图像特征降维方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及一种图像特征降维方法、装置、电子设备和存储介质，该方法包括：提取目标业务场景下目标图片对应的第一图像特征向量；基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量；所述掩码向量模型为通过机器学习算法构建的所述目标业务场景下的样本图片与中间掩码向量的机器学习模型，所述中间掩码向量与所述第一图像特征向量维度相同；根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量。通过本申请，不仅可以缓解冗余特征对后续图像识别中特征匹配造成的干扰，也能同时提升大规模图像识别场景下的特征匹配效率。

【技术实现步骤摘要】
图像特征降维方法、装置、电子设备和存储介质
本申请涉及图像识别
，特别是涉及一种图像特征降维方法、装置、电子设备和存储介质。
技术介绍
目前的图像识别技术，通常会使用神经网络模型将图片转换为一个特征维度固定的特征向量。随后，通过计算两张图片对应的特征向量之间的距离来判断两张图片中的目标对象是否相同。在图像识别业务中，需要判断一张待识别图片是否与底库中的某个目标对象相匹配，因此，我们需要计算待识别图片特征向量与底库中所有图像之间的相似度。当底库规模较大时，特征向量的维数便是影响图像特征匹配效率的重要因素。对特征向量进行降维能显著提升特征相似度的计算速度，但另一方面，图像特征维度的缩减可能会带来人脸信息的丢失，降低人脸特征匹配结果的准确性。现有技术中，包括主成分分析（PrincipalComponentAnalysis，PCA）在内的基于奇异值分解(SingularValueDecomposition，以下简称SVD)的特征降维方法对图像的特征向量进行降维处理时，用一个维度较低的特征向量最大程度地去还原原本特征向量中包含的信息。这种方法仅基于特征间的差异对特征进行筛选，不具有针对性，无法剔除相对于具体业务场景的冗余信息。另外由于原本特征向量中噪声信息的存在，这种方法在降维的过程中会同时将噪声的影响放大。因此通过这种方式得到的降维特征向量并不能提升后续特征匹配的准确率。
技术实现思路
本申请实施例提供了一种图像特征降维、装置、电子设备和存储介质，以至少解决相关技术中降维方法无法剔除业务场景的冗余信息，影响图像特征匹配的准确率的问题。第一方面，本申请实施例提供了一种图像特征降维方法，包括：提取目标业务场景下目标图片对应的第一图像特征向量；基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量；所述掩码向量模型为通过机器学习算法构建的所述目标业务场景下的样本图片与中间掩码向量的机器学习模型，所述中间掩码向量与所述第一图像特征向量维度相同；根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量。在其中一些实施例中，基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量，包括：根据所述目标业务场景下的样本图片配置初始化掩码向量；基于遗传算法和所述样本图片对所述初始化掩码向量进行种群迭代寻优，得到与对应目标业务场景相匹配的中间掩码向量。在其中一些实施例中，根据所述目标业务场景下的样本图片配置初始化掩码向量，包括：根据所述目标业务场景下的样本图片配置初始化掩码向量的维数和数量。在其中一些实施例中，基于遗传算法和所述样本图片对所述初始化掩码向量进行种群迭代寻优，得到中间掩码向量，包括：将所述初始化掩码向量确定为初代种群；基于所述样本图片构建与目标业务场景对应的适应度函数；根据适应度函数计算初代种群中每个初始个体的第一适应度；根据初始个体的第一适应度进行种群迭代更新，直至进化完成；根据所述适应度函数计算进化完成后每个个体的第二适应度，并将第二适应度最大的个体输出为中间掩码向量。在其中一些实施例中，基于所述样本图片构建与目标业务场景对应的适应度函数，包括：基于目标业务场景下的样本图片获取与所述目标图片对应的降维维数和图像特征距离；根据所述图像维数和所述图像特征距离，确定与所述目标业务场景对应的适应度函数。在其中一些实施例中，根据适应度函数计算初代种群中每个初始个体的第一适应度包括：根据所述目标图片随机选取至少一个特征向量三元组；所述特征向量三元组包括基于所述目标图片确定的第一特征向量、第二特征向量和第三特征向量；其中，所述第一特征向量和第二特征向量对应的目标图片所在的目标对象相同；所述第一特征向量和第三特征向量对应的目标图片所在的目标对象不同；根据至少一个所述特征向量三元组和所述适应度函数，确定对应初始个体的第一适应度。在其中一些实施例中，根据初始个体的第一适应度进行种群迭代更新，直至进化完成包括：根据初代种群每个个体的第一适应度进行父个体选择；利用所述父个体进行交叉和变异，对种群中的个体进行更新，得到子代种群；重复以上步骤进行迭代更新，直至进化完成。在其中一些实施例中，根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量包括：根据所述中间掩码向量各个维度上的特征值，对所述第一图像特征向量对应位置的特征值进行按位逻辑运算，得到降维后的第二图像特征向量。第二方面，本申请实施例提供了一种图像特征降维装置，包括：第一图像特征向量获取单元，用于提取目标业务场景下目标图片对应的第一图像特征向量；中间掩码向量获取单元，用于基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量；所述掩码向量模型为通过机器学习算法构建的所述目标业务场景下的样本图片与中间掩码向量的机器学习模型，所述中间掩码向量与所述第一图像特征向量维度相同；第二图像特征向量获取单元，用于根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量。第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的图像特征降维方法。第四方面，本申请实施例提供了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如上述第一方面所述的图像特征降维方法。相比于相关技术，本申请实施例提供的图像特征降维方法，并不是获取最大程度保留原始图像信息的低维特征，而是通过基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量，从而实现了基于当前业务场景下的业务数据的特点来筛选最有利于后续特征匹配的特征子集。通过根据所述中间掩码向量对第一图像特征向量进行降维处理，得到第二图像特征向量，实现了通过中间掩码向量将与业务场景无关的冗余特征进行剔除。从而在降维过程中，关注的不是不同特征间的差异，而是不同特征对匹配结果的影响，使得通过该方法得到的低维特征能够很好地契合当前的应用场景，不仅可以缓解冗余特征对后续图像识别中特征匹配造成的干扰，也能同时提升大规模图像识别场景下的特征匹配效率。本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本申请其中一个实施例中图像特征降维方法的流程示意图；图2是本申请其中一个实施例中生成中间掩码向量的流程示意图；图3是本申请其中一个实施本文档来自技高网...

