一种图像搜索方法、装置、设备及存储介质与流程

1.本发明涉及图像搜索技术领域，具体涉及一种图像搜索方法、装置、设备及存储介质。


背景技术：

2.随着科技的发展，图像在电子商务，信息传播上起到极大的作用。由于图像能够给人“所见即所得”的感受，用户获取商品信息的方式由原来的基于文字的搜索改变为基于图像的搜索。一般来说，图像搜索又分为相似搜索和同款搜索(所谓的同款搜索，是指搜索与待搜索图像中款式相同的商品图像)，深度学习特征向量的发展使得图像的特征描述能力提高，图像相似搜索已经达到用户的使用要求，但是目前图像搜索匹配的过程中，图像中背景，光照，角度等非目标搜索对象会对搜索的结果产生影响。


技术实现要素：

3.本发明要解决的技术问题是现有技术中在图像搜索过程中，图像背景等非目标搜索对象对搜索结果产生影响，导致搜索精度低、搜索效率低的问题。
4.根据本技术的一个方面，公开了一种图像搜索方法，所述方法包括：
5.获取预设搜索图像、目标分类模型以及预设分类阈值，所述目标分类模型与所述预设搜索图像对应；
6.根据所述预设搜索图像，确定多个局部区域图像，所述局部区域图像包括预设搜索对象；
7.对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；
8.将多个局部区域图像各自对应的特征向量输入所述目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；
9.将所述分类结果达到所述预设分类阈值的局部特征向量确定为目标特征向量；
10.根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。
11.在一种可能实现的方案中，所述根据所述预设搜索图像，确定多个局部区域图像包括：
12.对所述预设搜索图像进行随机划分，以随机确定出具有第一尺寸的区域；
13.对所述第一尺寸的区域对应的图像进行分辨率的变化处理，得到多个分辨率不同的局部区域图像。
14.在另一种可能实现的方案中，所述根据所述预设搜索图像，确定多个局部区域图像包括：
15.对所述预设搜索图像进行多次随机划分，以随机确定出多个具有第一尺寸的区域；
16.将每个具有第一尺寸的区域对应的图像，确定为局部区域图像，以得到多个局部
区域图像。
17.进一步的，所述对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量包括：
18.基于全卷积网络对对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
19.进一步的，所述获取目标分类模型之前，所述方法还包括：
20.根据所述预设搜索图像，确定多个预设训练图像，每个预设训练图像中包括所述预设搜索对象；
21.对所述多个预设训练图像进行训练，得到所述目标分类模型。
22.进一步的，所述根据所述预设搜索图像，确定多个预设训练图像包括：
23.对所述预设搜索图像进行多次随机划分，以随机确定出多个具有第二尺寸的区域；
24.将每个具有第二尺寸的区域对应的图像，确定为预设训练图像，以得到所述多个预设训练图像。
25.进一步的，所述根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集包括：
26.对所述目标特征向量进行降维处理，得到降维后的目标搜索特征向量；
27.根据所述目标搜索特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。
28.根据本技术的另一个方面，还公开了一种图像搜索装置，所述装置包括：
29.获取模块，用于获取预设搜索图像、目标分类模型以及预设分类阈值，所述目标分类模型与所述预设搜索图像对应；
30.局部区域图像确定模块，用于根据所述预设搜索图像，确定多个局部区域图像，所述局部区域图像包括预设搜索对象；
31.特征向量确定模块，用于对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；
32.分类结果确定模块，用于将多个局部区域图像各自对应的特征向量输入所述目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；
33.目标特征向量确定模块，用于将所述分类结果达到所述预设分类阈值的局部特征向量确定为目标特征向量；
34.图像集确定模块，用于根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。
35.根据本技术的另一个方面，还公开了一种电子设备，包括：
36.处理器；
37.用于存储所述处理器可执行指令的存储器；
38.其中，所述处理器被配置为执行所述指令，以实现如上述权利要求所述的图像搜索方法。
39.根据本技术的另一个方面，还公开了一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行
如上述权利要求所述的图像搜索方法。
40.本发明方法包括获取预设搜索图像、目标分类模型以及预设分类阈值，根据预设搜索图像，确定多个局部区域图像，局部区域图像包括预设搜索对象；对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量；通过对预设搜索图像进行处理后得到多个局部区域图像，可以增加局部区域图像数量，增加预设搜索对象的信息量，从而提高预设搜索对象对应的目标特征向量的确定精度。进一步的，根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。本发明基于目标特征向量进行图像搜索，由于目标分类模型是与预设搜索图像对应的，所以所确定出的目标特征向量可以作为预设搜索对象的关键特征信息，从而本发明可以仅基于目标特征向量确定存在目标对象的图像，可以忽略搜索图像中背景信息等对搜索结果的影响，提高了图像搜索精度和搜索效率。且本发明还可以忽略视角等噪声数据，提升算法的鲁棒性。
