图像列表的排序方法和装置、存储介质及电子装置与流程
本发明涉及图像识别领域，具体而言，涉及一种图像列表的排序方法和装置、存储介质及电子装置。
背景技术：
相关技术中，人脸重识别(personre-identification，简称为personre-id)是计算机视觉中的一个具有挑战性的课题。一般来说，人脸重识别personre-id可以被看作是一个检索问题。人脸重识别是希望能够利用计算机视觉的算法来进行跨摄像头的追踪，也就是找到不同摄像头下的同一个人。给定一个人脸搜索图像，希望在数据库中搜索包含处于跨摄像头模式下的相同行人的图像。在获得初始排序列表之后，排序效果好的实践方案包括添加重排序re-ranking步骤，期望相关性更高的图像获得更高的排名，因此相关技术中人脸重识别的重点在于重排序re-ranking的精度。
相关技术中重排序re-ranking方法用于提高目标检索精度。相关技术中利用k近邻算法(k-nearestneighbors)来探索相似关系来解决重排序re-ranking问题。
相关技术中重排序re-ranking的方案很大程度上依赖于初始的排序列表的质量。相关技术方案中利用初始列表中排名靠前的图像之间的相似关系。假设重排序后返回的图像在搜索图像的k最近邻范围内，那么返回图像可能是一个与搜索图像匹配度较高的图像，但是如果错误的匹配图像被包含在k近邻中，则返回也可能偏离最佳情况。
针对上述的由于无法准确地获取图像之间相似程度导致的排序结果不准确的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种图像列表的排序方法和装置、存储介质及电子装置，以至少解决由于无法准确地获取图像之间相似程度导致的排序结果不准确的技术问题。
根据本发明实施例的一个方面，提供了一种图像列表的排序方法，包括：从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，所述第一初始图像列表中的图像按照第一相似度排序，所述第一相似度为所述第一初始图像列表中的图像与所述目标图像之间的第一距离；获取所述第一初始图像列表中每张图像与所述目标图像之间的至少一个第二距离；根据所述第二距离确定所述第一初始图像列表中每张图像与所述目标图像之间的第二相似度；按照所述第二相似度对所述第一初始图像列表进行排序，得到目标图像列表。
根据本发明的另一个方面，还提供了一种图像列表的排序装置，包括：第一获取模块，用于从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，所述第一初始图像列表中的图像按照第一相似度排序，所述第一相似度为所述第一初始图像列表中的图像与所述目标图像之间的第一距离；第二获取模块，用于获取所述第一初始图像列表中每张图像与所述目标图像之间的至少一个第二距离；确定模块，用于根据所述第二距离确定所述第一初始图像列表中每张图像与所述目标图像之间的第二相似度；排序模块，用于按照所述第二相似度对所述第一初始图像列表进行排序，得到目标图像列表。
可选地，所述确定模块还用于遍历所述第一初始图像列表，将每张图像作为第一图像，执行以下步骤：确定出所述第一初始图像列表中第一图像与所述目标图像之间的所述第一距离及所述第二距离；将所述第一距离及所述第二距离输入距离组合模型，其中，所述距离组合模型为利用多个样本数据进行训练后所得到的，所述距离组合模型用于对所述第一距离及所述第二距离进行加权求和得到第二相似度；获取所述距离组合模型输出的输出结果，其中，所述输出结果中包含有所述第一图像与所述目标图像之间的第二相似度。
可选地，所述确定模块还用于通过所述距离组合模型确定所述第一距离对应的第一权重，及所述第二距离对应的第二权重；利用所述第一权重和所述第二权重，对所述第一距离及所述第二距离进行加权求和，以得到所述第一图像与所述目标图像之间的第二相似度。
可选地，所述第二获取模块还包括以下至少之一：获取所述每张图像与所述目标图像之间的排序rank-order距离；获取所述每张图像与所述目标图像之间的杰卡德jaccard距离。
可选地，所述第二获取模块获取所述每张图像与所述目标图像之间的rank-order距离包括：遍历所述第一初始图像列表，将所述每张图像作为第一图像，执行以下步骤：获取所述目标图像的所述第一初始图像列表，以及所述第一图像的第二初始图像列表，其中，从第二图像数据库中获取与所述第一图像关联的第二初始图像列表，所述第二初始图像列表中的图像按照第一相似度排序，所述第一相似度为所述第二初始图像列表中的图像与所述第一图像之间的第一距离，所述第二图像数据库包括所述第一图像数据库和所述目标图像；获取所述第一初始图像列表中的图像在所述第二初始图像列表中的第一位置序号，以及所述第二初始图像列表中的图像在所述第一初始图像列表的第二位置序号，所述目标图像在所述第二初始图像列表中的第三位置序号，所述第一图像在所述第一初始图像列表中的第四位置序号；依据所述第一位置序号、所述第二位置序号，所述第三位置序号和所述第四位置序号，得到所述第一图像与所述目标图像之间的rank-order距离。
