【摘要】：為解決圖像背景復雜造成圖像檢索效果差的問題,提出了一種結合主體檢測的圖像檢索方法。該方法首先訓練用于目標檢測的深度卷積神經網絡模型,利用訓練好的模型檢測查詢圖像中的物體類別、類別概率和其所在區(qū)域坐標及特征。根據(jù)物體的類別概率和其所在區(qū)域的坐標判斷圖像主體后,在數(shù)據(jù)庫中查找和主體類別相同的圖像。計算查詢圖像與檢索的同類別圖像之間區(qū)域特征的余弦距離,結合類別概率對所有檢索圖像進行打分排序,返回分值最高的前10幅圖像作為檢索結果。最后在VCO2007數(shù)據(jù)集和自己收集的書頁數(shù)據(jù)集上進行算法驗證。實驗結果表明,在隨機選取的1 000幅測試圖片檢索結果的全正確率為96.5%,比現(xiàn)有方法提升了6.6個百分點。本文方法可有效排除圖像背景的干擾,得到更加準確的檢索結果和定位精度。
[Abstract]:In order to solve the problem of poor image retrieval effect caused by complex image background, an image retrieval method combining subject detection is proposed. The method first trains the deep convolution neural network model used for target detection, and uses the trained model to detect the class of objects, the probability of category, the coordinates and features of the region in which the objects are queried. After judging the subject of the image according to the probability of the object's category and the coordinates of the region in which it is located, the image subject is found in the database which is the same as the subject's category. The cosine distance between the queried image and the same category image is calculated, and all the retrieval images are sorted with the category probability, and the top 10 images with the highest score are returned as the retrieval results. Finally, the algorithm is validated on the VCO2007 dataset and the book page data set collected by ourselves. The experimental results show that the total correct rate of the retrieval results of 1 000 images selected at random is 96. 5%, which is 6.6 percentage points higher than that of the existing methods. This method can effectively eliminate the interference of image background and obtain more accurate retrieval results and location accuracy.
【作者單位】： 城市道路交通智能控制技術北京市重點實驗室;北方工業(yè)大學理學院;
【基金】：北京市屬高等學校青年拔尖人才培育計劃資助項目(No.CIT&TCD201404009) 科技創(chuàng)新服務能力建設—科技成果轉化—提升計劃項目(PXM2016_014212_000036)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 韓法旺;;基于云計算模式的圖像檢索研究[J];情報科學;2011年10期

2 何巖;;以計算機為基礎的色彩圖像檢索方法與研究[J];計算機光盤軟件與應用;2013年12期

3 郭海鳳;李廣水;仇彬任;;基于融合多特征的社會網上圖像檢索方法[J];計算機與現(xiàn)代化;2013年12期

4 柏正堯,周紀勤;基于復數(shù)矩不變性的圖像檢索方法研究[J];計算機應用;2000年10期

5 夏峰,張文龍;一種圖像檢索的新方法[J];計算機應用研究;2002年11期

6 鄧誠強,馮剛;基于內容的多特征綜合圖像檢索[J];計算機應用;2003年07期

7 斯白露,高文,盧漢清,曾煒,段立娟;基于感興趣區(qū)域的圖像檢索方法[J];高技術通訊;2003年05期

8 劉怡,于沛;基于“知網”的新聞圖像檢索方法[J];河南師范大學學報(自然科學版);2003年02期

9 張榮,鄭浩然,李金龍,王煦法;進化加速技術在圖像檢索中的應用[J];計算機工程與應用;2004年16期

10 黃德才,胡嘉,鄭月鋒;交互式圖像檢索中相關反饋進展研究[J];計算機應用研究;2005年09期

相關會議論文 前10條

1 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

2 周向東;張亮;張琪;劉莉;殷慷;施伯樂;;一種新的圖像檢索相關反饋方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

3 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語義圖像檢索方法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

4 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

5 許相莉;張利彪;于哲舟;周春光;;基于商空間粒度計算的圖像檢索[A];第八屆全國信息隱藏與多媒體安全學術大會湖南省計算機學會第十一屆學術年會論文集[C];2009年

6 李凌偉;周榮貴;劉怡;;基于概念的圖像檢索方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2002年

7 楊關良;李忠杰;徐小杰;;基于代表色的圖像檢索方法研究[A];首屆信息獲取與處理學術會議論文集[C];2003年

8 彭瑜;喬奇峰;魏昆娟;;基于多示例學習的圖像檢索方法[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

9 胡敬;武港山;;基于語義特征的風景圖像檢索[A];2009年研究生學術交流會通信與信息技術論文集[C];2009年

10 許天兵;;一種基于語義分類的圖像檢索方法[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術研討會（CVR’2001）論文集[C];2001年

相關博士學位論文 前10條

1 崔超然;圖像檢索中自動標注、標簽處理和重排序問題的研究[D];山東大學;2015年

2 楊迪;基于內容的分布式圖像檢索[D];北京郵電大學;2015年

3 張旭;網絡圖像檢索關鍵技術研究[D];西安電子科技大學;2014年

4 吳夢麟;基于半監(jiān)督學習的醫(yī)學圖像檢索研究[D];南京理工大學;2015年

5 汪友寶;基于多分辨率和顯著特征的圖像檢索方法研究[D];上海大學;2015年

6 張運超;面向海量圖像檢索的視覺編碼方法分析與優(yōu)化[D];北京理工大學;2015年

7 高毫林;基于哈希技術的圖像檢索研究[D];解放軍信息工程大學;2014年

8 李清亮;圖像檢索中判別性增強研究[D];吉林大學;2016年

9 劉爽;多特征融合圖像檢索方法及其應用研究[D];哈爾濱理工大學;2016年

10 程航;密文JPEG圖像檢索研究[D];上海大學;2016年

相關碩士學位論文 前10條

1 趙鴻;基于尺度不變局部特征的圖像檢索研究[D];華南理工大學;2015年

2 孫劍飛;基于圖像索引的熱點話題檢索方法研究[D];蘭州大學;2015年

3 章進洲;圖像檢索中的用戶意圖分析[D];南京理工大學;2015年

4 苗思楊;移動圖像檢索中的漸進式傳輸方式研究[D];大連海事大學;2015年

5 都業(yè)剛;基于顯著性的移動圖像檢索[D];大連海事大學;2015年

6 王夢蕾;基于用戶反饋和改進詞袋模型的圖像檢索[D];南京理工大學;2015年

7 許鵬飛;基于草圖的海量圖像檢索方法研究[D];浙江大學;2015年

8 馮進麗;基于BoF的圖像檢索與行為識別研究[D];山西大學;2015年

9 喬維強;基于低級特征和語義特征的醫(yī)學圖像檢索[D];北京理工大學;2015年

10 蔣國寶;基于內容的概念建模和圖像檢索重排序[D];復旦大學;2014年

，

本文編號：2233776