一种图像搜索方法、设备及装置与流程

1.本发明涉及计算机技术领域，特别涉及一种图像搜索方法、设备及装置。


背景技术：

2.基于特征向量的搜索技术在计算机视觉领域有广泛的应用，在海量数字图片数据泛滥的互联网上，图像的快速和准确的搜索技术显得尤为重要。
3.现有技术中对图像进行搜索时，不考虑背景和噪声的影响，因此搜索结果不够准确。


技术实现要素：

4.本发明提供一种图像搜索方法、设备及装置，用以解决现有技术中存在的图像搜索不够准确的问题。
5.第一方面，本发明提供一种图像搜索方法，该方法包括：
6.基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合；
7.计算所述第一子向量集合中的任一第一子向量和所述第二子向量集合中的任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵；
8.采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合；
9.根据所述目标子向量集合中第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。
10.在一种可能的实现方式中，所述采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合，包括：
11.采用所述预设算法，对所述代价矩阵进行求解，得到所述代价矩阵的最优匹配结果，其中，所述最优匹配结果为多个包括第一子向量和第二子向量的备选子向量集合；
12.基于位置不变性原则，从多个所述备选子向量集合中选择所述目标子向量集合。
13.在一种可能的实现方式中，所述根据所述目标子向量集合中的第一子向量和子向量距离，确定度量距离，包括：
14.根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重；
15.对确定的多个权重进行归一化后，根据归一化后的权重与所述目标子向量集合对应的子向量距离，确定所述度量距离。
16.在一种可能的实现方式中，所述根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重，包括：
17.对所述第一子向量的维度的倒数求反，并将求反后的结果的指数作为所述目标子向量集合的权重。
18.在一种可能的实现方式中，所述根据归一化后的权重与所述目标子向量集合对应
的子向量距离，确定所述度量距离，包括：
19.针对每个目标子向量集合，将归一化后的权重与所述目标子向量集合对应的子向量距离相乘；
20.将每个乘积相加，得到所述度量距离。
21.在一种可能的实现方式中，所述采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合之前，还包括：
22.将所述代价矩阵中的子向量距离大于预设阈值的距离设置为无穷大。
23.在一种可能的实现方式中，若第一子向量和第二子向量的维度不同，则通过下列方式确定所述第一子向量和所述第二子向量之间的子向量距离：
24.采用最近邻插值法或降维算法，对所述第一子向量和所述第二子向量中的高维度子向量进行处理，得到维度相同的两个子向量；
25.将维度相同的两个子向量之间的距离作为所述子向量距离。
26.第二方面，本发明提供一种图像搜索设备，包括处理器、存储器、以及存储在所述存储器上并能够在所述处理器上运行的程序，所述处理器执行所述程序时，能够实现如第一方面任一所述的方法。
27.第三方面，本发明提供一种图像搜索装置，包括：
28.维度划分模块，用于基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合；
29.计算模块，用于计算所述第一子向量集合中的任一第一子向量和所述第二子向量集合中的任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵；
30.第一确定模块，用于采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合；
31.第二确定模块，用于根据所述目标子向量集合中第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。
32.在一种可能的实现方式中，第一确定模块具体用于：
33.采用所述预设算法，对所述代价矩阵进行求解，得到所述代价矩阵的最优匹配结果，其中，所述最优匹配结果为多个包括第一子向量和第二子向量的备选子向量集合；
34.基于位置不变性原则，从多个所述备选子向量集合中选择所述目标子向量集合。
35.在一种可能的实现方式中，第二确定模块具体用于：
36.根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重；
37.对确定的多个权重进行归一化后，根据归一化后的权重与所述目标子向量集合对应的子向量距离，确定所述度量距离。
38.在一种可能的实现方式中，第二确定模块具体用于：
39.对所述第一子向量的维度的倒数求反，并将求反后的结果的指数作为所述目标子向量集合的权重。
40.在一种可能的实现方式中，第二确定模块具体用于：