可选地，通过以下公式获取所述第一图像与所述目标图像之间的rank-order距离dr(q，gi)，所述目标图像记为q，所述第一图像记为gi：
其中，fq(j)表示所述目标图像q的所述第一初始图像列表中的第j个图像，
可选地，所述第二获取模块获取所述每张图像与所述目标图像之间的jaccard距离包括：遍历所述第一初始图像列表，将所述每张图像作为第一图像，执行以下步骤：获取与所述目标图像对应的第一k近邻图像集合，及与所述第一图像对应的第二k近邻图像集合；获取所述第二k近邻图像集合与所述第一k近邻图像集合之间的交集和并集；根据所述交集和所述并集确定所述第一图像与所述目标图像之间的所述jaccard距离。可选地，根据交集和并集的比值确定两个图像的jaccard系数，1与jaccard系数的差值即为jaccard距离。
可选地，所述第二获取模块还用于通过以下公式获取所述每张图像与所述目标图像之间的jaccard距离
其中，
根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述图像列表的排序方法。
根据本发明实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的图像列表的排序方法。
在本发明实施例中，从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，该第一初始图像列表中的图像按照第一相似度排序，该第一相似度为该第一初始图像列表中的图像与该目标图像之间的第一距离；获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离；根据该第二距离确定该第一初始图像列表中每张图像与该目标图像之间的第二相似度；按照该第二相似度对该第一初始图像列表进行排序，得到目标图像列表。采用获取目标图像与第一图像数据库中每张图像的第二距离对第一初始图像列表进行调整的方式，从更多角度确定图像之间的相似程度，以此得到更为精准的相似程度判断结果，使得图像排序的准确度大幅提升，进而解决了由于无法准确地获取图像之间相似程度导致的排序结果不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例图像列表的排序方法的应用场景示意图；
图2是根据本发明实施例的图像列表的排序方法的流程图；
图3是根据本发明实施例的图像列表的排序方法的方案场景示意图；
图4是根据本发明实施例的图像列表的排序装置的结构示意图一；
图5是根据本发明实施例的图像列表的排序装置的结构示意图二；
图6是根据本发明实施例的图像列表的排序装置的结构示意图三；
图7是根据本发明实施例的图像列表的排序装置的结构示意图四；
图8是根据本发明实施例的实施图像列表的排序方法的电子装置的结构示意图。
具体实施方式
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。
需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了降低受噪声数据干扰，本申请引入rank-order去约束，当且仅当两者都在对方的k近邻且其邻居也互相处于对方的k近邻时，才判定两者的相似度。在相关技术中简单的依据原始特征的欧式距离度量下，引入jaccard距离，加入对上下文信息的考量。进一步为了降低噪声干扰，引入rank-order距离，三者在一定程度上共同去决定两个图像的真实距离。
对于多种距离度量后，本申请可以直接采用人为判定的方式去组合，可以通过二分类网络进行监督学习，以获得更为细致的加权方案，从而更真实的反映三个距离对图像之间的相似程度的影响。
在本申请的一个实施例中，提供了依据多种距离进行排序的方案，旨在提升re-id重识别应用场景中重排序的命中率。当将人脸重识别personre-id看作一个检索过程时，重排序re-ranking是提高其准确性的关键步骤。然而，在面对复杂场景的重识别re-id检索过程时，仅仅使用欧氏距离是远远不够的，排序效果较差。因此，在欧式距离的基础上，本申请实施例引入了排序rank-order距离以及杰卡德jaccared距离。在可选实施例中，针对这三种距离，通过浅层的神经网络学习到鲁棒性更加的图像距离度量方式，以此来完成图像排序。
根据本发明实施例的一个方面，提供了一种图像列表的排序方法，可选地，作为一种可选的实施方式，上述图像列表的排序方法可以但不限于应用于如图1所示的环境中。上述图像列表的排序方法可以但不限于应用于服务器104中，用于协助应用客户端对所发布的目标图像执行相似图像的搜索过程。其中，上述应用客户端可以但不限于运行在用户设备102中，该用户设备102可以但不限于为手机、平板电脑、笔记本电脑、pc机等支持运行应用客户端的终端设备。上述服务器104和用户设备102可以但不限于通过网络实现数据交互，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、wifi及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述仅是一种示例，本实施例中对此不作任何限定。
