本申请涉及人工智能技术领域，揭示了一种图像特征的提取方法、装置、设备及存储介质，其中方法包括：获取待提取的图像；将所述待提取的图像输入目标图像特征提取模型进行图像特征提取，其中，所述目标图像特征提取模型是基于VGG模型、残差模块和金字塔池化模块训练得到的模型；获取所述目标图像特征提取模型输出的图像特征作为所述待提取的图像对应的目标图像特征。从而通过基于VGG模型、残差模块和金字塔池化模块训练得到目标图像特征提取模型，避免采用SIFT或ORB提取图像角点特征往往比较耗时，提高了提取图像特征的准确度。本申请可适用于智慧政务、数字医疗、科技金融等领域。科技金融等领域。科技金融等领域。
【技术实现步骤摘要】
图像特征的提取方法、装置、设备及存储介质
[0001]本申请涉及到人工智能
，特别是涉及到一种图像特征的提取方法、装置、设备及存储介质。
技术介绍
[0002]相似图像检索是图像处理的重要
，通过相似图像检索技术可以在海量的图像数据中快速查找与目标图像相同或相近的图像。相似图像检索技术通过图像特征进行比较的方法检索图像。传统的图像特征的提取方法一般是用SIFT(尺度不变特征变换)或ORB(Oriented FAST and Rotated BRIEF)提取图像角点特征，或者使用深度学习的方法提取图像特征。采用SIFT或ORB提取图像角点特征往往比较耗时，而深度学习的方法提取图像特征准确度较低，从而影响了相似图像检索技术的发展。
技术实现思路
[0003]本申请的主要目的为提供一种图像特征的提取方法、装置、设备及存储介质，旨在解决采用SIFT或ORB提取图像角点特征往往比较耗时，而深度学习的方法提取图像特征准确度较低的技术问题。
[0004]为了实现上述专利技术目的，本申请提出一种图像特征的提取方法，所述方法包括：
[0005]获取待提取的图像；
[0006]将所述待提取的图像输入目标图像特征提取模型进行图像特征提取，其中，所述目标图像特征提取模型是基于VGG模型、残差模块和金字塔池化模块训练得到的模型；
[0007]获取所述目标图像特征提取模型输出的图像特征作为所述待提取的图像对应的目标图像特征。
[0008]进一步的，所述将所述待提取的图像输入目标图像特征提取模型进行图像特征提取的步骤之前，包括：
[0009]将所述VGG模型作为第一模型；
[0010]将多个所述残差模块添加到所述第一模型的采样模块中，得到第二模型；
[0011]将所述金字塔池化模块添加到所述第二模型的所述采样模块与全连接模块之间，得到初始模型；
[0012]获取多个待训练的训练样本集；
[0013]采用多个所述待训练的训练样本集对所述初始模型进行训练，将训练结束的所述初始模型作为所述目标图像特征提取模型。
[0014]进一步的，所述第一模型采用VGG16模型，所述将多个所述残差模块添加到所述第一模型的采样模块中，得到第二模型的步骤，包括：
[0015]将第一个所述残差模块的输入端与所述采样模块的第一池化层的输入端连接，并且将第一个所述残差模块的输出端与所述采样模块的第二池化层的激活层的输入端连接；
[0016]将第二个所述残差模块的输入端与所述采样模块的第二池化层的输入端连接，并
且将第二个所述残差模块的输出端与所述采样模块的第三池化层的激活层的输入端连接；
[0017]将第三个所述残差模块的输入端与所述采样模块的第三池化层的输入端连接，并且将第三个所述残差模块的输出端与所述采样模块的第四池化层的激活层的输入端连接；
[0018]将第四个所述残差模块的输入端与所述采样模块的第四池化层的输入端连接，并且将第四个所述残差模块的输出端与所述采样模块的第五池化层的激活层的输入端连接，将所述第一模型作为所述第二模型。
[0019]进一步的，所述将所述金字塔池化模块添加到所述第二模型的所述采样模块与全连接模块之间，得到初始模型的步骤，包括：
[0020]将所述金字塔池化模块的第一层的输入端与所述采样模块的输出端连接，并且将所述第一层的输出端与所述全连接模块的输入端连接；
[0021]将所述金字塔池化模块的第二层的输入端与所述采样模块的输出端连接，并且将所述第二层的输出端与所述全连接模块的输入端连接；
[0022]将所述金字塔池化模块的第三层的输入端与所述采样模块的输出端连接，并且将所述第三层的输出端与所述全连接模块的输入端连接，将所述第二模型作为所述初始模型；
[0023]其中，所述金字塔池化模块的所述第一层、所述第二层和所述第三层是尺寸不同的三个最大池化层。
[0024]进一步的，所述获取多个待训练的训练样本集的步骤，还包括：
[0025]获取多个商标图像；
[0026]采用相同图像合并到同一个集合的方式，对多张所述商标图像进行划分，得到多个商标图像集；
[0027]对每个所述商标图像集进行图像特征标定，得到每个所述商标图像集对应的图像特征标定结果；
[0028]根据每个目标商标图像集中的各个所述商标图像和所述目标商标图像集对应的所述图像特征标定结果进行训练样本生成，得到待处理的训练样本集，其中，所述目标商标图像集是任一个所述商标图像集；
[0029]将各个所述待处理的训练样本集进行集合合并处理和训练样本的顺序随机调整，得到待提取的训练样本集；
