基于卷积神经网络深度学习的融媒体资料智能搜索方法

技术领域

本发明涉及融媒体资料智能搜索技术领域，具体为基于卷积神经网络深度学习的融媒体资料智能搜索方法。

背景技术

学校和企业的快速发展也都积累了非常丰富的融媒体资料，其中包括大量的视频、图像、文件、文件和表格文档等多方面资料，对于这些资源文件存储方式仍然采用电脑硬盘、移动介质等传统的方式传进行存储，从而存储设备内部混合了多方面内容的图片资源数据、文档资源数据和系统用户资源数据。

由于传统的存储方式在存储图片及资料时一般不会按照标准进行分类，从而在后期进行资料查找和搜索时会出现非常不便的现象，并且在后期查找时往往需要耗费很大的人力成本从海量图文资源中查找搜索，同时传统的图文存储方式无法对图片进行智能分类、智能去重及筛选，导致在筛选宣传素材时非常耗材且效果无法达到预期。

发明内容

本发明的目的在于提供基于卷积神经网络深度学习的融媒体资料智能搜索方法，以解决上述背景技术提出的传统的图文存储方式无法对图片进行智能分类、智能去重及筛选的问题。

为实现上述目的，本发明提供如下技术方案：基于卷积神经网络深度学习的融媒体资料智能搜索方法，包括以下步骤：

S1：构建基础设备层；

S2：采用存储层存储数据，利用MySql数据库存储结构化数据，文件服务存储非结构化数据；

S3：图文信息搜索，通过人工智能系统搜索文件库内的图片、视频和文档等资料；

S4：采用展现层可视化展现，采用可视化终端设备进行图文共享和权限管理。

优选的，步骤S1中所述的基础设备层包括服务器、计算资源、网络资源和存储资源，构建基础设备层是通过服务器、计算资源、网络资源、存储资源的结合来提供系统运行及呈现功能的支撑。

优选的，步骤S2中所述的存储层是通过高效文件存储模块对各类文件进行存储，所述存储层的内部包括有图片资源数据、文件资源数据和系统用户数据。

优选的，步骤S3中所述的图文信息搜索包括以下步骤：

S31：图像搜索，采用CNN模型与K-means聚类算法组合对图像进行聚类和标签化；

S32：文档搜索，采用MySql的存储引擎结合innodb全文索引来搜索融媒体资料关键字。

优选的，步骤S31中所述的图像搜索包括以下步骤：

S311：图文智能聚类，利用卷积神经网络CNN模型进行图片特征抽取，采用K-means算法对特征进行聚类；

S312：图片智能去重及优选；

S313：智能搜图。

优选的，步骤S312中所述的图片智能去重及优选是通过颜色纹理特征提取算法进行图片去重，并且优化筛选高质量图片。

优选的，步骤S313中所述的智能搜图采用卷积神经网络深度学习算法快速搜寻目标图片。

优选的，步骤S4中所述的展现层通过web页面可视化展现各个功能模块和系统管理的操作页面。

与现有技术相比，本发明的有益效果是：该基于卷积神经网络深度学习的融媒体资料智能搜索方法，通过搜索引擎来搜索融媒体资料关键字，从而快速检索出用户所需要的文档资料，通过图文智能聚类、图片智能去重及优选对上传的图片进行处理，采用卷积神经网络深度学习算法快速搜寻目标图片，设置人脸图片及关联的人员基本信息如姓名、岗位、手机号等，当上传人脸图片时系统自动识别人脸库信息，识别成功后将此人脸图片关联到对应人员并归类存储，保证融媒体资料智能搜索方法可以快速且智能的搜索到用户所需要的资料文件。

