[发明专利]基于四元组深度学习的少数民族服饰图像检索方法

说明书

本发明公开了一种基于四元组深度学习的少数民族服饰检索的方法，该方法通过图像增强可以使少数民族服饰图像达到视觉上好的效果，同时通过构建基于四元组损失函数的基本网络模型，来扩大类内差异，减少类间差异。本发明方法是在三元组损失函数的基础上提出的，在三元组损失函数的基础上加上高度相似的样本形成四元组，即锚点、正样本、负样本、高度相似样本。四元组损失函数在少数民族服饰图像检索提出，能够更好的缩小类内之间的方差，来扩大异类之间的方差，从而提高图像检索的准确率。

技术领域

本发明涉及少数民族服饰图像检索领域，具体是一种基于四元组深度学习的少数民族服饰图像检索方法。

背景技术

在计算机视觉中，三元组损失函数在图像检索领域已得到广泛的应用，三元组损失函数主要由锚点、正样本和负样本三个训练样本构成。三元组损失函数应用在深度神经网络中可以使生成的图像表示保存更多的语义特征。为了使不同类之间的样本被推倒至更远的距离，同类之间的样本距离更近，在训练网格的过程中要保证正样本至锚点的距离要小于负样本到锚点的距离。但是三元组应用在深度神经网络中忽略了异同类之间的联系及同类之间的差异性，导致高度相似的样本被视为同类，最终检索出的图像准确率较低。

发明内容

本发明的目的是为了提高少数民族图像检索的准确率，而提出一种基于四元组深度学习的少数民族服饰图像检索方法，该方法通过四元组损失函数扩大类间的方差，缩小类内之间的方差，进一步提高少数民族服饰图像检索的精度。

实现本发明目的的技术方案是：

基于四元组深度学习的少数民族服饰图像检索方法，包括如下步骤：

(1)少数民族服饰图像数据集的处理：采集少数民族服饰图片，并对图片进行归一化处理成CNN模型需要的数据输入格式；

(2)少数民族服饰图像数据增强：通过带颜色恢复的多尺度Retinex算法对少数民族服饰图像数据集进行增强以获得高质量的图像；

(3)划分少数民族服饰图像数据集：按照8∶1∶1的比例将数据集拆分成训练集、验证集和检索测试集；

(4)模型的构建：通过四元组损失函数，构建卷积神经网络的模型；

(5)模型的训练和特征数据库的构建：通过步骤(4)构建好的模型，对少数民族服饰图像进行一系列的卷积、池化和全连接操作，提取少数民族服饰图像的特征，并构建特征向量数据库；

(6)模型的测试：使用训练好的模型在检索测试集上进行检索，并评估该模型的泛化能力及检索准确度。

步骤(2)所述带颜色恢复的多尺度Retinex算法(MSRCR)是：

对各个单尺度加权输出相加称为MSR，MSR的数学公式可表示为：

{logI_i(m,n)-log[I_i(m,n)*M_j(m,n)]}

式中N表示尺度的使用数量，I表示(R,G,B)中的颜色通道，M_j(m,n)代表环绕功能；环绕函数可表示为：

式中σ_j表示高斯分布的标准差，在MSRCR需要引进RGB三通道引入权重，将MSR输出乘以颜色恢复功能已达到目标；颜色恢复因子可表示为：

式中N表示光谱带的数量，f()是色彩映射空间的函数，a_i(m,n)表示第i个光谱带的色彩恢复系数；得到MSRCR的公式如下：

R_i(m,n)＝a_i(m,n)R_MSR(m,n)