[发明专利]一种哈希检索方法

说明书

本发明公开了一种哈希检索方法，特点是首先从待检索图像数据所在的原始图像数据集中选取训练数据集，定义待训练的哈希模型，将训练数据集随机打乱后随机抽取N个图像数据输入待训练的哈希模型，根据输出结果与对应的原始标签信息修正模型参数，最终得到训练后的哈希模型，再用训练后的哈希模型分别对原始图像数据集及待检索图像数据进行哈希编码，最后对待检索图像数据进行哈希检索；优点是利用哈希编码重构原始标签信息，使得待训练的哈希模型在学习二进制编码的同时，能更加精细地利用标签信息，通过在损失函数中引入相似矩阵，能够指导卷积神经网络学习保相似性特征，提高哈希检索方法的准确度，从而提高检索准确性。

技术领域

本发明涉及一种图像检索方法，尤其是一种哈希检索方法。

背景技术

随着数据规模和维度增大，图像检索的代价急剧增加，哈希作为一种实现图像高效检索的重要方式，受到了广泛的关注。然而，大多数图像哈希算法都是直接利用机器学习机制将图像的特征映射为二进制编码，这些特征无法有效地保证图像之间的语义相似性，导致得到的编码检索效率较低。

发明内容

本发明所要解决的技术问题是提供一种检索准确度较高的哈希检索方法。

本发明解决上述技术问题所采用的技术方案为：一种哈希检索方法，包括以下步骤：

①定义待检索图像数据所在的图像数据集为原始图像数据集，将原始图像数据集的M个图像数据中任意选取m个图像数据作为训练数据集，m≥0.2M，并对训练数据集中的每一个图像数据设置对应的原始标签信息；

②定义待训练的哈希模型，包括输入数据层、卷积子网络层、全卷积层、哈希层、哈希编码输出层和采用softmax分类器的分类输出层，其中，输入数据层用于输入训练数据集里的图像数据，卷积子网络层由五个卷积池化模块组成，全卷积层连续两次的采用1024个1×1的卷积核，哈希层采用K个1×1的卷积核并采用光滑的tanh激活函数，哈希编码输出层用于输出哈希层得到的哈希编码；

③随机打乱训练数据集中的m个图像数据得到打乱后的数据集，将打乱后的数据集随机抽取N个图像数据输入待训练的哈希模型，N＜m，N＝32或N＝64，根据输出结果修正模型参数，最终得到训练后的哈希模型，具体过程如下：

③-1设置最大迭代次数，定义待训练的哈希模型的损失函数如下：

minL(W)＝λ₁L_s+λ₂L_h，其中W为哈希函数的权值矩阵，L_s表示softmax分类器输出的分类标签信息与原始标签信息的误差，其中，H＝[h₁,……,h_N]，h₁,……,h_N表示打乱后的数据集随机抽取的N个图像数据在哈希层对应输出的哈希编码，H^T是H的转置，S是迹为零的相似矩阵，λ₁＝0.5，λ₂＝0.5；

③-2根据待训练的哈希模型的损失函数，使用RMSProp优化算法对待训练的哈希模型进行迭代优化，直到达到设置的最大迭代次数时，停止迭代过程，得到训练后的哈希模型；

④使用训练后的哈希模型对原始图像数据集进行哈希编码，得到对应的原始图像数据哈希编码，使用训练后的哈希模型对待检索图像数据进行编码，得到对应的待检索图像哈希编码；

⑤在原始图像数据哈希编码中查找出与待检索图像哈希编码的海明距离最近的数据，并将该数据在原始图像数据集中对应的图像作为最终的检索结果，完成对待检索图像数据的哈希检索过程。

所述的步骤②中K＝16或32或48或64。用于生成对应长度的哈希编码。

所述的步骤③-1中设置最大迭代次数为10000次。经过测验，迭代次数至少为10000次才能有效保证检索准确度。