图1中的应用环境包括以下步骤：
步骤一，用户设备发送检索的目标图像至服务器；
步骤二，服务器在第一图像数据库中依据第一相似度检索到与目标图像相似的图像，生成第一初始图像列表；
步骤三，服务器依据第一初始图像列表中图像与目标图像的第二距离，对第一初始图像列表进行调整，得到目标图像列表；
步骤四，服务器反馈目标图像列表至用户设备。
可选地，作为一种可选的实施方式，如图2所示，上述图像列表的排序方法包括以下步骤：
步骤s202，从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，该第一初始图像列表中的图像按照第一相似度排序，该第一相似度为该第一初始图像列表中的图像与该目标图像之间的第一距离；
第一图像数据库可以是相关技术中的gallery。第一相似度可以根据两张图像之间的欧式距离计算出来的。
目标图像queryperson记为q；
第一图像数据库集合galleryset:g＝{gi|i＝1，2，…，n}，通过resnet101提取图像的特征，并度量目标图像q和第一图像数据库中的图像gi之间的欧式距离de(q，gi)，其中，resnet101是基于残差神经网络resnet(residualneruralnetwrok，简称为resnet)进行优化后得到的深度残差网络模型：
其中，xp，
图2的后续流程的目标是对第一初始图像列表进行重排序，使得更多的正样本出现在列表的前段。
步骤s204，获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离；
第二距离可以是每张图像的k近邻图像与目标图像的k近邻图像之间的杰卡德jaccard距离，或者jaccard系数，或者每张图像与目标图像的rank-order距离。k近邻图像是对一张图像执行k近邻算法，得到的与该图像在特征空间中最相似的图像集合。k近邻算法可以包括以下步骤：计算该张图像与其他图像的点与点的距离，按照距离依次排序，选取与该图像距离最小的其他图像的k个图像，将该k个图像作为k近邻图像。
在第二距离是jaccard距离时，通过以下方式获取每张图像与目标图像之间的jaccard距离包括：遍历该第一初始图像列表，将该每张图像作为第一图像，执行以下步骤：获取与该目标图像对应的第一k近邻图像集合，及与该第一图像对应的第二k近邻图像集合；获取该第二k近邻图像集合与该第一k近邻图像集合之间的交集和并集；根据该交集和该并集确定该第一图像与该目标图像之间的该jaccard距离；
在第二距离为rank-order距离时，通过以下方式获取每张图像与目标图像之间的rank-order距离包括：遍历该第一初始图像列表，将该每张图像作为第一图像，执行以下步骤：获取该目标图像的该第一初始图像列表，以及该第一图像的第二初始图像列表，其中，从第二图像数据库中获取与该第一图像关联的第二初始图像列表，该第二初始图像列表中的图像按照第一相似度排序，该第一相似度为该第二初始图像列表中的图像与该第一图像之间的第一距离，该第二图像数据库包括该第一图像数据库和该目标图像；获取该第一初始图像列表中的图像在该第二初始图像列表中的第一位置序号，以及该第二初始图像列表中的图像在该第一初始图像列表的第二位置序号，该目标图像在该第二初始图像列表中的第三位置序号，该第一图像在该第一初始图像列表中的第四位置序号；依据该第一位置序号、该第二位置序号，该第三位置序号和该第四位置序号，得到该第一图像与该目标图像之间的rank-order距离。
jaccard距离用于比较有限的样本集之间的不相似度。jaccard距离越大，样本相似度越低。与jaccard距离相关的指标叫做jaccard系数，用于描述集合之间的相似性与差异性，jaccard系数值越大，样本相似度越高。
rank-order距离用来度量两个人脸的相似度，这个距离是基于一个有趣的观察：同一个人的两张脸有许多共享的邻居，但是来自不同人的人脸的邻居通常差异很大。
步骤s206，根据该第二距离确定该第一初始图像列表中每张图像与该目标图像之间的第二相似度；
在第一距离为欧式距离，第二距离为jaccard距离和rank-order距离时，第二相似度可以基于欧式距离，jaccard距离和rank-order距离进行加权计算获得的数值。
步骤s208，按照该第二相似度对该第一初始图像列表进行排序，得到目标图像列表。
可选地，在图2流程的方案针对两张图像的全部特征进行相似度计算的基础上，可以对两张图像的局部特征进行相似度计算，辅助增减图像排序的精度。
对第一初始图像列表中的图像顺序进行调整，得到目标图像列表，保证与目标图像最相似的图像出现在目标图像列表的前方。
在本发明实施例中，采用获取目标图像与第一图像数据库中每张图像的第二距离对第一初始图像列表进行调整的方式，从更多角度确定图像之间的相似程度，以此得到更为精准的相似程度判断结果，使得图像排序的准确度大幅提升，进而解决了由于无法准确地获取图像之间相似程度导致的排序结果不准确的技术问题。