[0030]采用预设的批次划分规则，对所述待提取的训练样本集进行划分，得到多个所述待训练的训练样本集。
[0031]进一步的，所述采用多个所述待训练的训练样本集对所述初始模型进行训练，将训练结束的所述初始模型作为所述目标图像特征提取模型的步骤，包括：
[0032]从多个所述待训练的训练样本集中获取所述待训练的训练样本集作为目标训练样本集；
[0033]采用所述目标训练样本集对所述初始模型进行训练；
[0034]重复执行从多个所述待训练的训练样本集中获取所述待训练的训练样本集作为目标训练样本集的步骤，直至达到预设模型训练结束条件；
[0035]将达到所述预设模型训练结束条件的所述初始模型作为所述目标图像特征提取模型。
[0036]进一步的，所述采用所述目标训练样本集对所述初始模型进行训练的步骤，包括：
[0037]将所述目标训练样本集中的每个图像样本输入所述初始模型进行图像特征提取，得到每个所述图像样本对应的图像特征预测值；
[0038]采用交叉熵损失函数，根据各个所述图像特征预测值和所述目标训练样本集中的各个图像特征标定结果，针对每个所述图像样本进行损失值计算，得到待处理的损失值；
[0039]对各个所述待处理的损失值进行平均值计算，得到目标损失值；
[0040]根据所述目标损失值更新所述初始模型的参数，将更新后的所述初始模型用于下一次进行图像特征提取。
[0041]本申请还提出了一种图像特征的提取装置，所述装置包括：
[0042]图像获取模块，用于获取待提取的图像；
[0043]图像特征提取模块，用于将所述待提取的图像输入目标图像特征提取模型进行图像特征提取，其中，所述目标图像特征提取模型是基于VGG模型、残差模块和金字塔池化模块训练得到的模型；
[0044]目标图像特征确定模块，用于获取所述目标图像特征提取模型输出的图像特征作为所述待提取的图像对应的目标图像特征。
[0045]本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0046]本申请还提出了一种计算机可读存储介质，其上存储有本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像特征的提取方法，其特征在于，所述方法包括：获取待提取的图像；将所述待提取的图像输入目标图像特征提取模型进行图像特征提取，其中，所述目标图像特征提取模型是基于VGG模型、残差模块和金字塔池化模块训练得到的模型；获取所述目标图像特征提取模型输出的图像特征作为所述待提取的图像对应的目标图像特征。2.根据权利要求1所述的图像特征的提取方法，其特征在于，所述将所述待提取的图像输入目标图像特征提取模型进行图像特征提取的步骤之前，包括：将所述VGG模型作为第一模型；将多个所述残差模块添加到所述第一模型的采样模块中，得到第二模型；将所述金字塔池化模块添加到所述第二模型的所述采样模块与全连接模块之间，得到初始模型；获取多个待训练的训练样本集；采用多个所述待训练的训练样本集对所述初始模型进行训练，将训练结束的所述初始模型作为所述目标图像特征提取模型。3.根据权利要求2所述的图像特征的提取方法，其特征在于，所述第一模型采用VGG16模型，所述将多个所述残差模块添加到所述第一模型的采样模块中，得到第二模型的步骤，包括：将第一个所述残差模块的输入端与所述采样模块的第一池化层的输入端连接，并且将第一个所述残差模块的输出端与所述采样模块的第二池化层的激活层的输入端连接；将第二个所述残差模块的输入端与所述采样模块的第二池化层的输入端连接，并且将第二个所述残差模块的输出端与所述采样模块的第三池化层的激活层的输入端连接；将第三个所述残差模块的输入端与所述采样模块的第三池化层的输入端连接，并且将第三个所述残差模块的输出端与所述采样模块的第四池化层的激活层的输入端连接；将第四个所述残差模块的输入端与所述采样模块的第四池化层的输入端连接，并且将第四个所述残差模块的输出端与所述采样模块的第五池化层的激活层的输入端连接，将所述第一模型作为所述第二模型。4.根据权利要求3所述的图像特征的提取方法，其特征在于，所述将所述金字塔池化模块添加到所述第二模型的所述采样模块与全连接模块之间，得到初始模型的步骤，包括：将所述金字塔池化模块的第一层的输入端与所述采样模块的输出端连接，并且将所述第一层的输出端与所述全连接模块的输入端连接；将所述金字塔池化模块的第二层的输入端与所述采样模块的输出端连接，并且将所述第二层的输出端与所述全连接模块的输入端连接；将所述金字塔池化模块的第三层的输入端与所述采样模块的输出端连接，并且将所述第三层的输出端与所述全连接模块的输入端连接，将所述第二模型作为所述初始模型；其中，所述金字塔池化模块的所述第一层、所述第二层和所述第三层是尺寸不同的三个最大池化层。5.根据权利要求2所述的图像特征的提取方法，其特征在于，所述获取多个待训练的训练样本集的步骤，还包...
【专利技术属性】
技术研发人员：蔡宁，严明洋，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。