一种多模态深度学习的摄像机智能检索方法和系统

本发明提供一种多模态深度学习的摄像机智能检索方法和系统，获取用户的多模态输入信息，多模态输入信息包括输入文本、输入语音和输入图像；将输入文本转化成文本输入特征，从输入语音中提取语音输入特征，从输入图像中提取图像输入特征；将文本输入特征、语音输入特征和图像输入特征进行融合得到多模态融合特征；基于多模态融合特征进行摄像机检索，得到摄像机检索结果并返回给用户。突破了单一输入方式导致的检索精度低的问题，提高了检索准确性与响应速度。