[发明专利]从图像中提取哈希码的方法、装置及图像检索方法、装置

权利要求书

1.一种从图像中提取哈希码的方法，其中，该方法包括：

构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；

在所述编码器中通过度量隐层编码冗余度对隐层编码进行正则化，从而降低编码空间信息冗余，得到抗冗余哈希码深度提取模型；

对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；

利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。

2.如权利要求1所述的方法，其中，

所述构建哈希码提取模型包括：构建变分自编码器VAE模型或随机哈希生成SGH模型，其目标函数如式(1)所示；

其中，D_KL为KL散度；X为输入数据，Z为编码器输出的图像哈希码，θ是由解码器DNN模型得到的用于表示似然的参数，表示数学期望，φ为标量线性或深度非线性变换；

在所述编码器中通过度量隐层编码冗余度对隐层编码进行正则化包括：在(1)所示的目标函数中增加一项约束项得到式(2)所示的目标函数；

其中，A是系数矩阵，Z为编码器输出的图像哈希码，为弗罗贝尼乌斯范数，δ0，δ为正则化参数，K为Z的维度，表示数学期望，φ为标量线性或深度非线性变换，k＝1,2,...,K。

3.如权利要求2所述的方法，其中，在对哈希码提取模型进行训练之前，该方法进一步包括：

对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近，从而简化解码器网络结构，倒逼编码器提取高质量的哈希码。

4.如权利要求3所述的方法，其中，对所述解码器的最后一层输出进行正则化，以尽量保证DNN隐层输出与哈希码相近具体包括：

在(2)所示的目标函数中再增加一项约束项得到式(3)所示的目标函数；

其中，H^(M)为解码器网络第M层输出；M为解码器网络的层数，η0，η为正则化参数，φ为标量线性或深度非线性变换。

5.如权利要求4所述的方法，其中，所述对抗冗余哈希码深度提取模型进行训练包括：

利用训练数据，对目标函数中θ、和A交替训练。

6.如权利要求5所述的方法，其中，所述利用训练数据，对目标函数中θ、和A交替训练包括：

获取原始训练数据；

将原始训练数据进行随机打乱后，均分成多份，依次取各份训练数据，用每份训练数据对θ、和A交替训练一次；

重复上述步骤预设数次。

7.一种图像检索方法，其中，该方法包括：

利用如权利要求1-6中任一项所述方法，计算图像库中的各图像的哈希码以及计算检索图像的哈希码；

计算检索图像的哈希码与图像库中的各图像的哈希码的相似度，输出相似度最高的一个或多个图像。

8.一种从图像中提取哈希码的装置，其中，该装置包括：

模型构建单元，适于构建哈希码提取模型，该模型包括编码器和解码器；其中，编码器由多层深度神经网络DNN组成，从图像数据中提取哈希码输出给解码器，解码器由多层DNN组成，将输入的哈希码转换为图像；以及适于在所述编码器中通过度量隐层编码冗余度对隐层编码进行正则化，从而降低编码空间信息冗余，得到抗冗余哈希码深度提取模型；

模型训练单元，适于对抗冗余哈希码深度提取模型进行训练，确定模型中的参数；

哈希码提取单元，适于利用训练好的抗冗余哈希码深度提取模型中的编码器，从图像中提取哈希码。