41.针对每个目标子向量集合，将归一化后的权重与所述目标子向量集合对应的子向量距离相乘；
42.将每个乘积相加，得到所述度量距离。
43.在一种可能的实现方式中，该装置还包括设置模块；
44.所述采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合之前，设置模块用于：
45.将所述代价矩阵中的子向量距离大于预设阈值的距离设置为无穷大。
46.在一种可能的实现方式中，若第一子向量和第二子向量的维度不同，则计算模块通过下列方式确定所述第一子向量和所述第二子向量之间的子向量距离：
47.采用最近邻插值法或降维算法，对所述第一子向量和所述第二子向量中的高维度子向量进行处理，得到维度相同的两个子向量；
48.将维度相同的两个子向量之间的距离作为所述子向量距离。
49.第三方面，本发明公开一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序或指令，当其被运行时，使得第一方面任一所执行的方法被实现。
50.本发明有益效果如下：
51.本发明实施例中，首先基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合，然后计算第一子向量集合中任一第一子向量和第二子向量集合中任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵，再然后采用预设算法，对代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合，最后根据目标子向量集合中的第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。由于基于预设的多个维度对图像的特征向量进行划分，然后再进行匹配，即将特征向量进行多粒度的分割，从而可以减少特征向量中背景和噪声对度量距离的影响，提高图像的搜索结果。
附图说明
52.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要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
53.图1为本发明实施例提供的一种图像搜索方法的流程示意图；
54.图2为本发明实施例提供的图像搜索的完整流程示意图；
55.图3为本发明实施例提供的目标图像的示意图；
56.图4为本发明实施例提供的待匹配图像的示意图；
57.图5为本发明实施例提供的一种图像搜索设备的结构示意图；
58.图6为本发明实施例提供的一种图像搜索装置的结构示意图。
具体实施方式
59.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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它实施例，都属于本发明保护的范围。
60.基于特征向量的搜索和排序技术在计算机视觉领域有广泛的应用，在海量数字图
片数据泛滥的互联网上，图像的快速和准确的搜索技术显得尤为重要，不仅出现了一批以图搜图的搜索引擎，在其他精确查询的领域中也有举足轻重的地位，例如人脸识别过程中通过神经网络对人脸图片提取特征向量以后，在数据库中进行搜索排序，查找出最佳匹配图片；又例如在行人重识别过程中进行跨镜搜索，也是对行人图片进行特征提取，然后根据给定的距离度量方式在数据库中查找最佳匹配的一个或多个图片。总之，这些搜索技术都是由计算机对图片中感兴趣区域进行特征提取和分析，再将得到的特征向量存入数据库中，对输入的搜索图片做相同的处理以后，利用相似性准则计算该查询图片与数据库中的特征的相似度，根据相似度进行排序，最后输出给定阈值下的搜索结果。
61.在图片搜索过程中有必不可少的两个环节：1、对图片进行特征提取，可以使用传统的手工特征提取方式，例如sift、hog、surf等，也可以使用卷积神经网络等其他深度学习方式进行特征提取，主要目的是对高维数据进行降维处理；2、计算特征向量之间的距离，对图片进行降维的主要目的就是希望找到一个合适的低维空间对距离进行度量，常规的方法包括了欧氏距离、余弦距离、哈曼卡顿距离等。不同的距离度量方式对搜索目标的影响非常大，常规的特征提取过程中不可避免的会引入噪声等信息，从而导致相同的目标产生的特征向量的在噪声区域会有很大差别，而常规的距离度量方式往往并没有充分考虑背景和噪声的影响，本发明一种多粒度级联匹配(multi-granulaity matching cascade)mgmc的特征距离度量算法,通过对特征向量进行多粒度的分割后使用级联匹配，最后对匹配后的特征进行距离度量并加权得到最终度量距离。
62.针对机器视觉领域中的搜索和排序任务，本文提出了一种更加完善的距离度量方式，首先对图片进行特征提取，得到待搜索图片和查询图片的特征向量；其次，卷积网络提取的图片特征有平移不变性，因此可以对所有特征向量进行多粒度的分割，对不同粒度下的特征向量进行传统距离度量；接着使用贪心算法计算所有粒度下的代价矩阵；最后根据代价矩阵，找出最佳匹配方式，并计算该匹配方式下特征向量的加权度量距离，从而排除特征中背景和噪声对距离的影响。
63.需要说明的是，本发明实施例中的图像和图片可以等同，比如，对图像的搜索，也可以称为对图片的搜索。
