一種圖像檢索方法及終端與流程

本發明涉及視頻監控
技術領域：
，具體涉及一種圖像檢索方法及終端。
背景技術：
：目前來看，以圖搜圖是通過搜索圖像文本或者視覺特征，為用戶提供互聯網上相關圖形圖像資料檢索服務的專業搜索引擎系統，是搜索引擎的一種細分。涉及了數據庫管理、計算機視覺、圖像處理、模式識別、信息檢索和認知心理學等諸多學科。商用的圖像搜索引擎有谷歌圖像搜索和百度圖像搜索。這些搜索系統都是基于關鍵字和圖像標簽的。基于關鍵字的圖像視頻檢索有著其本質的缺點。圖像中內容豐富，僅用幾個關鍵字或數句話很難表達清楚，而且不同的人對圖像有不同的理解，導致同一幅圖像可能會有相差很大的說明。并且，現在圖像的數量呈爆炸式的增加，很多圖像只有很少的文字信息或者根本就沒有說明文字，想要高效地索引這些圖像就需要人們手工的添加標簽和說明文字，對于大量的圖像來說，這是非常繁重的工作。因此，通過樣本的搜索，到查詢圖像類似的圖像搜索，已經逐漸成為現代圖像搜索引擎中不可缺少的功能。一個有效的圖像相似性度量是在尋找類似的圖像的核心。現有技術中，對于以圖搜圖算法，常用的方法種類比較多，比如基于顏色、紋理和形狀等。深度訓練是一種目的在于建立、模擬人腦進行分析訓練的深度網絡，它模仿人腦的機制來解釋數據。通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。它顯著的優點是可抽象出高級特征，構建出復雜高性能的模型。基于深度特征訓練的以圖搜圖方法主要包括兩個步驟：一是特征提取，提取可靠穩定的特征表達圖像內容；二是特征相似度度量，將不同圖像特征進行比較和相似度排序，但是，由于得到的相似性特征較為復雜，因而，圖像的檢索效率較低。技術實現要素：本發明實施例提供了一種圖像檢索方法及終端，以期降低相似性特征的復雜度，從而，提高圖像檢索效率。本發明實施例第一方面提供了一種圖像檢索方法，包括：獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像；采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層；將所述圖像特征三元組映射為目標哈希編碼；采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。可選地，所述將所述圖像特征三元組映射為目標哈希編碼，包括：將所述圖像特征三元組中處于所述預設卷積網絡的指定層特征分割成等長的Q個片段，所述Q為大于1的整數；通過所述預設卷積網絡的全連接層分別將所述Q個片段映射成一維向量，得到所述Q個一維向量；通過sigmoid激活函數將所述Q個一維向量的值限制在0到1之間，得到所述Q個目標一維向量；按照如下公式將所述Q個目標一維向量的值轉換成二進制的哈希編碼，得到所述Q個哈希編碼：其中：ε為預設閾值，s為一維向量的任一位，H為哈希編碼；將所述Q個哈希編碼進行連接，得到所述目標哈希編碼。可選地，所述采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征，包括：按照如下公式對所述目標哈希編碼進行訓練，得到目標相似性特征：其中，Iq表示所述待查詢圖像，q表示卷積最大激活區域，I+表示所述正樣本圖像，I-表示所述負樣本圖像，m為常數，l(Iq,I+,I-)為目標相似性特征。可選地，所述預設卷積網絡的每一卷積層插入了1×1的濾波卷積層，且所述每一卷積層包含矯正激活函數。可選地，所述采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征之后，所述方法還包括：根據所述目標相似性特征，確定所述待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到所述N個漢明距離值，所述N為正整數；將所述N個漢明距離值中的最小值對應的圖像作為目標圖像。本發明實施例第二方面提供了一種終端，包括：獲取單元，用于獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像；第一訓練單元，用于采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層；映射單元，用于將所述圖像特征三元組映射為目標哈希編碼；第二訓練單元，用于采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。