度大約高5%以上。
[0062]圖7是根據(jù)本發(fā)明實施例的一種圖像高維特征的相似比較裝置的主要模塊示意圖。如圖7所示，本發(fā)明實施例中的圖像高維特征的相似比較裝置70主要包括特征降維模塊71、分段索引模塊72、相似查詢模塊73和比較度量模塊74。
[0063]特征降維模塊71用于將所提取的圖像特征向量通過局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量。其中，所述圖像特征向量是利用深度學(xué)習(xí)技術(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)來提取的，且該神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。
[0064]分段索引模塊72用于將所述低維特征向量平均分段并建立分段索引表。分段索引模塊72在將所述低維特征向量平均分段之前，還可以用于在一個較小的驗證集上通過實驗確定最優(yōu)的分段長度。
[0065]分段索引模塊72還可以用于將所述低維特征向量平均分段，以分段后的特征向量作為索引項，并計算每個索引項的指紋值；將所述指紋值對與所述分段索引表包含的預(yù)定的入口個數(shù)最接近的素數(shù)進(jìn)行取余運(yùn)算，得到所述索引項的入口地址；將該低維特征向量根據(jù)得到的入口地址插入分段索引表中以建立分段索引表。
[0066]相似查詢模塊73用于通過將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集。
[0067]相似查詢模塊73還可以用于通過訪問查詢圖像的分段后的低維特征向量的入口地址，得到?jīng)_突集；將與該查詢圖像的分段后的低維特征向量的指紋值相同的沖突集節(jié)點(diǎn)對應(yīng)的低維特征向量提取出來，作為候選集；以及把各個分段檢索得到的候選集合并起來，去掉其中重復(fù)的低維特征向量，得到候選樣本集。
[0068]比較度量模塊74用于將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。
[0069]比較度量模塊74還可以用于分別計算所述候選樣本集中的每個樣本與所述查詢圖像的低維特征向量之間的曼哈頓距離得分；將所述得分按照從小到大排序，并取前預(yù)定個數(shù)的得分對應(yīng)的樣本的圖像作為所述查詢圖像的相似圖像。
[0070]根據(jù)本發(fā)明實施例的技術(shù)方案，對降維后的圖像特征向量局部敏感哈希編碼建立分段索引可以加快檢索速度，從而提高檢索效率；在進(jìn)行圖像相似檢索時，采用曼哈頓距離度量替代傳統(tǒng)的漢明距離度量，可以充分利用局部敏感哈希編碼中包含的可量化的距離信息，從而提高了在分段檢索下的檢索精度。
[0071]另外，本發(fā)明的技術(shù)方案中建立分段索引的過程可不限于在一臺機(jī)器上執(zhí)行，可以在分布式調(diào)度系統(tǒng)中，同時并行執(zhí)行。這樣，便可以處理更大規(guī)模的數(shù)據(jù)。
[0072]上述【具體實施方式】，并不構(gòu)成對本發(fā)明保護(hù)范圍的限制。本領(lǐng)域技術(shù)人員應(yīng)該明白的是，取決于設(shè)計要求和其他因素，可以發(fā)生各種各樣的修改、組合、子組合和替代。任何在本發(fā)明的精神和原則之內(nèi)所作的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)范圍之內(nèi)。
【主權(quán)項】
1.一種圖像高維特征的相似比較方法，其特征在于，包括: 將所提取的圖像特征向量通過局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量; 將所述低維特征向量平均分段并建立分段索引表； 通過將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集； 將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述圖像特征向量是利用深度學(xué)習(xí)技術(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)來提取的。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述低維特征向量平均分段的步驟之前，還包括: 在一個較小的驗證集上通過實驗確定最優(yōu)的分段長度。