[发明专利]一种基于深度学习的多尺度特征融合图像哈希检索方法及系统

说明书

本发明公开了一种基于深度学习的多尺度特征融合图像哈希检索方法及系统，属于计算机视觉中的图像检索技术领域。本发明的基于深度学习的多尺度特征融合图像哈希检索方法该方法包括以下步骤：S1、训练深度网络：将训练数据输入搭建好的深度网络中，经过反向传播算法得出相应的哈希码和哈希函数；S2、将图像数据库中的图像数据输入训练好的深度网络中，获取哈希码数据库进行存储；S3、检索图像时，将特定图像输入到步骤S1训练好的深度网络中获取对应的检索图像哈希码；S4、将哈希码数据库与检索图像哈希码进行异或操作。该发明的基于深度学习的多尺度特征融合图像哈希检索方法能保证输入到全连接层数据维度一致性，具有很好的推广应用价值。

技术领域

本发明涉及计算机视觉中的图像检索技术领域，具体提供一种基于深度学习的多尺度特征融合图像哈希检索方法及系统。

背景技术

随着互联网技术的高速发展，网络中的图片数量急剧增加，如何从海量的高维图像数据中以较高的准确率检索到用户所要的图像是一个被研究者广泛关注和研究的问题。由于海量高维数据的呈现，从特定数据库中快速准确地检索到用户想要的图像的困难度也随之增加。哈希技术以其较高的检索速度、较小的存储消耗等优势在图像检索领域得到了广泛的应用。哈希检索方法的关键在于将高维的原始数据特征映射为低维的二值哈希码，从而减少了数据表示的维度；当给定一个检索图像时，首先将其转换为哈希码，将其与数据库中的哈希码进行异或操作，得到该哈希码与数据库中哈希码的海明距离，最终返回距离最小的哈希码所对应的图像作为检索的结果，利用哈希码之间的异或操作进行数据之间相似度的计算，显著地提高了检索的速度。

目前主流的哈希技术为基于数据依赖的哈希，根据哈希函数学习过程中是否使用了具有高层语义的监督信息，如label和数据之间的相似性矩阵等，基于数据依赖的哈希又可分为非监督哈希和监督哈希，非监督哈希主要利用未标注的训练数据学习数据特征固有的底层结构信息，进而学习哈希码和哈希函数；相比于非监督哈希方法，监督哈希充分利用了监督信息，如label，由于监督信息包含更高层次的语义，因此，通过监督方法学到的哈希码和哈希函数质量更高，从而进一步提高了检索的准确率。

传统的哈希方法都是基于手工提取的图像特征进行哈希函数的学习，随着深度网络技术的发展，越来越多的方法开始充分利用深度网络强大的特征提取能力对图像进行特征提取。

发明内容

本发明的技术任务是针对上述存在的问题，提供一种为学习高质量的哈希码和好的哈希函数奠定基础，并能保证输入到全连接层数据维度一致性的基于深度学习的多尺度特征融合图像哈希检索方法。

本发明进一步的技术任务是提供一种基于深度学习的多尺度特征融合图像哈希检索系统。

为实现上述目的，本发明提供了如下技术方案：

一种基于深度学习的多尺度特征融合图像哈希检索方法，该方法具体包括以下步骤：

S1、训练深度网络：将训练数据输入搭建好的深度网络中，经过反向传播算法得出相应的哈希码和哈希函数；

S2、将图像数据库中的图像数据输入步骤S1训练好的深度网络中，获取对应的哈希码数据库进行存储；

S3、检索图像时，将特定图像输入到步骤S1训练好的深度网络中获取对应的检索图像哈希码；

S4、将步骤S2中的哈希码数据库与步骤S3中的检索图像哈希码进行异或操作，返回检索结果。

对于训练数据，如果两个图像至少共享同一个label，我们将其视为相似的图像对，否则是不相似的图像对。相似的图像经过哈希函数的映射所获得哈希码也是相似的，哈希码在海明空间中的距离尽可能的小，不相似的图像所获得的哈希码不相似，在海明空间中的距离尽可能的大。

作为优选，步骤S1训练深度网络包括前段的卷积网络部分、卷积层后的多尺度特征融合部分和损失函数部分。