可選地，所述映射單元包括：分割模塊，用于將所述圖像特征三元組中處于所述預設卷積網絡的指定層特征分割成等長的Q個片段，所述Q為大于1的整數；映射模塊，用于通過所述預設卷積網絡的全連接層分別將所述Q個片段映射成一維向量，得到所述Q個一維向量；處理模塊，用于通過sigmoid激活函數將所述Q個一維向量的值限制在0到1之間，得到所述Q個目標一維向量；轉換模塊，用于按照如下公式將所述Q個目標一維向量的值轉換成二進制的哈希編碼，得到所述Q個哈希編碼：其中：ε為預設閾值，s為一維向量的任一位，H為哈希編碼；連接模塊，用于將所述Q個哈希編碼進行連接，得到所述目標哈希編碼。可選地，所述第二訓練單元具體用于：按照如下公式對所述目標哈希編碼進行訓練，得到目標相似性特征：其中，Iq表示所述待查詢圖像，q表示卷積最大激活區域，I+表示所述正樣本圖像，I-表示所述負樣本圖像，m為常數，l(Iq,I+,I-)為目標相似性特征。可選地，所述預設卷積網絡的每一卷積層插入了1×1的濾波卷積層，且所述每一卷積層包含矯正激活函數。可選地，所述終端還包括：確定單元，用于在所述第二訓練單元采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征之后，根據所述目標相似性特征，確定所述待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到所述N個漢明距離值，所述N為正整數；所述確定單元還具體用于：將所述N個漢明距離值中的最小值對應的圖像作為目標圖像。實施本發明實施例，具有如下有益效果：通過本發明實施例，獲取三元組樣本，其中，該三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像，采用預設卷積網絡對三元組樣本進行訓練，得到圖像特征三元組，其中，預設卷積網絡至少包含四個卷積層和一個平均池化層，將圖像特征三元組映射為目標哈希編碼，采用預設三元組排序損失模型對目標哈希編碼進行訓練，得到目標相似性特征。如此，可降低相似性特征的復雜度，從而，提高圖像檢索效率。附圖說明為了更清楚地說明本發明實施例中的技術方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是本發明實施例提供的一種圖像檢索方法的第一實施例流程示意圖；圖2是本發明實施例提供的一種圖像檢索方法的第二實施例流程示意圖；圖3a是本發明實施例提供的一種終端的第一實施例結構示意圖；圖3b是本發明實施例提供的圖3a所描述的終端的映射單元的結構示意圖；圖3c是本發明實施例提供的圖3a所描述的終端的又一結構示意圖；圖4是本發明實施例提供的一種終端的第二實施例結構示意圖。具體實施方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。本發明的說明書和權利要求書及所述附圖中的術語“第一”、“第二”、“第三”和“第四”等是用于區別不同對象，而不是用于描述特定順序。此外，術語“包括”和“具有”以及它們任何變形，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備沒有限定于已列出的步驟或單元，而是可選地還包括沒有列出的步驟或單元，或可選地還包括對于這些過程、方法、產品或設備固有的其它步驟或單元。在本文中提及“實施例”意味著，結合實施例描述的特定特征、結構或特性可以包含在本發明的至少一個實施例中。在說明書中的各個位置展示該短語并不一定均是指相同的實施例，也不是與其它實施例互斥的獨立的或備選的實施例。本領域技術人員顯式地和隱式地理解的是，本文所描述的實施例可以與其它實施例相結合。本發明實施例所描述終端可以包括智能手機(如Android手機、iOS手機、WindowsPhone手機等)、平板電腦、掌上電腦、筆記本電腦、移動互聯網設備(MID，MobileInternetDevices)或穿戴式設備等，上述僅是舉例，而非窮舉，包含但不限于上述終端。深度訓練作為機器訓練研究中的一個新領域，這兩年在圖像識別、語音識別以及自然語言處理方面取得了巨大的成功。深度訓練是通過構建多層神經網絡模型來訓練數據，可以訓練出有用的特征，通過對大量樣本訓練可以得到很高的識別正確率。