附图说明
41.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
42.图1是本技术实施例提供的一种图像搜索方法的流程图；
43.图2是本技术实施例提供的又一种图像搜索方法的流程图；
44.图3是本技术实施例提供的又一种图像搜索方法的流程图；
45.图4是本技术实施例提供的又一种图像搜索方法的流程图；
46.图5是本技术实施例提供的一种图像搜索装置的结构框图；
47.图6是本技术实施例提供的一种图像搜索的电子设备的框图。
具体实施方式
48.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
49.此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
50.图1示出了一种图像搜索方法的流程图，具体的，如图1所示，方法包括：
51.s100、获取预设搜索图像、目标分类模型以及预设分类阈值。
52.具体的，预设搜索图像可以是预先确定的想要进行搜索的图像。该预设搜索图像可以为任一格式、任一大小的电子图像，这些格式包括但不限于jpg、png、tif、bmp。该预设搜索图像的获取方式可以是网上直接下载，也可以是手机或照相机拍照上传。示例性的，在本技术实施例中，预设搜索图形可以为300mm
×
270mm的图片，其为jpg格式。
53.进一步的，目标分类模型与预设搜索图像对应。即目标分类模型是基于预设搜索图像中的预设搜索对象所确定的模型。在获取到预设搜索图像后，可以先基于预设搜索图像中的预设搜索对象进行模型训练，以得到关于预设搜索对象的目标分类模型。示例性的，目标分类模型的训练可以基于残差网络(residual network)进行训练实现。
54.进一步的，预设分类阈值可以预先设定，例如，预设分类阈值可以用k表示，具体用于确定分类结果的取值界限值。
55.s102、根据预设搜索图像，确定多个局部区域图像。
56.具体的，局部区域特征可以是预设搜索图像中包括预设搜索对象的区域。多个局部区域图像可以基于预设搜索图像多次随机裁剪得到，也可以是对预设搜索图像进行放大缩小后得到。
57.s104、对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
58.具体的，每个局部区域图像对应一个特征向量，可以将多个局部区域图像直接输入至卷积神经网络(convolutional neuralnetworks,cnn)中，该卷积神经网络即会输出每个局部区域图像对应的特征向量。所输出的特征向量维度较高，且每个特征向量的维度是相同。示例性的，所输出的特征向量的维度可以能是1000维度，也可能是2000维度等维度，具体以卷积神经网络输出结果确定。优选的，卷积神经网络可以为全卷积网络(fully convolutionnetwork,fcn)。
59.s106、将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果。
60.可以理解的是，将步骤s104确定出的多个局部区域图像各自对应的特征向量输入至目标分类模型中，目标分类模型将会输出每个局部特征向量对应的分类结果。示例性的，输出的分类结果可以是各个局部特征向量对应的得分，例如输出的分类结果的得分可以是0.3，0.8，0.2，0，0.1等数值。
61.s108、将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量。
62.具体的，预设分类阈值具体可以是指一个具体的界限值，例如可以是k，分类结果达到预设分类阈值确定为目标特征向量可以是指将分类结果中得分位于前k个的分类结果对应的特征向量确定为目标特征向量。
63.进一步的，在其他可实施的方案中，预设分类阈值也可以是指一个具体的得分值，分类结果达到预设分类阈值具体也可以是指分类结果对应的得分大于预设分类阈值对应的得分。当预设分类阈值为0.5，分类结果为0.8，0.6，0.1，0.3，0.7，0.9几个数值时，分类结果到达预设分类阈值的数值为0.8，0.6，0.7和0.9四个数值。即可以将分类结果为0.8，0.6，0.7和0.9分别对应的局部特征向量确定目标特征向量。
64.s110、根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。
65.具体的，可以将目标特征向量输入至图像数据库中，以搜索出包括预设搜索对象的图像集。示例性的，图像数据库可以是例如淘宝后台、阿里巴巴后台等存储的图像。图像数集中可以包括至少两个图像。
66.进一步的，在操作步骤s110时，具体可以先对所确定的目标特征向量进行降维处理，以得到降维后的目标搜索特征向量，根据该目标搜索特征向量进行图像搜索，得到包括预设搜索对象的图像集。
67.具体的，可以基于降维算法，例如：主成分分析算法(principal componentanalysis，pca)或因子分析(factor analysis，fa)等算法进行降维。可以理解的是，通过降维可以让算法运算更快，效果更好，并实现数据可视化。示例性的，通过降维算法可以将目标特征向量的维度降低，例如将1000维度的目标特征向量降低至40维度的目标特征向量。
