本發(fā)明涉及計算機(jī)多媒體
技術(shù)領(lǐng)域：
，尤其涉及一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法。
背景技術(shù)：
：隨著信息技術(shù)的飛速發(fā)展，尤其是網(wǎng)絡(luò)通信技術(shù)和多媒體技術(shù)的應(yīng)用，圖像已成為互聯(lián)網(wǎng)上信息傳輸?shù)闹匾獌?nèi)容。相應(yīng)地，為了有效防止網(wǎng)絡(luò)多媒體盜版事件的發(fā)生，針對網(wǎng)絡(luò)圖像的版權(quán)保護(hù)也獲得了廣泛的重視?？截悎D像，即查詢圖像與參考圖像之間存在某種圖像變換，或者說，查詢圖像是由參考圖像通過各種圖像編輯操作得到。關(guān)于拷貝圖像檢測的研究，主要集中在以下三個方面：圖像表示方式、快速檢索方法、相似性度量方法。根據(jù)圖像表示方式的不同，當(dāng)前的兩類主要框架分別是基于全局特征方法和基于局部特征方法?；谌痔卣鞣椒▽D像描述為一個全局的特征向量或者描述子，通過計算圖像特征向量或描述子之間的距離來度量圖像的相似性。同時，在相似性度量方法方面，其與圖像表示方法相關(guān)聯(lián)，基于不同的圖像表示方法一般會采用不同的相似性度量方法。但是該方法需要順序計算特征向量之間的距離，因此效率較低，同時，對圖像的裁剪、平移、加框、Logo添加等變換操作魯棒性較差?；诰植刻卣鞣椒▽D像描述為局部特征的集合，并將文本檢索中詞袋模型應(yīng)用于拷貝圖像檢測中。最常用的局部特征描述方法有：PCA-SIFT、SIFT、PM-DFT、LocalDifferencePattern、多分辨率直方圖等。基于局部特征方法雖然魯棒性較高，能處理當(dāng)前各種圖像編輯操作。但是由于圖像規(guī)模非常大，而在將圖像表示視覺詞匯集合時，損失了視覺詞匯的位置信息，以及在利用量化方法得到視覺詞匯時也損失了局部描述子的信息量。所以基于局部特征的方法效率和準(zhǔn)確率都較低。技術(shù)實現(xiàn)要素：本發(fā)明的目的之一在于提供一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法，以解決在拷貝圖像檢測問題中，基于深度學(xué)習(xí)進(jìn)行圖像特征抽取以構(gòu)建具有唯一性和魯棒性的特征表示的問題。本發(fā)明的發(fā)明目的是通過下述技術(shù)方案來實現(xiàn)的：一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法包括如下步驟：通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建訓(xùn)練圖像的特征圖像；對訓(xùn)練圖像的特征圖像進(jìn)行特征表示；根據(jù)訓(xùn)練圖像特征表示的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；利用目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取拷貝圖像的特征表示。進(jìn)一步的，本發(fā)明提供的一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法具體包括如下步驟：步驟S1：選取訓(xùn)練圖像，并對所述訓(xùn)練圖像進(jìn)行預(yù)處理；步驟S2：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像；步驟S3：提取步驟S2中得到的特征圖像的特征表示；步驟S4：根據(jù)步驟S3中得到的特征表示度量訓(xùn)練圖像間的相似度；步驟S5：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；步驟S6：利用步驟S5得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征表示。進(jìn)一步的，所述步驟S2：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像，具體包括如下步驟：步驟S2.1：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中的C1卷積層，對訓(xùn)練圖像進(jìn)行卷積操作，輸出C1卷積層特征圖像；步驟S2.2：將步驟S2.1中得到的C1卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S2下采樣層，將C1卷積層特征圖像切分為子區(qū)域，取每個區(qū)域的最大值，進(jìn)行最大池化(maxpooling)，輸出S2下采樣層特征圖像；步驟S2.3：將步驟S2.2中得到的S2下采樣層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的C3卷積層，對S2下采樣層特征圖像進(jìn)行卷積操作，輸出C3卷積層特征圖像；步驟S2.4：將步驟S2.3中得到的C3卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S4下采樣層，將C3卷積層特征圖像切分為子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出S4下采樣層特征圖像。