但是在同時需要識別多個屬性時，已有的深度訓練方法往往是通過將各個屬性獨立出來，為每一個屬性訓練一個模型，這無疑大大增加了復雜度。因此，如何將各個屬性聯系起來，通過設計一個模型即可對多個屬性進行識別成為當下繼續解決的問題。本發明實施例采用了一種學習圖像相似性的方法來檢索圖像。該方法通過對特征的學習建立三元組，并使用具有堆棧的共享子網的方法，對圖像進行編碼，通過三元組排序損失函數的學習，搜尋相似的圖像。通過共享子網的方法學習統一化的圖像特征表示，同時能夠減少網絡架構的參數；然后通過分割和編碼模塊產生編碼；最后采用三元組排序損失函數學習得到好的相似性特征，查詢得到相似的圖像。其總體的學習流程如下：(1)三元組的選取。包含查詢圖像，與查詢圖像相似的正樣本圖像，與查詢圖像不相關的負樣本圖像。其中正樣本圖像比負樣本圖像相比相似程度更接近原圖像。(2)建立共享子網。將三元組中的圖像分別通過多元化的卷積池化層子網進行學習，獲取圖像特征表示，方便進行編碼。(3)分割和編碼模塊。對獲取的圖像表示進行編碼，產生逐位的哈希編碼。(4)三元組排序損失函數模型。學習得到好的相似性特征，通過損失函數排序損失函數保留相似性特征。請參閱圖1，為本發明實施例提供的一種圖像檢索方法的第一實施例流程示意圖。本實施例中所描述的圖像檢索方法，包括以下步驟：101、獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像。通常情況下，為了防止過擬合，可使用大量可變的圖像是值得的。然而，可能的三元組數目會增加圖像的數量，這就會造成計算的復雜性，因此，對所有子樣本進行子優化。對于排序損失函數來說，一個高效的三元組是至關重要的。本發明實施例采用如下采樣方案去采樣圖像三元組。假設一個圖像集I，該圖像集中成對的關聯得分為ri,j＝r(Ii,Ij)，每個圖像Ii屬于一個類ci，圖像Ii的評分ri反映了同一類中不同圖像的關聯性。總的圖像評分ri定義為：為了獲取三元組，在選取相似圖像時，選取與圖像Ii同一類中的圖像。不相似的圖像的選取有兩種方案：(1)在不同類中選取；(2)在同一類中選取關聯度比圖像Ii和更低的樣本圖像。即對任意的三元組需要滿足條件如下：其中，Tr是一個閾值參數，該閾值參數可由系統默認或者用戶自行設置。表示圖像與圖像Ii的相似程度比圖像高。如此，盡管對于同一個類圖像中可視化和語義是大體的一致，但是，仍舊存在很大的可變性，尤其是當這個類的語義范圍很大的時候。因而，在選取三元組時，盡量選擇在同類中選擇相似的，在其他類中選擇不相似的樣本。102、采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層。通常情況下，會對待查詢圖像Iq進行一個單獨的子網R進行特征訓練，然后，將正樣本圖像和負樣本圖像采用一個共享的子網P進行訓練，然后，同樣能夠得到一個特征向量的三元組，但是，這加大了計算量，并且網絡架構的參數也增加了很多。因此，本發明實施例選擇對三元組的圖像共用同一個堆棧卷積子網的方法，不僅能夠訓練統一化的圖像特征表示，同時能減少整個網絡架構的參數。通過共享子網，三元組樣本(Iq,I+,I-)可被編譯成一個圖像特征三元組(xq,x+,x-)，其中，圖像特征三元組的三個向量具有相同的維度。在三元組樣本中，三張圖像共同使用一個卷積網絡，共同使用了四個卷積層和一個平均池化層的參數，其中，前三個卷積層后都采用最大池化，最后一層采用平均池化。可選地，在上述卷積網絡的網絡架構中，在每個卷積層中額外插入了1×1的濾波卷積層對輸入通道進行線性轉變，隨后進行非線性矯正，其中，所有的卷積層都使用矯正激活函數，最后，使用平均池化代替全連接層作為子網的輸出層。子網架構參數見表1：表1子網架構表類型濾波器尺寸/步數輸出尺寸卷積層11*11/496*54*54卷積層1*1/196*54*54最大池化3*3/296*27*27卷積層5*5/2256*27*27卷積層1*1/1256*27*27最大池化3*3/2256*13*13卷積層3*3/1384*13*13卷積層1*1/1384*13*13最大池化3*3/2384*6*6卷積層3*3/11024*6*6卷積層1*1/150×qbits*6*6平均池化6*6/150×qbits*1*1103、將所述圖像特征三元組映射為目標哈希編碼。