基于卷积神经网络模型的图像查重方法、设备及存储介质与流程

本发明涉及人工智能领域，尤其涉及基于卷积神经网络模型的图像查重方法、设备及存储介质。

背景技术：

目前，为了向用户提供各种文献资料，需要预先构建数据库，并将文献资料存储至数据库中。现有的方式一般是通过爬虫工具，从网络上获取大量的文献资料，然后将文献资料存储至数据库中。但是，由于爬虫获取的文献资料中存在重复的文献资料，便会导致数据库存储空间的浪费。尤其是对于图片来说，将重复的图片存入数据库，会大大占用数据库存储空间。

技术实现要素：

本发明的主要目的在于提供一种基于卷积神经网络模型的图像查重方法、设备及存储介质，旨在解决现有技术中无法识别重复图片的技术问题。

为实现上述目的，本发明提供一种基于卷积神经网络模型的图像查重方法，所述基于卷积神经网络模型的图像查重方法包括以下步骤：

获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征；

检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征；

若数据库中已存储的各个图片的深度特征中存在与所述待查重图片的深度特征相同的目标深度特征，则认定所述待查重图片与所述目标深度特征对应的目标已存储图片为重复图片。

可选的，所述获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征的步骤包括：

获取待查重图片，对所述待查重图片进行图像预处理，得到待输入图片；

将所述待输入图片输入卷积神经网络模型；

通过卷积神经网络模型的卷积层对所述待输入图片进行卷积，得到邻域特征；

对所述邻域特征进行池化，得到所述待查重图片的深度特征。

可选的，所述检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征的步骤包括：

获取数据库中已存储的各个图片的深度特征，并分别对所述已存储的各个图片的深度特征进行哈希运算，得到n个哈希值；

对所述待查重图片的深度特征进行哈希运算，得到待比对哈希值；

检测所述n个哈希值中是否存在与所述待比对哈希值相同的目标哈希值；

若所述n个哈希值中存在与所述待比对哈希值相同的目标哈希值，则所述目标哈希值对应的目标深度特征与所述待查重图片的深度特征相同。

此外，为实现上述目的，本发明还提供一种基于卷积神经网络模型的图像查重设备，所述基于卷积神经网络模型的图像查重设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于卷积神经网络模型的图像查重程序，所述基于卷积神经网络模型的图像查重程序被处理器执行时实现如上所述的基于卷积神经网络模型的图像查重方法的步骤。

此外，为实现上述目的，本发明还提供一种存储介质，所述存储介质上存储有基于卷积神经网络模型的图像查重程序，所述基于卷积神经网络模型的图像查重程序被处理器执行时实现如上所述的基于卷积神经网络模型的图像查重方法的步骤。

本发明中，获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征；检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征；若数据库中已存储的各个图片的深度特征中存在与所述待查重图片的深度特征相同的目标深度特征，则认定所述待查重图片与所述目标深度特征对应的目标已存储图片为重复图片。通过本发明，基于卷积神经网络模型进行图片查重，提高了图片查重精度。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的基于卷积神经网络模型的图像查重设备结构示意图；

图2为本发明基于卷积神经网络模型的图像查重方法第一实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，图1为本发明实施例方案涉及的硬件运行环境的基于卷积神经网络模型的图像查重设备结构示意图。

如图1所示，该基于卷积神经网络模型的图像查重设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的基于卷积神经网络模型的图像查重设备结构并不构成对基于卷积神经网络模型的图像查重设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于卷积神经网络模型的图像查重程序。

在图1所示的基于卷积神经网络模型的图像查重设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于卷积神经网络模型的图像查重程序，并执行以下操作：