進(jìn)一步的，所述步驟S2：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像，具體包括如下步驟：步驟S2.1.1：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中的C1卷積層，通過64個11×11的濾波器，使用4個像素的步長，對經(jīng)過預(yù)處理的訓(xùn)練圖像進(jìn)行卷積操作，輸出64×56×56的C1卷積層特征圖像；步驟S2.2.1：將步驟S2.1.1中得到的每幅56×56的C1卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S2下采樣層，將C1卷積層特征圖像切分為28×28個子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出64×28×28的S2下采樣層特征圖像；步驟S2.3.1：將步驟S2.2.1中得到的S2下采樣層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的C3卷積層，通過128個5×5的濾波器，使用1個像素的步長，對S2下采樣層特征圖像進(jìn)行卷積操作，輸出128×24×24的C3卷積層特征圖像；步驟S2.4.1：將步驟S2.3.1中得到的每幅24×24的C3卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S4下采樣層，將C3卷積層特征圖像切分為12×12個子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出128×12×12的S4下采樣層特征圖像。進(jìn)一步的，所述步驟S3：提取步驟S2中得到的特征圖像的特征表示，具體包括如下步驟：步驟S3.1：將步驟S2中得到的特征圖像輸入到全連接層進(jìn)行全連接，輸出特征圖像的特征表示；步驟S3.2：對步驟S3.1中得到的特征圖像的特征表示進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到特征圖像的二進(jìn)制特征表示。進(jìn)一步的，所述步驟S3：提取步驟S2中得到的特征圖像的特征表示，具體包括如下步驟：步驟S3.1.1：將步驟S2中得到的特征圖像輸入到全連接層與m個sigmoid類型的節(jié)點進(jìn)行全連接，輸出特征圖像的特征表示為m維特征向量(x1,，x2，…，xm)；步驟S3.2.1：對全連接層輸出的m維特征向量(x1,，x2，…，xm)進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到特征圖像的二進(jìn)制特征向量；所述二進(jìn)制特征轉(zhuǎn)換方式為：xk=0,xk<0.51,xk≥0.5,k=1,2,...,m.]]>進(jìn)一步的，所述步驟S4：根據(jù)步驟S3中得到的特征表示度量圖像間的相似度，具體包括如下步驟：根據(jù)步驟S3中得到的特征表示利用漢明距離方法度量圖像間的相似度，所述漢明距離方法為：度量特征表示分別為(x1,，x2，…，xm)和(y1,，y2，…，ym)的圖像間的相似度為進(jìn)一步的，所述步驟S5中：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟，具體包括如下步驟：步驟S5.1：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；步驟S5.2：根據(jù)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)更新卷積神經(jīng)網(wǎng)絡(luò)，重復(fù)上述步驟S2到步驟S4，直至訓(xùn)練圖像的相似度不再變化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。進(jìn)一步的，所述步驟S5.1：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化的步驟中，具體包括如下步驟：根據(jù)步驟S4中得到的相似度，通過二項式偏差函數(shù)，利用梯度下降的方法，對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；所述二項式偏差函數(shù)為：其中相似度矩陣S＝[Sij]n×n，矩陣M＝[Mij]n×n，矩陣W＝[Wij]n×n，進(jìn)一步的，所述步驟S6：利用步驟S5得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征向量的步驟中，具體包括如下步驟：步驟S6.1：對拷貝圖像進(jìn)行預(yù)處理；步驟S6.2：將步驟S6.1中經(jīng)預(yù)處理的拷貝圖像輸入到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，輸出拷貝圖像的特征圖像；步驟S6.3：將步驟S6.2中得到的拷貝圖像的特征圖像進(jìn)行全連接，得到拷貝圖像的特征表示；步驟S6.4：將步驟S6.3中的到的拷貝圖像的特征表示進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到拷貝圖像的二進(jìn)制特征表示。本發(fā)明的有益效果：(1)本發(fā)明以深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提高了圖像特征表示的唯一性與魯棒性；(2)本發(fā)明采用的卷積神經(jīng)網(wǎng)絡(luò)的一個映射面上的神經(jīng)元共享權(quán)值，降低了網(wǎng)絡(luò)訓(xùn)練的復(fù)雜程度，效率更高；(3)本發(fā)明采用了二項式偏差函數(shù)作為損失函數(shù)，并利用梯度下降的策略來優(yōu)化網(wǎng)絡(luò)參數(shù)，經(jīng)過多次訓(xùn)練后，會得到較優(yōu)的圖像特征表示，從而提高了特征提取的準(zhǔn)確率。附圖說明圖1為實施例中基于深度學(xué)習(xí)的拷貝圖像特征提取方法的流程圖；圖2為實施例中步驟S2：將經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像的方法流程圖；圖3為實施例中步驟S6：利用步驟S5得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征表示的方法流程圖。具體實施方式下文將結(jié)合具體實施方式詳細(xì)描述本發(fā)明。應(yīng)當(dāng)注意的是，下述實施例中描述的技術(shù)特征或者技術(shù)特征的組合不應(yīng)當(dāng)被認(rèn)為是孤立的，它們可以被相互組合從而達(dá)到更好的技術(shù)效果。