1.一种基于深度学习的图片搜索方法,其特征在于: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。
2.如权利要求1所述的一种基于深度学习的图片搜索方法,其特征在于: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。
3.如权利要求1所述的一种基于深度学习的图片搜索方法,其特征在于:所述的步骤3中的搜索策略包括距离和道路前后继关系。
4.如权利要求1所述的一种基于深度学习的图片搜索方法,其特征在于: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。
5.如权利要求4所述的一种基于深度学习的图片搜索方法,其特征在于: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。
6.如权利要求4所述的一种基于深度学习的图片搜索方法,其特征在于: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。
7.如权利要求1所述的一种基于深度学习的图片搜索方法,其特征在于: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。
8.如权利要求7所述的一种基于深度学习的图片搜索方法,其特征在于:所述的θ为相似度最小阈值。