一种面向垃圾图像的图像相似性检索方法及系统技术方案

本公开提供了一种面向垃圾图像的图像相似性检索方法及系统，涉及图像处理技术领域，采集待检索的垃圾图像，构建并训练模型，获取待检索的垃圾图像输入至训练好的模型中进行编码，得到垃圾图像的第一二值码表示；从待检索的垃圾图像中随机抽取多个垃圾图像作为查询集同样输入至训练好的模型中，获取到查询集的第二二值码表示；计算第一二值码与第二二值码的汉明距离，基于MAP的度量方式返回查询集的查询精度，完成垃圾图像的相似性检索；通过二值语义表示方法，解决了无人清扫车垃圾图像数据量大、检索性能低、资源开销大的问题；引入了通道注意力机制的学习，该模型结构直观，容易迁移与部署实现。易迁移与部署实现。易迁移与部署实现。

【技术实现步骤摘要】
一种面向垃圾图像的图像相似性检索方法及系统


[0001]本公开涉及图像处理
，具体涉及一种面向垃圾图像的图像相似性检索方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]大数据和互联网的兴起使得计算机每秒需处理以万计的多媒体数据。庞大的数据量给很多需要进行高效多媒体数据处理的领域带来极大挑战，尤其是大规模的图像检索。图像检索作为计算机视觉领域的研究热点，旨在通过高效的检索方式在数据库中快速匹配待查询图像的相似图像集。当数据库数据量较小时，可以采样最简单的穷尽搜索方式，即将数据库中的点与查询点一一比较欧式距离，最终根据距离的大小排序选取数据库中最优的数据点集合，时间复杂度为线性复杂度O(d*n)，d和n分别是数据的维度和样本数。但是，当数据库规模较大时，线性搜索的方式将会消耗极大的算力资源和时间成本。因此，人们开始研究近似最近邻搜索(Approximate Nearest Neighbor Search)方法快速地搜索有效解。哈希方法就是其中一类重要的近似最近邻搜索算法，它可以将高维的多媒体数据压索成紧凑的二值码（也称为哈希码）同时保持原始样本空间之间的相似性，并通过汉明距离来度量二值码之间的相似性。二值码可以通过硬件的异或计算进行快速求解。因此，哈希方法凭借其低存储性，简洁性和高效性等优势成为最流行的近似最近邻搜索方法之一。在计算机视觉，大数据处理，多媒体计算等领域有着广泛的应用。
[0004]比如近些年来的无人清扫车，其通过摄像头采集的海量的垃圾图像数据，数据量规模达，数据高维化和结构化，如果仅仅使用线性的穷尽搜索方式，一方面不能直接反映结构化数据内部的相似关系和细粒度信息，这对于无人清扫车采集的垃圾图像数据表示至关重要。另一方面，在大规模的数据下，穷尽式搜索的硬件和时间成本开销巨大，这对于无人清扫车高效快捷的处理海量垃圾图像检索的任务是不可取的。在这些情况下，基于欧式距离的穷尽搜索方式存在很大的局限性，无法高效的完成相似性检索。