本發(fā)明提供的一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法包括如下步驟：通過卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建訓(xùn)練圖像的特征圖像；對訓(xùn)練圖像的特征圖像進(jìn)行特征表示；根據(jù)訓(xùn)練圖像特征表示的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；利用目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)提取拷貝圖像的特征表示。如圖1-3所示，本發(fā)明提供的一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法具體包括如下步驟：步驟S1：選取訓(xùn)練圖像，并對所述訓(xùn)練圖像進(jìn)行預(yù)處理；步驟S2：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像；步驟S3：提取步驟S2中得到的特征圖像的特征表示；步驟S4：根據(jù)步驟S3中得到的特征表示度量訓(xùn)練圖像間的相似度；步驟S5：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；步驟S6：利用步驟S5得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征表示。進(jìn)一步的，所述步驟S2：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像，具體包括如下步驟：步驟S2.1：將步驟S1中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中的C1卷積層，對訓(xùn)練圖像進(jìn)行卷積操作，輸出C1卷積層特征圖像；步驟S2.2：將步驟S2.1中得到的C1卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S2下采樣層，將C1卷積層特征圖像切分為子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出S2下采樣層特征圖像；步驟S2.3：將步驟S2.2中得到的S2下采樣層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的C3卷積層，對S2下采樣層特征圖像進(jìn)行卷積操作，輸出C3卷積層特征圖像；步驟S2.4：將步驟S2.3中得到的C3卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S4下采樣層，將C3卷積層特征圖像切分為子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出S4下采樣層特征圖像。進(jìn)一步的，所述步驟S3：提取步驟S2中得到的特征圖像的特征表示，具體包括如下步驟：步驟S3.1：將步驟S2中得到的特征圖像輸入到全連接層進(jìn)行全連接，輸出特征圖像的特征表示；步驟S3.2：對步驟S3.1中得到的特征圖像的特征表示進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到特征圖像的二進(jìn)制特征表示。進(jìn)一步的，所述步驟S4：根據(jù)步驟S3中得到的特征表示度量圖像間的相似度，具體包括如下步驟：根據(jù)步驟S3中得到的特征表示利用漢明距離方法度量圖像間的相似度，具體的，漢明距離方法為：度量特征表示分別為(x1,，x2，…，xm)和(y1,，y2，…，ym)的圖像間的相似度為進(jìn)一步的，所述步驟S5中：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟，具體包括如下步驟：步驟S5.1：根據(jù)步驟S4中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；步驟S5.2：根據(jù)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)更新卷積神經(jīng)網(wǎng)絡(luò)，重復(fù)上述步驟S2到步驟S4，直至訓(xùn)練圖像的相似度不再變化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。進(jìn)一步的，所述步驟S6：利用步驟S5得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征向量的步驟中，具體包括如下步驟：步驟S6.1：對拷貝圖像進(jìn)行預(yù)處理；步驟S6.2：將步驟S6.1中經(jīng)預(yù)處理的拷貝圖像輸入到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，輸出拷貝圖像的特征圖像；步驟S6.3：將步驟S6.2中得到的拷貝圖像的特征圖像進(jìn)行全連接，得到拷貝圖像的特征表示；步驟S6.4：將步驟S6.3中的到的拷貝圖像的特征表示進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到拷貝圖像的二進(jìn)制特征表示。