可選地，上述步驟103中，將所述圖像特征三元組映射為目標哈希編碼，可包括如下步驟：31)、將所述圖像特征三元組中處于所述預設卷積網絡的指定層特征分割成等長的Q個片段，所述Q為大于1的整數；32)、通過所述預設卷積網絡的全連接層分別將所述Q個片段映射成一維向量，得到所述Q個一維向量；33)、通過sigmoid激活函數將所述Q個一維向量的值限制在0到1之間，得到所述Q個目標一維向量；34)、按照如下公式將所述Q個目標一維向量的值轉換成二進制的哈希編碼，得到所述Q個哈希編碼：其中：ε為預設閾值，s為一維向量的任一位，H為哈希編碼；35)、將所述Q個哈希編碼進行連接，得到所述目標哈希編碼。具體地，通過共享卷積子網獲取中間層圖像特征(即指定層特征)，采用分割與編碼模塊將圖像特征映射為近似的哈希編碼。每個編碼被分成設定的比特位，然后共享子網的輸出被分割為相應倍數的比特位。分割與編碼模塊的具體過程如下：(1)將通過共享卷積子網的中間層特征分割成等長的Q個片段；(2)通過全連接層將每片映射成一個一維向量，使用一個sigmoid激活函數(記作s)，將輸出的一維向量的值限制在0到1之間；(3)選取一個分段閾值函數將輸出的值轉換成二進制的哈希編碼，其分段閾值函數H表示為：其中：ε為閾值(通過訓練得到的合適的值)。(4)將Q個片段的輸出的哈希編碼連接成一個Q比特位的近似哈希編碼。104、采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。可選地，上述步驟104中，采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征，包括：按照如下公式對所述目標哈希編碼進行訓練，得到目標相似性特征：其中，Iq表示所述待查詢圖像，q表示卷積最大激活區域，I+表示所述正樣本圖像，I-表示所述負樣本圖像，m為常數。通常情況下，一個高效的圖像相似性度量是檢索相似圖像的核心，大多數存在的有監督的哈希方法中，在成對的圖像中采用成對的標簽表示語義上的相似或不相似，其損失函數同樣被設計去保留成對圖像的相似性。本發明實施例采用三元組樣本(包含待查詢圖像，正樣本圖像，負樣本圖像)的形式去獲取相關的相似性。相比成對的圖像，三元組的形式更容易獲取關聯圖像的相似性。本發明實施例中根據圖像嵌入空間的漢明距離定義圖像P和Q的相似度為：上述f表示將圖像映射到歐氏空間中的一個點的圖像嵌入函數，D表示漢明距離。一個三元組樣本包含一個查詢圖像，一個相似的正樣本圖像，一個負樣本圖像，基于三元組樣本的相似度比二元組樣本的相似度更加容易計算。其損失函數為：其中，Iq是待查詢圖像，其卷積最大激活區域用q描述；I+是正樣本圖像，I-是負樣本圖像，m為一個控制邊緣的標量，l(Iq,I+,I-)為目標相似性特征。可以看出，通過本發明實施例，獲取三元組樣本，其中，該三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像，采用預設卷積網絡對三元組樣本進行訓練，得到圖像特征三元組，其中，預設卷積網絡至少包含四個卷積層和一個平均池化層，將圖像特征三元組映射為目標哈希編碼，采用預設三元組排序損失模型對目標哈希編碼進行訓練，得到目標相似性特征。如此，可降低相似性特征的復雜度，從而，提高圖像檢索效率。與上述一致地，請參閱圖2，為本發明實施例提供的一種圖像檢索方法的第二實施例流程示意圖。本實施例中所描述的圖像檢索方法，包括以下步驟：201、獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像。202、采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層。203、將所述圖像特征三元組映射為目標哈希編碼。204、采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。205、根據所述目標相似性特征，確定所述待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到所述N個漢明距離值，所述N為正整數。其中，可對預設圖像庫中的N張圖像中的每一圖像也進行特征提取，得到N組特征，進一步地，確定該目標相似度特征與該N組特征之間的漢明距離，得到N個漢明距離值。206、將所述N個漢明距離值中的最小值對應的圖像作為目標圖像。本發明實施例中，可將上述N個漢明距離值中的最小值對應的圖像作為目標圖像。