可选地，该根据该第二距离确定该初始图像列表第一初始图像列表中每张图像与该目标图像二者之间的第二相似度包括：遍历该第一初始图像列表，将每张图像作为第一图像，执行以下步骤：确定出该第一初始图像列表中第一图像与该目标图像之间的该第一距离及该第二距离；将该第一距离及该第二距离输入距离组合模型，其中，该距离组合模型为利用多个样本数据进行训练后所得到的，该距离组合模型用于对该第一距离及该第二距离进行加权求和得到第二相似度；获取该距离组合模型输出的输出结果，其中，该输出结果中包含有该第一图像与该目标图像之间的第二相似度。上述的距离组合模型可以使用二分类方法进行监督训练得到。
距离组合模型的输入为两个图像之间的欧式距离，jaccard距离，rank-order距离，用于判断两个图像中的对象是同一对象还是不同对象。在训练阶段使用简单的二分类进行训练，标注结果可以为0或1，0表示为两张图像不相同，1表示两张图像相同，通过监督训练的方式得到三种距离的最优组合加权方式。由于该网路很简单，需要极少的标注数据即可，并且一旦这种加权方式确定，则无需再新场景下重新训练，不依赖数据本身。
可选地，距离组合模型还可以通过轻量级的线性支持向量机(supportvectormachine，简称svm)，逻辑回归等机器学习模型来设计。
距离组合模型的可以为：
d*(q，gi)＝f(de(q，gi)，dj(q，gi)，dr(q，gi))；
d*(q，gi)为目标图像q与第一图像数据库中的图像gi的第二相似度；de(q，gi)为两张图像之间的欧式距离；dj(q，gi)为两张图像之间的jaccard距离，dr(q，gi)为两张图像之间的rank-order距离。
可选地，该将该第一距离及该第二距离输入距离组合模型包括：通过该距离组合模型确定该第一距离对应的第一权重，及该第二距离对应的第二权重；利用该第一权重和该第二权重，对该第一距离及该第二距离进行加权求和，以得到该第一图像与该目标图像之间的第二相似度。在第二距离为jaccard距离和rank-order距离时，jaccard距离和rank-order距离对应有不同的第二权重。采用该方案，为不同类型的距离设置不同的权重，以获取更为精确的描述两图像之间相似程度的第二相似度的数值，保证图像重排序的结果。
可选地，该获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离包括以下至少之一：获取该每张图像与该目标图像之间的rank-order距离；获取该每张图像与该目标图像之间的jaccard距离。第二距离还可以包括jaccard系数等描述不同图像之间相似程度的参数。
可选地，获取该每张图像与该目标图像之间的rank-order距离包括：遍历该第一初始图像列表，将该每张图像作为第一图像，执行以下步骤：获取该目标图像的该第一初始图像列表，以及该第一图像的第二初始图像列表，其中，从第二图像数据库中获取与该第一图像关联的第二初始图像列表，该第二初始图像列表中的图像按照第一相似度排序，该第一相似度为该第二初始图像列表中的图像与该第一图像之间的第一距离，该第二图像数据库包括该第一图像数据库和该目标图像；获取该第一初始图像列表中的图像在该第二初始图像列表中的第一位置序号，以及该第二初始图像列表中的图像在该第一初始图像列表的第二位置序号，该目标图像在该第二初始图像列表中的第三位置序号，该第一图像在该第一初始图像列表中的第四位置序号；依据该第一位置序号、该第二位置序号，该第三位置序号和该第四位置序号，得到该第一图像与该目标图像之间的rank-order距离。
可选地，通过以下公式获取该第一图像与该目标图像之间的rank-order距离dr(q，gi)，该目标图像记为q，该第一图像记为gi：
其中，fq(j)表示该目标图像q的该第一初始图像列表中的第j个图像，
可选地，获取该每张图像与该目标图像之间的jaccard距离包括：遍历该第一初始图像列表，将该每张图像作为第一图像，执行以下步骤：获取与该目标图像对应的第一k近邻图像集合，及与该第一图像对应的第二k近邻图像集合；获取该第二k近邻图像集合与该第一k近邻图像集合之间的交集和并集；根据该交集和该并集确定该第一图像与该目标图像之间的该jaccard距离。采用该方案，利用两个图像的k近邻图像集合计算出jaccard距离，为计算第二相似度提供依据。
可以通过对图像执行k近邻算法来获取k近邻图像集合。
可选地，通过以下公式获取该每张图像与该目标图像之间的jaccard距离
其中，
本申请实施例的方案场景示意图如图3所示，包括目标图像q，第一图像数据库，第一初始图像列表中的图像gi，以及q和gi的k近邻图像集合，进一步计算出q和gi的jaccard距离dj，rank-order距离dr，欧式距离de，最终得到通过距离组合模型得到最终距离d*(也称为第二相似度)。依据最终距离d*对初始图像列表进行重排序，得到目标图像列表。