實施例本發(fā)明提供的一種基于深度學(xué)習(xí)的拷貝圖像特征提取方法具體包括如下步驟：(1)選取2張圖像作為訓(xùn)練圖像，并對該2張訓(xùn)練圖像進(jìn)行預(yù)處理，即將訓(xùn)練圖像尺寸調(diào)整為224×224像素；(2)將步驟(1)中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行卷積、切分處理，得到訓(xùn)練圖像的特征圖像，具體包括如下步驟：(2.1)將步驟(1)中經(jīng)過預(yù)處理的訓(xùn)練圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的C1卷積層，通過64個11×11的濾波器，使用4個像素的步長，對訓(xùn)練圖像進(jìn)行卷積操作，輸出64×56×56的C1卷積層特征圖像；(2.2)將步驟(2.1)中得到的每幅56×56的C1卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S2下采樣層，將C1卷積層特征圖像切分為28×28個子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出64×28×28的S2下采樣層特征圖像；(2.3)將步驟(2.2)中得到的S2下采樣層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的C3卷積層，通過128個5×5的濾波器，使用1個像素的步長，對S2下采樣層特征圖像進(jìn)行卷積操作，輸出128×24×24的C3卷積層特征圖像；(2.4)將步驟(2.3)中得到的每幅24×24的C3卷積層特征圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中的S4下采樣層，將C3卷積層特征圖像切分為12×12個子區(qū)域，取每個區(qū)域的最大值，進(jìn)行maxpooling，輸出128×12×12的S4下采樣層特征圖像。(3)提取步驟(2)中得到的特征圖像的特征表示，具體包括如下步驟：(3.1)將步驟(2)中得到的特征圖像輸入到全連接層與500個節(jié)點進(jìn)行全連接，所述節(jié)點類型為sigmoid函數(shù)，輸出特征圖像的特征表示為500維特征向量(x1,，x2，…，x500)；(3.2)對全連接層輸出的500維特征向量(x1,，x2，…，x500)進(jìn)行二進(jìn)制特征轉(zhuǎn)換，得到特征圖像的二進(jìn)制特征向量；所述二進(jìn)制特征轉(zhuǎn)換方式為：xk=0,xk<0.51,xk≥0.5,k=1,2,...,500.]]>(4)根據(jù)步驟(3)中得到的特征表示利用漢明距離方法度量圖像間的相似度，具體的，特征圖像的特征表示分別為(x1,，x2，…，x500)和(y1,，y2，…，y500)的圖像間的相似度為(5)根據(jù)步驟(4)中得到的相似度對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的步驟，具體包括如下步驟：(5.1)根據(jù)步驟(4)中得到的相似度，通過二項式偏差函數(shù)，利用梯度下降的方法，對卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；所述二項式偏差函數(shù)為：其中相似度矩陣S＝[Sij]n×n，矩陣M＝[Mij]n×n，矩陣W＝[Wij]n×n，本發(fā)明因為采用了二項式偏差函數(shù)作為損失函數(shù)，并利用梯度下降的策略來優(yōu)化網(wǎng)絡(luò)參數(shù)，經(jīng)過多次訓(xùn)練后，會得到較優(yōu)的圖像特征表示。(5.2)利用優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)參數(shù)更新卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，重復(fù)上述步驟(2)到步驟(4)，直至訓(xùn)練圖像的相似度不再變化，最后訓(xùn)練得到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。(6)利用步驟(5)得到的目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提取拷貝圖像的特征向量的步驟中，具體包括如下步驟：(6.1)對拷貝圖像Image(A)進(jìn)行預(yù)處理，即將圖像的尺寸調(diào)整為224×224像素；(6.2)將步驟S6.1中經(jīng)預(yù)處理的拷貝圖像輸入到目標(biāo)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，輸出拷貝圖像的特征圖像；(6.3)將步驟S6.2中得到的拷貝圖像的特征圖像與500個sigmoid類型的節(jié)點進(jìn)行全連接，得到拷貝圖像的特征表示為500維的特征向量(a1,，a2，…，a500)。；(6.4)將步驟S6.3中的到的拷貝圖像的特征表示進(jìn)行如下二進(jìn)制特征轉(zhuǎn)換：xk=0,xk<0.51,xk≥0.5,k=1,2,...,500]]>得到拷貝圖像的二進(jìn)制特征表示。綜上所述，本發(fā)明具有的優(yōu)勢為：(1)本發(fā)明以深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提高了圖像特征表示的唯一性與魯棒性；(2)本發(fā)明采用的卷積神經(jīng)網(wǎng)絡(luò)的一個映射面上的神經(jīng)元共享權(quán)值，降低了網(wǎng)絡(luò)訓(xùn)練的復(fù)雜程度，效率更高；(3)本發(fā)明采用了二項式偏差函數(shù)作為損失函數(shù)，并利用梯度下降的策略來優(yōu)化網(wǎng)絡(luò)參數(shù)，經(jīng)過多次訓(xùn)練后，會得到較優(yōu)的圖像特征表示，從而提高了特征提取的準(zhǔn)確率。當(dāng)然應(yīng)意識到，雖然通過本發(fā)明的示例已經(jīng)進(jìn)行了前面的描述，但是對本發(fā)明做出的將對本領(lǐng)域的技術(shù)人員顯而易見的這樣和其他的改進(jìn)及改變應(yīng)認(rèn)為落入如本文提出的本發(fā)明寬廣范圍內(nèi)。因此，盡管本發(fā)明已經(jīng)參照了優(yōu)選的實施方式進(jìn)行描述，但是，其意并不是使具新穎性的設(shè)備由此而受到限制，相反，其旨在包括符合上述公開部分、權(quán)利要求的廣闊范圍之內(nèi)的各種改進(jìn)和等同修改。當(dāng)前第1頁1 2 3