可以看出，通過本發明實施例，獲取三元組樣本，其中，該三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像，采用預設卷積網絡對三元組樣本進行訓練，得到圖像特征三元組，其中，預設卷積網絡至少包含四個卷積層和一個平均池化層，將圖像特征三元組映射為目標哈希編碼，采用預設三元組排序損失模型對目標哈希編碼進行訓練，得到目標相似性特征，并可根據目標相似性特征確定待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到N個漢明距離值，N為正整數，將N個漢明距離值中的最小值對應的圖像作為目標圖像。如此，可降低相似性特征的復雜度，從而，提高圖像檢索效率。與上述一致地，以下為實施上述圖像檢索方法的裝置，具體如下：請參閱圖3a，為本發明實施例提供的一種終端的第一實施例結構示意圖。本實施例中所描述的終端，包括：獲取單元301、第一訓練單元302、映射單元303和第二訓練單元304，具體如下：獲取單元301，用于獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像；第一訓練單元302，用于采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層；映射單元303，用于將所述圖像特征三元組映射為目標哈希編碼；第二訓練單元304，用于采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。可選地，如圖3b所示，圖3b為圖3a所描述的終端的映射單元303的具體細化結構，所述映射單元303可包括：分割模塊3031、映射模塊3032、處理模塊3033、轉換模塊3034和連接模塊3035，具體如下：分割模塊3031，用于將所述圖像特征三元組中處于所述預設卷積網絡的指定層特征分割成等長的Q個片段，所述Q為大于1的整數；映射模塊3032，用于通過所述預設卷積網絡的全連接層分別將所述Q個片段映射成一維向量，得到所述Q個一維向量；處理模塊3033，用于通過sigmoid激活函數將所述Q個一維向量的值限制在0到1之間，得到所述Q個目標一維向量；轉換模塊3034，用于按照如下公式將所述Q個目標一維向量的值轉換成二進制的哈希編碼，得到所述Q個哈希編碼：其中：ε為預設閾值，s為一維向量的任一位，H為哈希編碼；連接模塊3035，用于將所述Q個哈希編碼進行連接，得到所述目標哈希編碼。可選地，所述第二訓練單元304具體用于：按照如下公式對所述目標哈希編碼進行訓練，得到目標相似性特征：其中，Iq表示所述待查詢圖像，q表示卷積最大激活區域，I+表示所述正樣本圖像，I-表示所述負樣本圖像，m為常數，l(Iq,I+,I-)為目標相似性特征。可選地，所述預設卷積網絡的每一卷積層插入了1×1的濾波卷積層，且所述每一卷積層包含矯正激活函數。可選地，如圖3c所示，圖3c為圖3a所描述的終端的變型結構，其還包括：確定單元305，具體如下：確定單元305，用于在所述第二訓練單元304采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征之后，根據所述目標相似性特征，確定所述待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到所述N個漢明距離值，所述N為正整數；所述確定單元305還具體用于：將所述N個漢明距離值中的最小值對應的圖像作為目標圖像。可以看出通過本發明實施例所描述的終端，可獲取三元組樣本，其中，該三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像，采用預設卷積網絡對三元組樣本進行訓練，得到圖像特征三元組，其中，預設卷積網絡至少包含四個卷積層和一個平均池化層，將圖像特征三元組映射為目標哈希編碼，采用預設三元組排序損失模型對目標哈希編碼進行訓練，得到目標相似性特征。如此，可降低相似性特征的復雜度，從而，提高圖像檢索效率。與上述一致地，請參閱圖4，為本發明實施例提供的一種終端的第二實施例結構示意圖。本實施例中所描述的終端，包括：至少一個輸入設備1000；至少一個輸出設備2000；至少一個處理器3000，例如CPU；和存儲器4000，上述輸入設備1000、輸出設備2000、處理器3000和存儲器4000通過總線5000連接。