采用上述方案，实现了以下技术效果：引入rank-order、jaccard以及欧式距离等多种距离，使得距离的考察更多元化，从而有利于真实反映图像之间的相似度。通过jaccard距离分析每对图像的k近邻图像的相关信息，以及通过rank-order距离分析每对图像的初始图像列表之间的相关信息，建立重排序re-ranking的组合距离模型。通过联合考虑特征本身以及上下文信息，有效地去除了模糊样本，提高了重识别re-id的性能，更多的引入对于邻居信息的考量，对于重识别re-id这种类内数据差异较大的业务场景极为有效；针对以往人工设计的加权度量方式，利用监督学习设计一个浅层的二分类网络学习对于多种距离的组合加权方式，可以更加精细的设计距离度量方式，提升检索性能。在组合距离度量方式上，利用少量的监督信息便可提供更全面的加权方式，极大的提升了重识别re-id的检索精度。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面，还提供了一种用于实施上述图像列表的排序方法的图像列表的排序装置。如图4所示，该装置40包括：
第一获取模块42，用于从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，该第一初始图像列表中的图像按照第一相似度排序，该第一相似度为该第一初始图像列表中的图像与该目标图像之间的第一距离；
第二获取模块44，用于获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离；
确定模块46，用于根据该第二距离确定该第一初始图像列表中每张图像与该目标图像之间的第二相似度；
排序模块48，用于按照该第二相似度对该第一初始图像列表进行排序，得到目标图像列表。
在本发明实施例中，采用获取目标图像与第一图像数据库中每张图像的第二距离对第一初始图像列表进行调整的方式，从更多角度确定图像之间的相似程度，以此得到更为精准的相似程度判断结果，使得图像排序的准确度大幅提升，进而解决了由于无法准确地获取图像之间相似程度导致的排序结果不准确的技术问题。
可选地，如图5所示，该确定模块46还用于遍历该第一初始图像列表，将每张图像作为第一图像，执行以下子单元中的步骤：
第一确定子单元52，用于确定出该第一初始图像列表中第一图像与该目标图像之间的该第一距离及该第二距离；
输入子单元54，用于将该第一距离及该第二距离输入距离组合模型，其中，该距离组合模型为利用多个样本数据进行训练后所得到的，该距离组合模型用于对该第一距离及该第二距离进行加权求和得到第二相似度；
第一获取子单元56，用于获取该距离组合模型输出的输出结果，其中，该输出结果中包含有该第一图像与该目标图像之间的第二相似度。
可选地，该输入子单元54还用于通过该距离组合模型确定该第一距离对应的第一权重，及该第二距离对应的第二权重；以及用于利用该第一权重和该第二权重，对该第一距离及该第二距离进行加权求和，以得到该第一图像与该目标图像之间的第二相似度。
可选地，该第二获取模块44还用于获取该每张图像与该目标图像之间的rank-order距离；和/或，还用于获取该每张图像与该目标图像之间的jaccard距离。
可选地，如图6所示，所述第二获取模块44获取所述每张图像与所述目标图像之间的rank-order距离包括：遍历所述第一初始图像列表，将所述每张图像作为第一图像，执行以下子单元中的步骤：
第二获取子单元62，获取所述目标图像的所述第一初始图像列表，以及所述第一图像的第二初始图像列表，其中，从第二图像数据库中获取与所述第一图像关联的第二初始图像列表，所述第二初始图像列表中的图像按照第一相似度排序，所述第一相似度为所述第二初始图像列表中的图像与所述第一图像之间的第一距离，所述第二图像数据库包括所述第一图像数据库和所述目标图像；
第三获取子单元64，获取所述第一初始图像列表中的图像在所述第二初始图像列表中的第一位置序号，以及所述第二初始图像列表中的图像在所述第一初始图像列表的第二位置序号，所述目标图像在所述第二初始图像列表中的第三位置序号，所述第一图像在所述第一初始图像列表中的第四位置序号；以及用于依据所述第一位置序号、所述第二位置序号，所述第三位置序号和所述第四位置序号，得到所述第一图像与所述目标图像之间的rank-order距离。第三获取子单元64可以通过上述实施例中的公式来计算两种图像之间的rank-order距离。
可选地，如图7所示，该第二获取模块44获取该每张图像与该目标图像之间的jaccard距离包括：遍历该第一初始图像列表，将该每张图像作为第一图像，执行以下子单元中的步骤：
第四获取子单元72，用于获取与该目标图像对应的第一k近邻图像集合，及与该第一图像对应的第二k近邻图像集合；
第五获取子单元74，用于获取该第二k近邻图像集合与该第一k近邻图像集合之间的交集和并集；
第六获取子单元76，用于根据该交集和该并集确定该第一图像与该目标图像之间的该jaccard距离。
可选地，该第二获取模块44还用于通过以下公式获取该每张图像与该目标图像之间的jaccard距离
其中，