附图说明

图1为本发明流程示意图；

图2为本发明图文信息搜索流程示意图；

图3为本发明图像搜索流程示意图；

图4为本发明原理示意图。

具体实施方式

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，都属于本发明保护的范围。

请参阅图1-4，本发明提供一种技术方案：基于卷积神经网络深度学习的融媒体资料智能搜索方法，包括以下步骤：

S1：构建基础设备层，所述的基础设备层包括服务器、计算资源、网络资源和存储资源，构建基础设备层是通过服务器、计算资源、网络资源、存储资源的结合来提供系统运行及呈现功能的支撑；

S2：采用存储层存储数据，利用MySql数据库存储结构化数据，文件服务存储非结构化数据，所述的存储层是通过高效文件存储模块对各类文件进行存储，所述存储层的内部包括有图片资源数据、文件资源数据和系统用户数据；

S3：图文信息搜索，通过人工智能系统搜索文件库内的图片、视频和文档等资料，所述的图文信息搜索包括以下步骤：图像搜索，采用CNN模型与K-means聚类算法组合对图像进行聚类和标签化；文档搜索，采用MySql的存储引擎结合innodb全文索引来搜索融媒体资料关键字；

其中，图像搜索包括以下步骤：

图文智能聚类，利用卷积神经网络CNN模型进行图片特征抽取，采用K-means算法对特征进行聚类，通过提供对上传的图片、视频等资料进行智能识别，实现自动分类包括场景、人物、时间以及地点等数据和打标签，用户可根据标签及分类进行智能搜索，方便查询出所需求的文件；

图片智能去重及优选是通过颜色纹理特征提取算法进行图片去重，并且优化筛选高质量图片，同时可对连拍的照片中曝光度过高、像素不清晰、亮度过暗等情况实现自动筛选，为用户推荐质量较高的图片作为宣传素材，采用Laws模板的纹理描述方法通过使用简单模板处理纹理图像，从而对纹理图像的特征进行描述，Laws模板使用一组小的模板对纹理图像卷积，对卷积后的图像的每一个像素的邻域进行统计计算，将统计量作为对应像素的纹理特征；

智能搜图采用卷积神经网络深度学习算法快速搜寻目标图片，在自建的图片库中搜索相似图片集，并给出相似度分值，筛选出相似度分值较高的图像，进一步提高图像的搜索效率；

S4：采用展现层可视化展现，采用可视化终端设备进行图文共享和权限管理，所述的展现层通过web页面可视化展现各个功能模块和系统管理的操作页面。

具体实施时，通过采用MySql的存储引擎结合innodb全文索引来搜索融媒体资料关键字，从而可以快速检索出用户所需要的文档资料，通过图文智能聚类、图片智能去重及优选对上传的图片进行处理，并且通过采用卷积神经网络深度学习算法快速搜寻目标图片，从而提高文件管理和共享效率，节约图文维护、查阅的时间成本，能够整体提搞办公效率，同时提供人脸搜图的特色功能，在系统内设置人脸图片及关联的人员基本信息如姓名、岗位、手机号等，当上传人脸图片时系统自动识别人脸库信息，识别成功后将此人脸图片关联到对应人员并归类存储，反之，可通过人员姓名查找关联的所有人脸图片，采用智能化管理手段对海量的融媒体资料进行存储、分类并提供智能化检索，同时避免资料的丢失、泄露等安全风险，可大幅工作人员对资料的管理维护水平，通过智能化分类存储及智能检索应用，节省了大量人工手动维护、查找资料的工作量，提高人员办公效率，降低了人力资源成本，具有一定的经济效益。

综上所述，通过构建基础设备层、存储层、服务层和展现层来形成整体构架，并且通过存储层储存图片资源数据、文件资源数据和系统用户数据，并且使用CNN模型与K-means聚类算法组合对图像进行聚类和标签化，其中利用卷积神经网络CNN模型进行图片特征抽取，采用K-means算法对特征进行聚类，实现图文自动化、智能化聚类，通过采用MySql的存储引擎结合innodb全文索引来搜索融媒体资料关键字，最后，通过web页面可视化展现各个功能模块和系统管理的操作页面，从而实现对融媒体资料的智能搜索和资料共享，本说明中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。