(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210825667.X (22)申请日 2022.07.13 (71)申请人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 申请人 平湖市政务 服务和数据资源管理办 公室　 浙江喆贞软件开发有限公司 (72)发明人 肖波　梁峰铭　樊常林　邬妤琼　 谭艳婷　周士飞　李烨　 (74)专利代理 机构 北京挺立专利事务所(普通 合伙) 11265 专利代理师 高福勇 (51)Int.Cl. G06F 16/583(2019.01) G06V 10/44(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于中心映射的图像哈希检索方法 (57)摘要 本发明公开了一种基于中心映射的图像哈 希检索方法， 将图像转换为哈希码进行检索， 存 储和计算需求都比较小， 提高了检索效率； 使用 深度模型将图像映射为哈希码， 能够更好地提取 图像特征， 用比较少的比特数就能保留较多的语 义信息； 使用已经量化的哈希码作为学习目标， 使最后量化带来的误差可以忽略不计， 提高了哈 希码的质量； 使用特征中心映射的方式构建低维 学习目标， 使得图像在高维特征空间中的相似性 信息能比较完整地保留到低维汉明空间中， 检索 结果更加准确； 使用无监督的方式训练模型， 大 大减少了 数据的标注成本， 提高了本方法的使用 范围。 上述方法在装修图片查找中取得了较好的 应用， 能够更加快捷、 直观地判断一张装修图片 的装修程度。 权利要求书2页 说明书6页 附图2页 CN 115221348 A 2022.10.21 CN 115221348 A 1.一种基于中心映射的图像哈希检索方法， 其特征在于， 使用深度模型将图像映射为 哈希码提取图像特征， 将 高维浮点向量特征聚类中心映射到低 维汉明空间锚点， 以图像在 高维空间中的特征与聚类中心的距离和低 维锚点为依据构建目标训练模型； 在预测阶段， 图像通过模型 得到哈希码， 按照哈希码间的汉明距离判断图片间的相似性。 2.根据权利要求1所述的基于中心映射的图像哈希检索方法， 其特征在于， 包括以下步 骤： S1、 构建数据集： 按照7:2:1的比例划分为被 检索库数据、 训练数据和 测试数据； S2、 构建训练数据的特征集合： 使用在ImageNet数据 集上预训练过的CNN模型提取所有 训练集图像的特 征， 这些特征构成一个训练集的特 征集合 S3、 K‑means聚类， 对S2中的特征集合进行K ‑means聚类， 得到训练集在高维特征空间中 的K个聚类中心 S4、 按照S3中的聚类中心数量K， 从Hadamard矩阵中任意选取K列作为低维汉明空间中 的锚点， 表示 为矩阵形式 S5、 构建模型： 使用若干层全连接层构建模型f( ·)， 其中第一层的输入维度等于S2中 预训练CN N的输出大小， 最后一层输出维度等于哈希码的比特 数； S6、 特征中心映射： 将S2中得到的K个聚类中心与S3中得到的K个锚点一一对应， 实现高 维浮点向量特 征聚类中心与低维汉明空间哈希码中心的映射； S7、 构造训练目标： 对于一张训练图像， 使用S2中的CNN预训练网络得到特征xi， i＝1， 2， ...， n后， 计算该 特征与S3中得到的K个中心间的欧式距离： di， k＝dist(xi， ck)＝‖xi‑ck‖2， k＝1， 2， ...， K 取相反数并做SoftMax 归一化后作为各中心对该样本的权 重： wi＝softmax( ‑di) 按照S6中的映射关系对各低维汉明空间中的锚点H做加权平均； 使用sign函数符号化 后作为本样本在低维汉明空间中的训练目标： S8、 训练模型： 将模型输出 与训练目标yi间的cosine距离作为损失训练网 络， 具体表示如下： S9、 哈希码推理： 对任一张图像， 将其输入S2中的CNN模型得到高维浮点向量特征x， 再权　利　要　求　书 1/2 页 2 CN 115221348 A 2将其输入S5中经 过训练的模型并使用sign 函数符号 化后得到该图像对应的哈希码y： y＝(sigN(F(x) )+1)/2 S10、 图像检索： 将被检索库中的图像和新图像按照S9中得到图像对应的哈希码并存 储， 计算新图像的哈希码与全部被检索库图像的哈希码之间的汉明距离， 按照汉明距离升 序排列后取汉明距离最小的前N个作为检索得到的相似图像。 3.根据权利要求1或2所述的基于中心映射的图像哈希检索方法在装修图片查找中的 应用。权　利　要　求　书 2/2 页 3 CN 115221348 A 3