68.可以理解的是，本发明通过对预设搜索图像进行处理后得到多个局部区域图像，可以增加局部区域图像数量，增加预设搜索对象的信息量，从而提高预设搜索对象对应的目标特征向量的确定精度。且是先在大量的特征向量中进行分类处理，确定出目标特征向量，再基于目标特征向量进行图像搜索，由于目标分类模型是与预设搜索图像对应的，所以所确定出的目标特征向量可以作为预设搜索对象的关键特征信息，从而本发明可以仅基于目标特征向量确定存在目标对象的图像，可以忽略搜索图像中背景信息等对搜索结果的影响，提高了图像搜索精度和搜索效率，可以忽略视角等噪声数据，提升算法的鲁棒性。
69.图2示出了又一种图像搜索方法的流程图，如图2所示，该方法包括：
70.s100、获取预设搜索图像、目标分类模型以及预设分类阈值。
71.s102、根据预设搜索图像，确定多个局部区域图像。
72.具体的，在本技术实施例中，步骤s102可以基于如下步骤实现：
73.s200、对预设搜索图像进行随机划分，以随机确定出具有第一尺寸的区域。
74.具体的，可以对预设搜索图像进行随机划分，以随机确定出一个具有第一尺寸的区域，该第一尺寸中包含有预设搜索图像中的预设搜索对象。示例性的，第一尺寸可以是用户自行确定的尺寸。例如，第一尺寸可以是包含预设搜索对象的正方形尺寸。
75.优选的，在对预设搜索图像进行随机划分之前，还可以对预设搜索图像进行中心裁剪处理，示例性的，可以将预设搜索图像进行中心裁剪处理后得到正方形图片。例如，可以对上述距离的300mm
×
270mm尺寸的预设搜索图像进行中心裁剪后得到250mm
×
250mm的图像，进而对中心裁剪后的图像进行随机划分，例如可以将中心裁剪后的250mm
×
250mm的图像进行随机划分为第一尺寸为224mm
×
224mm的区域。的可以理解的是，对预设搜素图像进行中心裁剪，可以统一划分尺寸，且可以减少图像占据的内存。
76.s202、对第一尺寸的区域对应的图像进行分辨率的变化处理，得到多个分辨率不同的局部区域图像。
77.具体的对第一尺寸的区域对应的图像进行分辨率的变化处理，可以是对第一尺寸的区域对应的图像进行分辨率的尺度变化，得到多个分辨率不同的局部区域图像。具体的，多个分辨率不同的局部区域图像可以被构建为图像金字塔。具体的，通过对预设搜素图像进行分辨率的多尺度处理，可以增加局部区域图像的数量，从而预设搜索图像中预设搜索
对象对应的目标特征向量的数量，提高搜索精度。
78.s104、对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
79.s106、将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果。
80.s108、将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量。
81.s110、根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。
82.可以理解的是，本实施例中的未介绍步骤，请参照前述介绍，这里不进行赘述。
83.图3示出了又一种图像搜索方法的流程图，如图3所示，该方法包括：
84.s100、获取预设搜索图像、目标分类模型以及预设分类阈值。
85.s102、根据预设搜索图像，确定多个局部区域图像。
86.具体的，在本技术实施例中，步骤s102可以基于如下步骤实现：
87.s300、对预设搜索图像进行随机划分，以随机确定出多个具有第一尺寸的多个区域。
88.具体的，可以对预设搜索图像进行多次随机划分，以随机确定出多个具有第一尺寸的区域。示例性的，第一尺寸可以是用户自行确定的尺寸。例如，第一尺寸可以是包含预设搜索对象的正方形尺寸。
89.优选的，在对预设搜索图像进行随机划分之前，还可以对预设搜索图像进行中心裁剪处理，示例性的，可以将预设搜索图像进行中心裁剪处理后得到正方形图片。例如，可以对上述距离的300mm
×
270mm尺寸的预设搜索图像进行中心裁剪后得到250mm
×
250mm的图像，进而对中心裁剪后的图像进行随机划分，例如可以将中心裁剪后的250mm
×
250mm的图像进行随机划分为第一尺寸为224mm
×
224mm的区域。的可以理解的是，对预设搜素图像进行中心裁剪，可以统一划分尺寸，且可以减少图像占据的内存。
90.s302、将每个具有第一尺寸的区域对应的图像，确定为局部区域图像，以得到多个局部区域图像。
91.s104、对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
92.s106、将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果。
93.s108、将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量。
94.s110、根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。
95.可以理解的是，本实施例中的未介绍步骤，请参照前述介绍，这里不进行赘述。
96.图4示出了又一种图像搜索方法的流程图，如图4所示，该方法包括：
97.s100、获取预设搜索图像、目标分类模型以及预设分类阈值。
98.进一步的，目标分类模型与预设搜索图像对应。即目标分类模型是基于预设搜索图像中的预设搜索对象所确定的模型。在获取到预设搜索图像后，可以先基于预设搜索图像中的预设搜索对象进行模型训练，以得到关于预设搜索对象的目标分类模型。示例性的，目标分类模型的训练可以基于残差网络(residual network)进行训练实现。示例性的，目标分类模型可以基于如下步骤进行确定：
99.s400、根据预设搜索图像，确定多个预设训练图像，每个预设训练图像中包括预设搜索对象。
