基于人工智能的目标图像快速检索方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113704522A(43)申请公布日2021.11.26(21)申请号202111259001.4(22)申请日2021.10.28(71)申请人山东建筑大学地址250101山东省济南市历城区临港开发区凤鸣路1000号(72)发明人聂秀山史洋刘新锋刘兴波袭肖明尹义龙(74)专利代理机构济南圣达知识产权代理有限公司37221代理人黄海丽(51)Int.Cl.G06F16/53(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图1页(54)发明名称基于人工智能的目标图像快速检索方法及系统(57)摘要本发明公开了基于人工智能的目标图像快速检索方法及系统，获取模板图像和模板图像对应的若干个已知标签；从目标图像数据库中，抽取待检测图像；将待检测图像和模板图像，均输入到训练后的卷积神经网络中，输出待检测图像的哈希码和模板图像的哈希码；基于待检测图像的哈希码和模板图像的哈希码之间的汉明距离，得到待检测图像与模板图像的相似度，选择相似度高于设定阈值的一个或多个待检测图像作为检索结果输出。通过人工智能技术的使用实现对机器人视觉平台采集的复杂场景下的图像样本基于卷积神经网络，利用哈希方法提取图像特征，引入区分易混淆实体、可优化相似性关系以及区分样本关注度，更好地应对复杂场景下的物品检索。CN113704522ACN113704522A权利要求书1/3页1.基于人工智能的目标图像快速检索方法，其特征是，包括：获取模板图像和模板图像对应的若干个已知标签；从目标图像数据库中，抽取待检测图像；将待检测图像和模板图像，均输入到训练后的卷积神经网络中，输出待检测图像的哈希码和模板图像的哈希码；基于待检测图像的哈希码和模板图像的哈希码之间的汉明距离，得到待检测图像与模板图像的相似度，汉明距离越小表示相似度越高，选择相似度高于设定阈值的一个或多个待检测图像作为检索结果输出；基于不同情况下，采用不同的损失函数训练得到的；具体包括：当需要使得所有的负样本的预测得分尽可能低，所有正样本的预测得分尽可能高，且相似度得分的取值范围为，则使用基于哈希码相似度的统一损失函数；当需要损失函数关注相似度预测得分偏低的正样本，则使用对正负样本相似度预测得分的间隔进行加权的损失函数；当需要使得所有的负样本的预测得分尽可能低，所有正样本的预测得分尽可能高，且使用的相似度得分的取值范围为，则使用基于哈希码相似度的损失函数；当需要损失函数关注相似度预测得分偏低的正样本，则使用对正负样本相似度预测得分的间隔进行加权的损失函数；当需要损失函数希望负样本的相似度预测得分与正样本的相似度预测得分之间存在明显的差距，则使用损失函数；当需要损失函数在优化的过程中更新相似性矩阵，则使用基于优化相似性矩阵的间隔进行加权的统一损失函数；当需要损失函数在优化的过程中更新相似性矩阵，则使用基于优化相似性矩阵的间隔进行加权的圆损失函数；当需要损失函数在优化的过程中更新相似性矩阵，则使用损失函数。2.如权利要求1所述的基于人工智能的目标图像快速检索方法，其特征是，所述卷积神经网络为改进的卷积神经网络CNN‑F；其中，改进的卷积神经网络CNN‑F，网络结构包括：依次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层、第三全连接层和Tanh函数层；将第三全连接层的输出维度设定为K维。3.如权利要求1所述的基于人工智能的目标图像快速检索方法，其特征是，所述训练后的卷积神经网络；训练步骤包括：构建训练集和测试集；所述训练集和测试集，均包括：已知标签的图像；将训练集已知标签的图像，输入到卷积神经网络中进行训练，卷积神经网络输出已知标签图像的哈希码；根据已知标签图像的哈希码与已知标签，构建损失函数，当损失函数达到最小值时，停止训练；将测试集，输入到卷积神经网络中进行测试，当准确率超过设定阈值时，停止测试，认2CN113704522A权利要求书2/3页定当前卷积神经网络为训练后的卷积神经网络。4.如权利要求1所述的基于人工智能的目标图像快速检索方法，其特征是，所述训练后的卷积神经网络，是基于不同情况下，采用不同的损失函数训练得到的。5.如权利要求1所述的基于人工智能的目标图像快速检索方法，其特征是，所述基于哈希码相似度的统一损失函数，其公式表达为：（1）其中，表示集合中样本的数目，表示样本的相似样本集合，表示样本的不相似样本集合，是缩放因子，是间隔，是训练集中图像的数量，是样本和的哈希码预测样本相似度，是样本和的哈希码预测样本相似度，是第个样本，是第个样本；所述对正负样本相似度预测得分的间隔进行加权的损失函数，其公式表达为：（2）其中，是样本和的相