本发明涉及图片搜索的技术领域，特别涉及一种基于深度学习的图片搜索方法。
背景技术：
在现在交通管理和道路规划中，交通流量和通行车辆的类型、速度是重要的参数。自动获取这些数据的方法大致可以分为两类：一类是利用压电、红外、环形磁感应线圈等传感器获得车辆本身的参数，这类方法跟踪识别率较高，但是容易损坏，安装也不方便；还有一类就是基于图像处理和模式识别的方法，克服了前面一类方法的局限，由于图像处理识别技术的进步和硬件性价比的大幅提高，有一定实用价值的系统已经出现。这些系统的使用证明：图像处理识别车型的方法日趋成熟，环境适应能力较强，能长期稳定工作，但是存在计算量大、识别正确率低等问题。
目前，图片搜索过程中输入关键词或图片时，搜索量大，使带宽不堪重负，运行速度较为缓慢，降低了查询效率，尤其是在司法机构在侦查过程中，对车辆的行驶轨迹进行追踪时，采用传统的图片搜索方法受带宽和计标能力有限的影响，导致查询效率低，降低了办事效率，为解决上述问题，有必要提出要一种基于深度学习的图片搜索方法。
技术实现要素：
本发明的目的在于克服上述现有技术的不足，提供一种基于深度学习的图片搜索方法，其旨在解决现有技术中传统的图片搜索方法受带宽和计标能力有限的影响，导致查询效率低，降低办事效率的技术问题。
为实现上述目的，本发明提出了一种基于深度学习的图片搜索方法，该方法包括以下步骤：
步骤1，输入待搜索车辆信息；
步骤2，将待搜索车辆图片经过预处理后，输入到神经网络模型训练，得到待搜索车辆图片的特征向量；
步骤3，制定搜索策略，根据搜索策略确定搜索区域；
步骤4，对搜索区域内的道路监控系统控制中心数据库进行图像采集，并记录采集到的图片对应的当前位置和时间信息；
步骤5，对采集到的图片进行预处理后，输入到神经网络模型训练，得到采集图片的特征向量，将待搜索车辆图片的特征向量与采集图片的特征向量进行识别比对，来进行目标车辆的图片搜索；
步骤6，结果判别，计算待搜索车辆图片的特征向量与采集图片的特征向量比对后的相似度，并判定采集到的图片是否为待搜索车辆的图片；
步骤7，判定为目标车辆的图片后，将该图片对应的当前位置、时间信息、车辆信息输出至GIS数据库，最后得到待搜索车辆的运行轨迹。
作为优选，所述的步骤1中的搜索信息包括待搜索车辆的图片和关键词，所述的关键词包括待搜索车辆的车牌号、车辆品牌、车辆型号。
作为优选，所述的步骤3中的搜索策略包括距离和道路前后继关系。
作为优选，所述的步骤5中目标车辆的图片搜索采用的方式包括分布式搜索和集中式搜索。
作为优选，所述的分布式搜索为每采集到一张图片后就进行预处理、输入到神经网络模型训练得到该图片的特征向量，然后与待搜索车辆图片的特征向量识别比对。
作为优选，所述的集中式搜索为对采集到的图片进行集中批量预处理，得到图片集，然后将预处理后的图片集输入到神经网络模型训练得到与图片集中图片一一对应的特征向量，再将图片集中的图片特征向量与待搜索车辆图片的特征向量进行集中识别比对。
作为优选，所述的步骤6中，如果相似度<θ，则判定该采集到的图片不为待搜索车辆的图片；如果相似度≥θ，则判定该采集到的图片为待搜索车辆的图片。
作为优选，所述的θ为相似度最小阈值。
本发明的有益效果：与现有技术相比，本发明提供的一种基于深度学习的图片搜索方法，若采用传统的图片搜索方法由于采集样本数据庞大，带宽和计标能力受限，导致查询效率低，降低了办事效率，而本发明具有如下优点：①通过深度学习，提高图片搜索过程中的准确度，提高识别质量；②搜索策略包括距离和道路前后继关系，可以根据特定的情况进行搜索，对于城市中的道路密集等情况采用道路前后继关系的搜索策略，对于开阔式的地域采用距离的搜索策略，大大缩减了数据采集样本，提高搜索速度；③搜索可采用分布式搜索和集中式搜索，根据实际情况选择合适的搜索方式，带宽和计标能力得到节约，查询效率大大提高。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明实施例一种基于深度学习的图片搜索方法的流程图。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
参阅图1，本发明实施例提供一种基于深度学习的图片搜索方法，该方法包括以下步骤：
步骤1，输入待搜索车辆信息。
其中，搜索信息包括待搜索车辆的图片和关键词，所述的关键词包括待搜索车辆的车牌号、车辆品牌、车辆型号。
步骤2，将待搜索车辆图片经过预处理后，输入到神经网络模型训练，得到待搜索车辆图片的特征向量。
步骤3，制定搜索策略，根据搜索策略确定搜索区域。
其中，搜索策略包括距离和道路前后继关系。
步骤4，对搜索区域内的道路监控系统控制中心数据库进行图像采集，并记录采集到的图片对应的当前位置和时间信息。
步骤5，对采集到的图片进行预处理后，输入到神经网络模型训练，得到采集图片的特征向量，将待搜索车辆图片的特征向量与采集图片的特征向量进行识别比对，来进行目标车辆的图片搜索。
具体地，目标车辆的图片搜索采用的方式包括分布式搜索和集中式搜索。
进一步地，分布式搜索为每采集到一张图片后就进行预处理、输入到神经网络模型训练得到该图片的特征向量，然后与待搜索车辆图片的特征向量识别比对；集中式搜索为对采集到的图片进行集中批量预处理，得到图片集，然后将预处理后的图片集输入到神经网络模型训练得到与图片集中图片一一对应的特征向量，再将图片集中的图片特征向量与待搜索车辆图片的特征向量进行集中识别比对。
步骤6，结果判别，计算待搜索车辆图片的特征向量与采集图片的特征向量比对后的相似度，并判定采集到的图片是否为待搜索车辆的图片。
在本发明实施例中，如果相似度<θ，则判定该采集到的图片不为待搜索车辆的图片；如果相似度≥θ，则判定该采集到的图片为待搜索车辆的图片，其中，θ为相似度最小阈值。
步骤7，判定为目标车辆的图片后，将该图片对应的当前位置、时间信息、车辆信息输出至GIS数据库，最后得到待搜索车辆的运行轨迹。
本发明一种基于深度学习的图片搜索方法，具有如下优点：①搜索策略包括距离和道路前后继关系，可以根据特定的情况进行搜索，对于城市中的道路密集等情况采用道路前后继关系的搜索策略，对于开阔式的地域采用距离的搜索策略，大大缩减了数据采集样本，提高搜索速度；②通过深度学习，提高图片搜索过程中的准确度，提高识别质量；③搜索可采用分布式搜索和集中式搜索，根据实际情况选择合适的搜索方式，带宽和计标能力得到节约，查询效率大大提高。传统的图片搜索方法由于采集样本数据庞大，带宽和计标能力受限，导致查询效率低，降低了办事效率，而本发明通过距离和道路前后继关系来设搜索范围，大大缩减了采集样本，提高了目标图片的搜索效率，进而可快速得到待搜索车辆的运行轨迹，提高办事效率。
以上所述仅为本发明的较佳实施例而已，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、等同替换或改进等，均应包含在本发明的保护范围之内。