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述低維特征向量平均分段并建立分段索引表的步驟包括: 將所述低維特征向量平均分段，以分段后的特征向量作為索引項，并計算每個索引項的指紋值； 將所述指紋值對與所述分段索引表包含的預(yù)定的入口個數(shù)最接近的素數(shù)進(jìn)行取余運(yùn)算，得到所述索引項的入口地址； 將所述低維特征向量根據(jù)得到的所述入口地址插入所述分段索引表中以建立分段索引表。6.根據(jù)權(quán)利要求1所述的方法，其特征在于，通過將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集的步驟包括: 通過訪問查詢圖像的所述分段后的低維特征向量的入口地址，得到?jīng)_突集； 將與所述查詢圖像的分段后的低維特征向量的指紋值相同的所述沖突集節(jié)點(diǎn)對應(yīng)的所述低維特征向量提取出來，作為候選集； 把各個分段檢索得到的所述候選集合并起來，去掉其中重復(fù)的所述低維特征向量，得到候選樣本集。7.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量包括: 分別計算所述候選樣本集中的每個樣本與所述查詢圖像的低維特征向量之間的曼哈頓距離得分； 將所述得分按照從小到大排序，并取前預(yù)定個數(shù)的得分對應(yīng)的樣本的圖像作為所述查詢圖像的相似圖像。8.一種圖像高維特征的相似比較裝置，其特征在于，包括: 特征降維模塊，用于將所提取的圖像特征向量通過局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量； 分段索引模塊，用于將所述低維特征向量平均分段并建立分段索引表； 相似查詢模塊，用于通過將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集； 比較度量模塊，用于將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述圖像特征向量是利用深度學(xué)習(xí)技術(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)來提取的。10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)。11.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述分段索引模塊在將所述低維特征向量平均分段之前，還用于: 在一個較小的驗證集上通過實驗確定最優(yōu)的分段長度。12.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述分段索引模塊還用于: 將所述低維特征向量平均分段，以分段后的特征向量作為索引項，并計算每個索引項的指紋值； 將所述指紋值對與所述分段索引表包含的預(yù)定的入口個數(shù)最接近的素數(shù)進(jìn)行取余運(yùn)算，得到所述索引項的入口地址； 將所述低維特征向量根據(jù)得到的所述入口地址插入所述分段索引表中以建立分段索引表。13.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述相似查詢模塊還用于: 通過訪問查詢圖像的所述分段后的低維特征向量的入口地址，得到?jīng)_突集； 將與所述查詢圖像的分段后的低維特征向量的指紋值相同的所述沖突集節(jié)點(diǎn)對應(yīng)的所述低維特征向量提取出來，作為候選集； 把各個分段檢索得到的所述候選集合并起來，去掉其中重復(fù)的所述低維特征向量，得到候選樣本集。14.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述比較度量模塊還用于: 分別計算所述候選樣本集中的每個樣本與所述查詢圖像的低維特征向量之間的曼哈頓距離得分； 將所述得分按照從小到大排序，并取前預(yù)定個數(shù)的得分對應(yīng)的樣本的圖像作為所述查詢圖像的相似圖像。
【專利摘要】本發(fā)明提供一種圖像高維特征的相似比較方法及裝置，能夠在基于局部敏感哈希編碼的海量圖片相似檢索中提高檢索速度與檢索精度。本發(fā)明的一種圖像高維特征的相似比較方法包括：將所提取的圖像特征向量通過局部敏感哈希算法進(jìn)行降維處理后得到低維特征向量；將所述低維特征向量平均分段并建立分段索引表；通過將查詢圖像的分段后的低維特征向量在所述分段索引表中進(jìn)行檢索得到候選樣本集；將所述候選樣本集中的樣本分別與所述查詢圖像的低維特征向量進(jìn)行相似度量。
【IPC分類】G06F17/30
【公開號】CN105095435
【申請?zhí)枴緾N201510436176
【發(fā)明人】林熙東, 牟川
【申請人】北京京東尚科信息技術(shù)有限公司, 北京京東世紀(jì)貿(mào)易有限公司
【公開日】2015年11月25日
【申請日】2015年7月23日