技术实现思路

[0005]本公开为了解决上述问题，提出了一种面向垃圾图像的图像相似性检索方法及系统，通过哈希学习的思想，利用面向大规模垃圾图像的二值语义表示方法，解决无人清扫车垃圾图像数据量大，检索性能低的问题。
[0006]根据一些实施例，本公开采用如下技术方案：一种面向垃圾图像的图像相似性检索方法，包括：采集待检索的垃圾图像，并进行图像的预处理；构建并训练模型，获取待检索的垃圾图像输入至训练好的模型中进行编码，得到垃圾图像的第一二值码表示；
从待检索的垃圾图像中随机抽取多个垃圾图像作为查询集同样输入至训练好的模型中，获取到查询集的第二二值码表示；计算第一二值码与第二二值码的汉明距离，基于MAP的度量方式返回查询集的查询精度，完成垃圾图像的相似性检索。
[0007]根据一些实施例，本公开采用如下技术方案：一种面向垃圾图像的图像相似性检索系统，包括：数据采集模块，包括无人车，用于采集待检索的垃圾图像，并进行图像的预处理；模型构建与训练模块，用于模型的构建与训练；相似性检索模块，用于获取待检索的垃圾图像输入至训练好的模型中进行编码，得到垃圾图像的第一二值码表示；从待检索的垃圾图像中随机抽取多个垃圾图像作为查询集同样输入至训练好的模型中，获取到查询集的第二二值码表示；计算第一二值码与第二二值码的汉明距离，基于MAP的度量方式返回查询集的查询精度，完成垃圾图像的相似性检索。
[0008]进一步的，所述图像的预处理包括：对图像的随机裁剪、翻转、加噪以及标准化。
[0009]根据另一些实施例，本公开采用如下技术方案：一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种面向垃圾图像的图像相似性检索方法。
[0010]根据另一些实施例，本公开采用如下技术方案：一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种面向垃圾图像的图像相似性检索方法。
[0011]与现有技术相比，本公开的有益效果为：本公开通过哈希学习的思想，基于无人清扫车（无人车）的垃圾图像检索任务，提出一种面向大规模垃圾图像的二值语义表示方法，与传统的检索方法相比，该方法通过一种图像的二值语义表示方法，解决无人清扫车垃圾图像数据量大、检索性能低、资源开销大等弊端。
[0012]为了挖掘图像数据内部的细粒度信息，引入通道注意力机制的学习，同时为了保持数据的结构化信息，设计基于哈希学习的成对相似度损失和量化损失来进一步学习图像的二值码，该模型结构直观，容易迁移与部署实现，可以很好的应用到无人清扫车的垃圾图像检索任务中。
附图说明
[0013]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0014]图1为本公开方法的模型图。
具体实施方式
[0015]下面结合附图与实施例对本公开作进一步说明。
[0016]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0017]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0018]实施例1本公开的一种实施例中提供了一种面向垃圾图像的图像相似性检索方法，包括：步骤1：采集待检索的垃圾图像，并进行图像的预处理；步骤2：构建并训练模型，获取待检索的垃圾图像输入至训练好的模型中进行编码，得到垃圾图像的第一二值码表示；步骤3：从待检索的垃圾图像中随机抽取多个垃圾图像作为查询集同样输入至训练好的模型中，获取到待查询集的第二二值码表示；步骤4：计算第一二值码与第二二值码的汉明距离，基于MAP的度量方式返回查询集的查询精度，完成垃圾图像的相似性检索。
[0019]在步骤1中，预处理的过程包括对图像的随机裁剪、翻转、加噪以及标准化操作得到待输入的图像集；在步骤2中，作为一种实施例，如图1所示，对模型进行训练的过程包括：S10：采集待检索的垃圾图像，进行图像的预处理，构建图像训练集；其中，采集到的待检索的垃圾图像构成垃圾图像集，然后对图像进行预处理，预处理的过程包括对图像的随机采集、翻转、加噪以及标准化操作得到待输入的图像训练集。
[0020]S11：构建模型，将待检索的图像训练集作为模型的输入，经过深度卷积和池化操作获取初步的拟合低级特征图；具体的，将待输入的图像训练集作为模型的输入，经过深度卷积和池化网络得到初步的拟合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向垃圾图像的图像相似性检索方法，其特征在于，训练的步骤包括：采集待检索的垃圾图像，并进行图像的预处理；构建并训练模型，获取待检索的垃圾图像输入至训练好的模型中进行编码，得到垃圾图像的第一二值码表示；从待检索的垃圾图像中随机抽取多个垃圾图像作为查询集同样输入至训练好的模型中，获取到查询集的第二二值码表示；计算第一二值码与第二二值码的汉明距离，基于MAP的度量方式返回查询集的查询精度，完成垃圾图像的相似性检索。2.如权利要求1所述的一种面向垃圾图像的图像相似性检索方法，其特征在于，模型训练的过程包括：采集待检索的垃圾图像，进行图像的预处理，构建图像训练集；构建模型，将待检索的图像训练集作为模型的输入，经过深度卷积和池化操作获取初步的拟合低级特征图；将图像低级特征图从通道层次进行加权，获取图像的局部区域细节特征；基于图像标签的one
‑
hot编码，构建输入垃圾图像之间的相似性矩阵，并计算成对相似度损失以及二值码的量化损失，获取得到最后的损失函数，进行迭代优化，获取到训练优化后的模型。3.如权利要求2所述的一种面向垃圾图像的图像相似性检索方法，其特征在于，深度卷积中的卷积网络有4个卷积层，每个卷积层后接入一个池化层，所述卷积层采用5*5大小的卷积核，所述池化层采用3*3大小的池化核。4.如权利要求3所述的一种面向垃圾图像的图像相似性检索方法，其特征在于，所述卷积层和池化层均采用PReLU激活函数。5.如权利要求2所述的一种面向垃圾图像的图像相似性检索方法，其特征在于，利用通道注意力学习模块通过平均池化操作得到通道层...

【专利技术属性】
技术研发人员：徐龙生，庞世袭，孙振行，杨纪冲，
申请(专利权)人：山东省凯麟环保设备股份有限公司，
类型：发明
国别省市：