100.具体的，可以对预设搜索图像进行多次随机划分，以随机确定出多个具有第二尺寸的区域。优选的，在对预设搜索图像进行随机划分之前，还可以对预设搜索图像进行中心裁剪处理，示例性的，可以将预设搜索图像进行中心裁剪处理后得到正方形图片。例如，可以对上述距离的300mm
×
270mm尺寸的预设搜索图像进行中心裁剪后得到250mm
×
250mm的图像。可以理解的是，对预设搜素图像进行中心裁剪，可以统一划分尺寸，且可以减少图像占据的内存。
101.s402、将每个具有第二尺寸的区域对应的图像，确定为预设训练图像，以得到多个预设训练图像。
102.s404、对多个预设训练图像进行训练，得到目标分类模型。
103.示例性的，可以将多个预设训练图像输入残差网络(residual network)中，进行模型训练，已得到关于预设搜索对象的目标分类模型。
104.可以理解的是，在确定出需要搜索的预设搜索图像后，先进行关于预设搜索图像中预设搜索对象的目标分类模型的训练。
105.s102、根据预设搜索图像，确定多个局部区域图像。
106.s104、对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
107.s106、将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果。
108.s108、将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量。
109.s110、根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。
110.进一步的，如图5所示，还公开了一种图像搜索装置，装置包括：
111.获取模块，用于获取预设搜索图像、目标分类模型以及预设分类阈值，目标分类模型与预设搜索图像对应；
112.局部区域图像确定模块，用于根据预设搜索图像，确定多个局部区域图像，局部区域图像包括预设搜索对象；
113.特征向量确定模块，用于对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；
114.分类结果确定模块，用于将多个局部区域图像各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；
115.目标特征向量确定模块，用于将分类结果达到预设分类阈值的局部特征向量确定为目标特征向量；
116.图像集确定模块，用于根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。
117.进一步的，局部区域图像确定模块包括：
118.第一划分单元，用于对预设搜索图像进行随机划分，以随机确定出具有第一尺寸的区域。
119.第一局部区域图像确定单元，，用于对第一尺寸的区域对应的图像进行分辨率的
变化处理，得到多个分辨率不同的局部区域图像。
120.进一步的，局部区域图像确定模块还包括：
121.第二划分单元，用于对预设搜索图像进行多次随机划分，以随机确定出多个具有第一尺寸的区域。
122.第二局部区域图像确定单元，用于将每个具有第一尺寸的区域对应的图像，确定为局部区域图像，以得到多个局部区域图像。
123.进一步的，特征向量确定模块包括：
124.特征向量确定单元，用于基于全卷积网络对对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。
125.进一步的，装置还包括：
126.预设训练图像确定模块，用于根据预设搜索图像，确定多个预设训练图像，每个预设训练图像中包括预设搜索对象；
127.目标分类模型训练模块，用于对多个预设训练图像进行训练，得到目标分类模型。
128.进一步的，预设训练图像确定模块包括：
129.第三划分单元，用于对预设搜索图像进行多次随机划分，以随机确定出多个具有第二尺寸的区域；
130.预设训练图像确定单元，用于将每个具有第二尺寸的区域对应的图像，确定为预设训练图像，以得到多个预设训练图像。
131.进一步的，图像集确定模块包括：
132.目标搜索特征向量确定单元，用于对目标特征向量进行降维处理，得到降维后的目标搜索特征向量；
133.图像集确定单元，用于根据目标搜索特征向量进行图像搜索，得到包括预设搜索对象的图像集。
134.本实施例中一种车辆定位装置中各模块的实现方案参见上述方法的各处理步骤，此处不再赘述。
135.进一步的，本技术还公开了一种电子设备，包括：
136.处理器；
137.用于存储处理器可执行指令的存储器；
138.其中，处理器被配置为执行指令，以实现上述的图像搜索方法。
139.示例性的，图6是根据一示例性实施例示出的一种用于图像搜索的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像搜索方法。
140.本领域技术人员可以理解，图6中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
141.进一步的，本技术还公开了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述的图像搜索方法。
142.计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
143.在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的图像搜索方法。
144.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
145.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