其中，上述輸入設備1000具體可為觸控面板、物理按鍵或者鼠標。上述輸出設備2000具體可為顯示屏。上述存儲器4000可以是高速RAM存儲器，也可為非易失存儲器(non-volatilememory)，例如磁盤存儲器。上述存儲器4000用于存儲一組程序代碼，上述輸入設備1000、輸出設備2000和處理器3000用于調用存儲器4000中存儲的程序代碼，執行如下操作：上述處理器3000，用于：獲取三元組樣本，其中，所述三元組樣本包括：待查詢圖像，正樣本圖像和負樣本圖像；采用預設卷積網絡對所述三元組樣本進行訓練，得到圖像特征三元組，其中，所述預設卷積網絡至少包含四個卷積層和一個平均池化層；將所述圖像特征三元組映射為目標哈希編碼；采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征。可選地，上述處理器3000將所述圖像特征三元組映射為目標哈希編碼，包括：將所述圖像特征三元組中處于所述預設卷積網絡的指定層特征分割成等長的Q個片段，所述Q為大于1的整數；通過所述預設卷積網絡的全連接層分別將所述Q個片段映射成一維向量，得到所述Q個一維向量；通過sigmoid激活函數將所述Q個一維向量的值限制在0到1之間，得到所述Q個目標一維向量；按照如下公式將所述Q個目標一維向量的值轉換成二進制的哈希編碼，得到所述Q個哈希編碼：其中：ε為預設閾值，s為一維向量的任一位，H為哈希編碼；將所述Q個哈希編碼進行連接，得到所述目標哈希編碼。可選地，上述處理器3000采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征，包括：按照如下公式對所述目標哈希編碼進行訓練，得到目標相似性特征：其中，Iq表示所述待查詢圖像，q表示卷積最大激活區域，I+表示所述正樣本圖像，I-表示所述負樣本圖像，m為常數，l(Iq,I+,I-)為目標相似性特征。可選地，所述預設卷積網絡的每一卷積層插入了1×1的濾波卷積層，且所述每一卷積層包含矯正激活函數。可選地，上述處理器3000采用預設三元組排序損失模型對所述目標哈希編碼進行訓練，得到目標相似性特征之后，還具體用于：根據所述目標相似性特征，確定所述待查詢圖像與預設圖像庫中的N張圖像中的每一圖像之間的漢明距離，得到所述N個漢明距離值，所述N為正整數；將所述N個漢明距離值中的最小值對應的圖像作為目標圖像。本發明實施例還提供一種計算機存儲介質，其中，該計算機存儲介質可存儲有程序，該程序執行時包括上述方法實施例中記載的任何一種圖像檢索方法的部分或全部步驟。盡管在此結合各實施例對本發明進行了描述，然而，在實施所要求保護的本發明過程中，本領域技術人員通過查看所述附圖、公開內容、以及所附權利要求書，可理解并實現所述公開實施例的其他變化。在權利要求中，“包括”(comprising)一詞不排除其他組成部分或步驟，“一”或“一個”不排除多個的情況。單個處理器或其他單元可以實現權利要求中列舉的若干項功能。相互不同的從屬權利要求中記載了某些措施，但這并不表示這些措施不能組合起來產生良好的效果。本領域技術人員應明白，本發明的實施例可提供為方法、裝置(設備)、或計算機程序產品。因此，本發明可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本發明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。計算機程序存儲/分布在合適的介質中，與其它硬件一起提供或作為硬件的一部分，也可以采用其他分布形式，如通過Internet或其它有線或無線電信系統。本發明是參照本發明實施例的方法、裝置(設備)和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。盡管結合具體特征及其實施例對本發明進行了描述，顯而易見的，在不脫離本發明的精神和范圍的情況下，可對其進行各種修改和組合。相應地，本說明書和附圖僅僅是所附權利要求所界定的本發明的示例性說明，且視為已覆蓋本發明范圍內的任意和所有修改、變化、組合或等同物。顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和范圍。這樣，倘若本發明的這些修改和變型屬于本發明權利要求及其等同技術的范圍之內，則本發明也意圖包含這些改動和變型在內。當前第1頁1 2 3