获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征；

检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征；

若数据库中已存储的各个图片的深度特征中存在与所述待查重图片的深度特征相同的目标深度特征，则认定所述待查重图片与所述目标深度特征对应的目标已存储图片为重复图片。

进一步地，处理器1001可以调用存储器1005中存储的基于卷积神经网络模型的图像查重程序，还执行以下操作：

获取待查重图片，对所述待查重图片进行图像预处理，得到待输入图片；

将所述待输入图片输入卷积神经网络模型；

通过卷积神经网络模型的卷积层对所述待输入图片进行卷积，得到邻域特征；

对所述邻域特征进行池化，得到所述待查重图片的深度特征。

进一步地，处理器1001可以调用存储器1005中存储的基于卷积神经网络模型的图像查重程序，还执行以下操作：

获取数据库中已存储的各个图片的深度特征，并分别对所述已存储的各个图片的深度特征进行哈希运算，得到n个哈希值；

对所述待查重图片的深度特征进行哈希运算，得到待比对哈希值；

检测所述n个哈希值中是否存在与所述待比对哈希值相同的目标哈希值；

若所述n个哈希值中存在与所述待比对哈希值相同的目标哈希值，则所述目标哈希值对应的目标深度特征与所述待查重图片的深度特征相同。

参照图2，图2为本发明基于卷积神经网络模型的图像查重方法第一实施例的流程示意图。

在一实施例中，基于卷积神经网络模型的图像查重方法包括：

步骤s10，获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征；

本实施例中，卷积神经网络(cnn)是局部连接网络。卷积神经网络包括卷积层，卷积层由若干卷积核组成，对于一个卷积核将其与给定的图像做卷积就可以提取一种图像的特征，不同的卷积核可以提取不同的图像特征。具体可以采用sobel卷积核。对输入的图片进行卷积，即可得到图片的邻域特征，然后进一步对邻域特征进行池化，即可得到输入的图片的深度特征。

一实施例中，步骤s10包括：获取待查重图片，对所述待查重图片进行图像预处理，得到待输入图片；将所述待输入图片输入卷积神经网络模型；通过卷积神经网络模型的卷积层对所述待输入图片进行卷积，得到邻域特征；对所述邻域特征进行池化，得到所述待查重图片的深度特征。本实施例中，图像预处理包括：去躁处理、缩放处理等。对待查重图片进行图像预处理后，即可得到待输入图片。将待输入图片输入卷积神经网络模型，通过卷积神经网络模型的卷积层对待输入图片进行卷积，得到邻域特征。在完成卷积特征提取之后，对于每一个隐藏单元，都提取到若干个特征，把提取到的若干个特征看做一个矩阵，并在这个矩阵上划分出几个不重合的区域，然后在每个区域上计算该区域内特征的均值或最大值，然后用这些均值或最大值参与后续的训练，这个过程就是池化。其中，每个区域内特征的均值或最大值，构成该待查重图片的深度特征。

步骤s20，检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征；

本实施例中，通过与上述步骤s10中计算待查重图片的深度特征类似的方式，计算得到数据库中已存储的各个图片的深度特征，记作深度特征1、深度特征2、深度特征3……深度特征n。

然后检测深度特征1、深度特征2、深度特征3……深度特征n中是否存在与待查重图片的深度特征相同的目标深度特征。

一实施例中，步骤s20包括：获取数据库中已存储的各个图片的深度特征，并分别对所述已存储的各个图片的深度特征进行哈希运算，得到n个哈希值；对所述待查重图片的深度特征进行哈希运算，得到待比对哈希值；检测所述n个哈希值中是否存在与所述待比对哈希值相同的目标哈希值；若所述n个哈希值中存在与所述待比对哈希值相同的目标哈希值，则所述目标哈希值对应的目标深度特征与所述待查重图片的深度特征相同。

本实施例中，获取数据库中已存储的各个图片的深度特征，例如：深度特征1、深度特征2、深度特征3……深度特征n。然后分别对各个深度特征进行哈希运算，得到哈希值1、哈希值2、哈希值3……哈希值n。对待查重图片的深度特征进行哈希运算，得到待比对哈希值。然后检测n个哈希值中是否存在与待比对哈希值相同的目标哈希值；若n个哈希值中存在与待比对哈希值相同的目标哈希值，则目标哈希值对应的目标深度特征与待查重图片的深度特征相同。

步骤s30，若数据库中已存储的各个图片的深度特征中存在与所述待查重图片的深度特征相同的目标深度特征，则认定所述待查重图片与所述目标深度特征对应的目标已存储图片为重复图片。

本实施例中，若数据库中已存储的各个图片的深度特征中存在与待查重图片的深度特征相同的目标深度特征，例如数据库中已存储的图片7的深度特征为与待查重图片的深度特征相同的目标深度特征，则认定待查重图片与图片7为重复图片。

本实施例中，获取待查重图片，并将所述待查重图片输入卷积神经网络模型，得到所述待查重图片的深度特征；检测数据库中已存储的各个图片的深度特征中是否存在与所述待查重图片的深度特征相同的目标深度特征；若数据库中已存储的各个图片的深度特征中存在与所述待查重图片的深度特征相同的目标深度特征，则认定所述待查重图片与所述目标深度特征对应的目标已存储图片为重复图片。通过本实施例，基于卷积神经网络模型进行图片查重，提高了图片查重精度。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于卷积神经网络模型的图像查重程序，所述基于卷积神经网络模型的图像查重程序被处理器执行时实现如上基于卷积神经网络模型的图像查重方法各个实施例的步骤。

本发明计算机可读存储介质的具体实施例与上述基于卷积神经网络模型的图像查重方法的各个实施例基本相同，在此不做赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。