146.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
147.值得注意的是，上述装置及终端实施例中，所包括的各个模块和单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各模块和单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
148.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或者单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
149.以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种图像搜索方法，其特征在于，所述方法包括：获取预设搜索图像、目标分类模型以及预设分类阈值，所述目标分类模型与所述预设搜索图像对应；根据所述预设搜索图像，确定多个局部区域图像，所述局部区域图像包括预设搜索对象；对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；将多个局部区域图像各自对应的特征向量输入所述目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；将所述分类结果达到所述预设分类阈值的局部特征向量确定为目标特征向量；根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。2.根据权利要求1所述的图像搜索方法，其特征在于，所述根据所述预设搜索图像，确定多个局部区域图像包括：对所述预设搜索图像进行随机划分，以随机确定出具有第一尺寸的区域；对所述第一尺寸的区域对应的图像进行分辨率的变化处理，得到多个分辨率不同的局部区域图像。3.根据权利要求1所述的图像搜索方法，其特征在于，所述根据所述预设搜索图像，确定多个局部区域图像包括：对所述预设搜索图像进行多次随机划分，以随机确定出多个具有第一尺寸的区域；将每个具有第一尺寸的区域对应的图像，确定为局部区域图像，以得到多个局部区域图像。4.根据权利要求2所述的图像搜索方法，其特征在于，所述对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量包括：基于全卷积网络对对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量。5.根据权利要求1所述的图像搜索方法，其特征在于，所述获取目标分类模型之前，所述方法还包括：根据所述预设搜索图像，确定多个预设训练图像，每个预设训练图像中包括所述预设搜索对象；对所述多个预设训练图像进行训练，得到所述目标分类模型。6.根据权利要求5所述的图像搜索方法，其特征在于，所述根据所述预设搜索图像，确定多个预设训练图像包括：对所述预设搜索图像进行多次随机划分，以随机确定出多个具有第二尺寸的区域；将每个具有第二尺寸的区域对应的图像，确定为预设训练图像，以得到所述多个预设训练图像。7.根据权利要求1所述的图像搜索方法，其特征在于，所述根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集包括：对所述目标特征向量进行降维处理，得到降维后的目标搜索特征向量；根据所述目标搜索特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。8.一种图像搜索装置，其特征在于，所述装置包括：
获取模块，用于获取预设搜索图像、目标分类模型以及预设分类阈值，所述目标分类模型与所述预设搜索图像对应；局部区域图像确定模块，用于根据所述预设搜索图像，确定多个局部区域图像，所述局部区域图像包括预设搜索对象；特征向量确定模块，用于对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；分类结果确定模块，用于将多个局部区域图像各自对应的特征向量输入所述目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；目标特征向量确定模块，用于将所述分类结果达到所述预设分类阈值的局部特征向量确定为目标特征向量；图像集确定模块，用于根据所述目标特征向量进行图像搜索，得到包括所述预设搜索对象的图像集。9.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的图像搜索方法。10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至7中任一项所述的图像搜索方法。

技术总结
本发明涉及一种图像搜索方法、装置、设备及存储介质，方法包括：获取预设搜索图像、目标分类模型以及预设分类阈值；根据预设搜索图像，确定包括预设搜索对象的多个局部区域图像；对每个局部区域图像进行特征提取，得到多个局部区域图像各自对应的特征向量；将各自对应的特征向量输入目标分类模型中进行分类处理，确定每个局部特征向量对应的分类结果；将分类结果达到分类阈值的局部特征向量确定为目标特征向量；根据目标特征向量进行图像搜索，得到包括预设搜索对象的图像集。本发明通可以仅基于目标特征向量确定存在目标对象的图像，可以忽略搜索图像中背景信息等对搜索结果的影响，提高了图像搜索精度和搜索效率。提高了图像搜索精度和搜索效率。提高了图像搜索精度和搜索效率。


技术研发人员：丁华杰 周伟
受保护的技术使用者：中汽创智科技有限公司
技术研发日：2021.11.30
技术公布日：2022/3/8