64.下面对本发明实施例进行详细说明。
65.如图1所示，为本发明实施例提供的一种图像搜索方法的流程示意图，具体包括如下步骤：
66.s101、基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合；
67.s102、计算所述第一子向量集合中的任一第一子向量和所述第二子向量集合中的任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵；
68.s103、采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合；
69.s104、根据所述目标子向量集合中第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。
70.本发明实施例中，首先基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合，然后计算第一子向量集合中任
一第一子向量和第二子向量集合中任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵，再然后采用预设算法，对代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合，最后根据目标子向量集合中的第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。由于基于预设的多个维度对图像的特征向量进行划分，然后再进行匹配，即将特征向量进行多粒度的分割，从而可以减少特征向量中背景和噪声对度量距离的影响，提高图像的搜索结果。
71.其中，目标图像为用户输入的图像，待匹配图像为搜索数据库中的图像，图像搜索即从搜索数据库中搜索与目标图像匹配的图像。
72.本发明实施例中，首先对目标图像和待匹配图像进行特征提取，得到目标图像的第一特征向量和待匹配图像的第二特征向量，然后基于预设的多个维度，对第一特征向量和第二特征向量进行划分，得到第一特征向量对应的第一子向量集合和第二特征向量对应的第二子向量集合。
73.比如，从目标图像中提取的特征向量为特征向量a，从待匹配图像汇总提取的特征向量为特征向量b，特征向量a和特征向量b均为2048维的特征向量，预设的多个维度为128维、256维和512维，基将特征向量a和特征向量b均划成16个128维的子向量、8个256维的子向量、4个512维的子向量。
74.得到第一子向量集合第二子向量集合后，计算第一子向量集合中任一第一子向量和第二子向量集合中任一第二子向量之间的距离，如果第一子向量和第二子向量的维度相同，则直接计算第一子向量和第二子向量之间的距离，如果第一子向量和第二子向量的维度不同，则采用最近邻插值法或降维算法，对第一子向量和第二子向量中的高维子向量进行处理，得到维度相同的两个子向量，然后再计算维度相同的两个子向量之间的距离，将该距离作为两个子向量的子向量距离。
75.上述方法，即计算两个子向量集合之间的代价矩阵，即对不同粒度下的子向量进行距离度量得到两两之间距离，定义计算规则：对于不同维度下的子向量，用最近邻插值法或降维算法构建相同维度的子向量。
76.得到代价矩阵后，需要对该代价矩阵求最优解，即最优匹配，可以采用预设算法，对代价矩阵进行求解，得到代价矩阵的最优匹配结果，其中，最优匹配结果为多个包括第一子向量和第二子向量的备选子向量集合，然后基于位置不变性原则，从多个备选子向量集合中选择目标子向量集合。
77.这里的预设算法，可以为匈牙利算法，也可称为贪心算法。
78.在采用匈牙利算法对代价矩阵进行求解之前，为了便于计算，可以将代价矩阵中的子向量距离大于预设阈值的距离设置为无穷大。
79.采用匈牙利算法对代价矩阵进行求解，得到最优匹配结果后，对最优匹配结果进行筛选，根据位置不变性原则，一组最佳匹配的子向量集合中第一子向量和第二子向量的位置关系是在原向量基础上一一对应不能产生交叉。
80.在一种实施例中，根据所述目标子向量集合中的第一子向量和子向量距离，确定度量距离，首先根据目标子向量集合中的第一子向量，确定目标子向量集合的权重；然后对确定的多个权重进行归一化后，根据归一化后的权重与目标子向量集合对应的子向量距离，确定度量距离。
81.该度量距离即目标图像的特征向量和待匹配图像的特征向量之间的距离。
82.在具体实施中，根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重，可以对第一子向量的维度的倒数求反，并将求反后的结果的指数作为目标子向量集合的权重。
83.根据归一化后的权重与所述目标子向量集合对应的子向量距离，确定度量距离，首先针对每个目标子向量集合，将归一化后的权重与目标子向量集合对应的子向量距离相乘；然后将每个乘积相加，得到度量距离。
84.上述实施例，即对筛选后的子向量集合，根据最佳匹配的维度和距离，计算每组匹配结果对最终输出距离的权重。
85.根据算出的子向量距离，使用贪心算法进行匹配计算，循环计算出两子向量之间最优匹配，例如a向量的一个128维子向量与向量b的256维子向量距离最近，则两个子向量之间为最优匹配，并给与权重，将剩下部分向量依此进行匹配，匹配过程中需要保证子向量之间的顺序不变，未匹配中的部分权重为0。
