于，所述方法应用于终端，所述获取所述图像哈希码提取模型输出的所述待处理图像对应的哈希码的步骤之后，还包括：将所述哈希码作为检索索引发送至服务器，以使所述服务器根据预存的候选图片集中各个候选图片与候选哈希码的关联关系，计算所述检索索引与各个候选哈希码的海明距离，根据所述海明距离从所述候选哈希码获取目标哈希码，将所述目标哈希码对应的候选图片作为目标图片返回。9.一种图像哈希码提取模型的建立方法，所述方法包括：获取训练样本图像集，所述训练样本图像集中的各个训练样本图像存在对应的标准分类；将所述训练样本图像集输入图像...

【专利技术属性】
技术研发人员：刘武，马华东，高文慧，黄婷婷，
申请(专利权)人：北京邮电大学，腾讯科技深圳有限公司，
类型：发明
国别省市：北京,11