根据本发明实施例的又一个方面，还提供了一种用于实施上述图像列表的排序方法的电子装置，如图8所示，该电子装置包括存储器802和处理器804，该存储器802中存储有计算机程序，该处理器804被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
s1，从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，该第一初始图像列表中的图像按照第一相似度排序，该第一相似度为该第一初始图像列表中的图像与该目标图像之间的第一距离；
s2，获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离；
s3，根据该第二距离确定该第一初始图像列表中每张图像与该目标图像之间的第二相似度；
s4，按照该第二相似度对该第一初始图像列表进行排序，得到目标图像列表。
可选地，本领域普通技术人员可以理解，图8所示的结构仅为示意，电子装置也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobileinternetdevices，mid)、pad等终端设备。图8其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比图8中所示更多或者更少的组件(如网络接口等)，或者具有与图8所示不同的配置。
其中，存储器802可用于存储软件程序以及模块，如本发明实施例中的图像列表的排序方法和装置对应的程序指令/模块，处理器804通过运行存储在存储器802内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的图像列表的排序方法。存储器802可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器802可进一步包括相对于处理器804远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器802具体可以但不限于用于第一图像数据库和图像之间的距离数值等信息。作为一种示例，如图8所示，上述存储器802中可以但不限于包括上述图像列表的排序装置中的第一获取模块42，第二获取模块44，确定模块46，排序模块48。此外，还可以包括但不限于上述图像列表的排序装置中的其他模块单元，本示例中不再赘述。
可选地，上述的传输装置806用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置806包括一个网络适配器(networkinterfacecontroller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置806为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
此外，上述电子装置还包括：显示器808，用于显示目标图像和第一图像数据库中的图像；和连接总线810，用于连接上述电子装置中的各个模块部件。
根据本发明的实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
s1，从第一图像数据库中获取与目标图像关联的第一初始图像列表，其中，该第一初始图像列表中的图像按照第一相似度排序，该第一相似度为该第一初始图像列表中的图像与该目标图像之间的第一距离；
s2，获取该第一初始图像列表中每张图像与该目标图像之间的至少一个第二距离；
s3，根据该第二距离确定该第一初始图像列表中每张图像与该目标图像之间的第二相似度；
s4，按照该第二相似度对该第一初始图像列表进行排序，得到目标图像列表。
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read-onlymemory，rom)、随机存取器(randomaccessmemory，ram)、磁盘或光盘等。
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。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。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或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例该方法的全部或部分步骤。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如该单元的划分，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
该作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上该仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！