86.将每组匹配结果进行加权求和即为最终两特征向量之间的距离度量。
87.根据度量距离确定搜索结果，如果度量距离小于预设值，则确定待匹配图像和目标图像相匹配，如果度量距离大于等于预设值，则确定待匹配图像和目标图像不匹配。
88.如图2所示，为本发明实施例提供的图像搜索的完整流程。首先对目标图像进行特征提取，得到特征向量a，对待匹配图像进行特征提取，得到特征向量b；然后对特征向量a和特征向量b进行多粒度分割，得到子向量集合a和子向量集合b；根据子向量集合a中任一子向量和子向量集合b中的任一向量之间的距离，得到代价矩阵；将代价矩阵中的距离大于预设阈值的距离设定为无穷大；采用匈牙利算法对代价矩阵进行求解，得到匹配结果，从匹配结果中筛选出多个匹配组(匹配组1、匹配组2
……
匹配组n)，对多个匹配组进行加权求和，得到特征向量a和特征向量b的距离度量结果，最后根据距离度量结果确定待匹配图像和目标图像是否匹配。
89.为了便于理解，下面以具体实施例对本发明进行说明。
90.如图3所示为目标图像的示意图，如图4所示，为待匹配图像的示意图。
91.如图3和图4所示，为同一个卡通人物在不同摄像机视角下不同动作的图片，由于背景和动作的不同会导致通过神经网络提取出来的特征向量在局部有差异。使用本发明实施例提供的多粒度级联匹配的距离度量算法可以应对这样的状况。下面进行详细说明。
92.1、对目标图像进行特征提取，得到特征向量a，对待匹配图像进行特征提取，得到特征向量b。其中，特征向量a和特征向量b均为2048维。
93.2、分割特征向量a，得到16个128维向量{a
11
,a
12
,......,a
116
}，8个256维向量{a
21
,a
22
,......,a
18
}，4个512维向量{a
31
,a
32
,......,a
34
}，2个1024维向量{a
41
,a
42
},因此可以得到包括31个子向量的子向量集合a，即sa＝{a,a
11
,..a
116
,a
21
,..a
28
,a
31
,..a
34
,a
41
,a
42
}；
94.分割特征向量b，得到16个128维向量{b
11
,b
12
,......,b
116
}，8个256维向量{b
21
,b
22
,......,b
18
}，4个512维向量{b
31
,b
32
,......,b
34
}，2个1024维向量{b
41
,b
42
}，因此可以得到包括31个子向量的子向量集合b，即sb＝{b,b
11
,..b
116
,b
21
,..b
28
,b
31
,..b
34
,b
41
,b
42
}。
95.3、计算sa和sb之间两两距离d
ab
，得到代价矩阵d。
96.sa和sb之间两两距离d
ab
，即sa中的任一子向量与sb中的任一子向量之间的距离，
比如，a
11
与b
11
之间的距离，a
11
与b
21
之间的距离。
97.4、根据预先设置的阈值，将代价矩阵中距离超过该阈值的距离设置为无穷大。
98.5、使用匈牙利算法对代价矩阵求解最优匹配；
99.6、根据位置不变性原则筛选最佳匹配结果；
100.7、计算d
ab
的权重，w
ab
＝e-1/x
，x为a
ij
的向量维度；
101.8、根据计算得到的w
ab
将权重进行归一化得到w’ab
；
102.10、计算加权度量距离l＝σw’ab
*d
ab
；
103.输出：特征向量a和特征向量b的度量距离为l。
104.需要说明的是，图3和图4中的背景未画出。
105.本发明根据特征向量对应图像的平移不变性，可以仅关注感兴趣目标之间的距离，而排除背景和噪声的干扰；通过不同粒度向量之间的级联匹配关系，可以起到目标之间的对齐作用。
106.基于相同的发明构思，本发明实施例还提供一种图像搜索设备，如图5所示，该设备例如包括存储器510、处理器500以及存储在存储器510内并可在处理器500上运行的程序。可选的，该终端还可以包括收发器，与处理器500连接，可用于与其他设备通信，在图5中未画出收发器。可选的，该设备还可以包括显示屏，以输出视频彩铃，在图5中未画出显示屏。处理器500执行存储器510所存储的程序时，可以实现上述方法实施例所执行的各个步骤，且能够达到相同的技术效果，为了避免重复，在此不再赘述。
107.具体的，处理器500执行所述程序时，用于：
108.基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合；
109.计算所述第一子向量集合中的任一第一子向量和所述第二子向量集合中的任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵；
110.采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合；
111.根据所述目标子向量集合中第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。
112.可选的，处理器500具体用于：
113.采用所述预设算法，对所述代价矩阵进行求解，得到所述代价矩阵的最优匹配结果，其中，所述最优匹配结果为多个包括第一子向量和第二子向量的备选子向量集合；