【技术保护点】
1.一种图像特征降维方法，其特征在于，包括：/n提取目标业务场景下目标图片对应的第一图像特征向量；/n基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量；所述掩码向量模型为通过机器学习算法构建的所述目标业务场景下的样本图片与中间掩码向量的机器学习模型，所述中间掩码向量与所述第一图像特征向量维度相同；/n根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量。/n

【技术特征摘要】
1.一种图像特征降维方法，其特征在于，包括：
提取目标业务场景下目标图片对应的第一图像特征向量；
基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量；所述掩码向量模型为通过机器学习算法构建的所述目标业务场景下的样本图片与中间掩码向量的机器学习模型，所述中间掩码向量与所述第一图像特征向量维度相同；
根据所述中间掩码向量对所述第一图像特征向量进行降维处理，得到第二图像特征向量。


2.根据权利要求1所述的图像特征降维方法，其特征在于，基于所述目标业务场景下的样本图片和掩码向量模型，得到与对应目标业务场景相匹配的中间掩码向量，包括：
根据所述目标业务场景下的样本图片配置初始化掩码向量；
基于遗传算法和所述样本图片对所述初始化掩码向量进行种群迭代寻优，得到与对应目标业务场景相匹配的中间掩码向量。


3.根据权利要求2所述的图像特征降维方法，其特征在于，基于遗传算法和所述样本图片对所述初始化掩码向量进行种群迭代寻优，得到中间掩码向量，包括：
将所述初始化掩码向量确定为初代种群；
基于所述样本图片构建与目标业务场景对应的适应度函数；
根据适应度函数计算初代种群中每个初始个体的第一适应度；
根据初始个体的第一适应度进行种群迭代更新，直至进化完成；
根据所述适应度函数计算进化完成后每个个体的第二适应度，并将第二适应度最大的个体输出为中间掩码向量。


4.根据权利要求3所述的图像特征降维方法，其特征在于，基于所述样本图片构建与目标业务场景对应的适应度函数，包括：
基于目标业务场景下的样本图片获取与所述目标图片对应的降维维数和图像特征距离；
根据所述图像维数和所述图像特征距离，确定与所述目标业务场景对应的适应度函数。


5.根据权利要求3所述的图像特征降维方法，其特征在于，根据适应度函数计算初代种群中每个初始个体的第一适应度包括：
根据所述目标图片随机选取至少一个特征向量三元组；所述特征向量三元组...

【专利技术属性】
技术研发人员：曾祁泽，潘华东，朱树磊，葛主贝，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33