[发明专利]一种基于三元组网络的深度哈希图像检索方法

说明书

本发明公开了一种基于三元组网络的深度哈希图像检索方法，具体为：采用三元组网络作为CNN网络进行图像特征学习；根据特征学习的情况进行损失函数优化，使得同一类别的样本图像对在特征空间的距离小于不同类别之间的样本图像对，优化神经网络模型；将查询图像与测试集图像输入三元组网络，分别得到图像的二进制哈希编码和fc7层的深度特征向量，先利用二进制哈希编码进行粗检索，根据汉明距离大小和设定的阈值得到相似图像的候选集图像，再利用fc7层深度特征进行细检索，计算查询图像与候选集图像的fc7层特征向量的欧氏距离，根据欧氏距离由小到大的顺序，得到最终n个检索结果。本发明解决了现有技术中存在的图像检索精度不高的问题。

技术领域

本发明属于计算机图像检索方法技术领域，涉及一种基于三元组网络的深度哈希图像检索方法。

背景技术

近年来，哈希技术在大规模图像检索中应用广泛，通过将图像的高维特征转换为低维空间的二进制哈希编码，计算汉明距离来进行快速图像检索。该方法具有存储开销小，计算效率高的优点。传统的哈希方法是先提取高维特征，对特征进行学习得到哈希函数，然后利用哈希函数映射将图像高维特征转化为低维空间哈希码。随着CNN的发展，出现了将CNN提取的深度特征与哈希学习相结合的深度哈希算法，能够直接获取代表图像更深层信息的哈希编码。然而现有的大多数深度哈希方法存在监督信息利用不足，无法获取更加具有区分性的哈希编码，从而训练得到的模型没有达到预期的效果，直接影响检索结果精度。

因此，如何提供一种图像检索方法来提高哈希技术的检索精度具有重要的价值。

发明内容

本发明的目的是提供一种基于三元组网络的深度哈希图像检索方法，解决了现有技术中存在的图像检索精度不高的问题。

本发明所采用的技术方案是，一种基于三元组网络的深度哈希图像检索方法，具体按照如下步骤实施：

步骤1，采用并列的三个Alexnet网络模型为CNN网络模型，并在每个Alexnet网络模型的倒数第二个全连接层fc7层后添加隐藏层，即就是添加哈希层，且三个Alexnet网络模型之间共享权重参数；

步骤2，选用图像数据集CIFAR-10，将其划分为训练集和测试集，以训练集图像作为步骤1构建的CNN网络模型的输入图像，每个输入图像均为一个三元组图像，包括锚点图像、正样本图像和负样本图像，其中正样本图像和锚点图像为同一类别，负样本图像与锚点图像为不同类别；

步骤3，将每个输入图像的锚点图像、正样本图像和负样本图像分别输入至一个Alexnet网络模型中，锚点图像、正样本图像和负样本图像分别在输出fc7层和哈希层产生一个输出fc7层的深度特征和一个代表图像特征的初步哈希码；

步骤4，为CNN网络模型引入一个三元组损失函数，使用步骤3生成的初步哈希码通过最小化三元组损失函数，使得锚点图像、正样本图像在特征空间的距离小于锚点图像和负样本图像在特征空间的距离，完成对CNN网络模型的优化；

步骤5，将测试集图像与查询图像输入到步骤4优化的CNN网络模型中对应输入锚点图像的Alexnet网络模型中，得到对应的哈希编码和fc7层深度特征，其中测试图像和查询图像均为锚点图像，计算查询图像与测试集图像对应的二进制哈希编码的汉明距离，根据设定的阈值，如果汉明距离小于阈值，则认为查询图像与测试集图像相似，在测试集图像中得到m个最相似的候选图像集，然后计算查询图像向量与候选集图像的深度特征向量的欧式距离，按照从小到大排序获得最终的检索结果，在候选图像集中找到n个最相似的图像，即就是查询图像最相似n图像。

本发明的特征还在于，

图像数据集CIFAR-10共60000张，训练集分10类，每类5000张，测试集分10类，每类1000张。

步骤4中的使得锚点图像、正样本图像在特征空间的距离小于锚点图像和负样本图像在特征空间的距离，即就是：