114.基于位置不变性原则，从多个所述备选子向量集合中选择所述目标子向量集合。
115.可选的，处理器500具体用于：
116.根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重；
117.对确定的多个权重进行归一化后，根据归一化后的权重与所述目标子向量集合对应的子向量距离，确定所述度量距离。
118.可选的，处理器500具体用于：
119.对所述第一子向量的维度的倒数求反，并将求反后的结果的指数作为所述目标子向量集合的权重。
120.可选的，处理器500具体用于：
121.针对每个目标子向量集合，将归一化后的权重与所述目标子向量集合对应的子向量距离相乘；
122.将每个乘积相加，得到所述度量距离。
123.可选的，所述采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合之前，处理器500还用于：
124.将所述代价矩阵中的子向量距离大于预设阈值的距离设置为无穷大。
125.可选的，若第一子向量和第二子向量的维度不同，则处理器500通过下列方式确定所述第一子向量和所述第二子向量之间的子向量距离：
126.采用最近邻插值法或降维算法，对所述第一子向量和所述第二子向量中的高维度子向量进行处理，得到维度相同的两个子向量；将维度相同的两个子向量之间的距离作为所述子向量距离。
127.基于相同的发明构思，本发明实施例还提供一种图像搜索装置，如图6所示，该装置包括：
128.维度划分模块601，用于基于预设的多个维度，对图像的特征向量进行划分，得到目标图像的第一子向量集合和待匹配图像的第二子向量集合；
129.计算模块602，用于计算所述第一子向量集合中的任一第一子向量和所述第二子向量集合中的任一第二子向量之间的子向量距离，并基于多个子向量距离，得到代价矩阵；
130.第一确定模块603，用于采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合；
131.第二确定模块604，用于根据所述目标子向量集合中第一子向量和子向量距离，确定度量距离，并基于所述度量距离确定搜索结果。
132.可选的，第一确定模块603具体用于：
133.采用所述预设算法，对所述代价矩阵进行求解，得到所述代价矩阵的最优匹配结果，其中，所述最优匹配结果为多个包括第一子向量和第二子向量的备选子向量集合；
134.基于位置不变性原则，从多个所述备选子向量集合中选择所述目标子向量集合。
135.可选的，第二确定模块604具体用于：
136.根据所述目标子向量集合中的第一子向量，确定所述目标子向量集合的权重；
137.对确定的多个权重进行归一化后，根据归一化后的权重与所述目标子向量集合对应的子向量距离，确定所述度量距离。
138.可选的，第二确定模块604具体用于：
139.对所述第一子向量的维度的倒数求反，并将求反后的结果的指数作为所述目标子向量集合的权重。
140.可选的，第二确定模块604具体用于：
141.针对每个目标子向量集合，将归一化后的权重与所述目标子向量集合对应的子向量距离相乘；
142.将每个乘积相加，得到所述度量距离。
143.可选的，该装置还包括设置模块；
144.所述采用预设算法，对所述代价矩阵进行求解，并基于位置不变性原则，确定多个包括第一子向量和第二子向量的目标子向量集合之前，设置模块用于：
145.将所述代价矩阵中的子向量距离大于预设阈值的距离设置为无穷大。
146.可选的，若第一子向量和第二子向量的维度不同，则计算模块602通过下列方式确定所述第一子向量和所述第二子向量之间的子向量距离：
147.采用最近邻插值法或降维算法，对所述第一子向量和所述第二子向量中的高维度子向量进行处理，得到维度相同的两个子向量；
148.将维度相同的两个子向量之间的距离作为所述子向量距离。
149.基于同一发明构思，本技术实施例提供一种计算机可读存储介质。可选地，计算机可读存储介质有计算机程序，计算机程序包括程序指令，程序指令当被计算机执行时，使计算机执行上述图像搜索方法的步骤。由于本实施例中的计算机程序与前述图像搜索方法是基于同一构思下的发明，通过前述方法的详细描述，本领域技术人员可以清楚地了解本实施例中计算机程序的实施过程，所以为了说明书的简洁，在此不再赘述。
150.基于同一发明构思，本技术实施例提供一种计算机程序产品。可选地，计算机程序产品存储有计算机程序，计算机程序包括程序指令，程序指令当被计算机执行时，使计算机执行上述图像搜索方法的步骤。由于本实施例中的计算机程序与前述图像搜索方法是基于同一构思下的发明，通过前述方法的详细描述，本领域技术人员可以清楚地了解本实施例中计算机程序的实施过程，所以为了说明书的简洁，在此不再赘述。
151.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
152.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
153.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
154.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。