1.一种等价连续变化的二值离散优化的非线性哈希图像检索方法，其特征在于，所述方法包括以下步骤：

步骤1：提出基于等价连续变化的面对一般哈希学习模型的二值离散优化方法，过程如下：

步骤1.1:构建量化后的一般哈希学习模型，所述量化后的一般哈希学习模型为一个二值离散优化问题：

其中B为原始图像集 对应的哈希码集，f(B)为一般哈希学习模型的目标函数；

步骤1.2：把步骤1.1得到的二值离散优化问题等价转化为连续优化问题，过程如下：步骤1.2.1：把二值码等价为两个连续集合的交点，即：n×s

其中Cb＝[‑1,1] ， ||·||p表示Lp范数；

步骤1.2.2：把步骤1.1的一般哈希模型(1)转为等价的连续模型，即：步骤1.3：对步骤1.2得到的连续优化问题(2)进行求解，给出迭代过程，过程如下：步骤1.3.1：引入新的变量把约束条件等价为约束等式，并加入约束目标，把优化问题(3)等价转为下面等价模型：

其中C＝[C1；C2]，G＝[En；En]， IA(C)是一个示性函数，即当C∈A时取0反之取+∞，E,O分别表示单位矩阵和零矩阵；

步骤1.3.2：给出优化问题(4)的拉格朗日增广函数，即：其中γ,σ是正参数，Λ是参数矩阵，||·||表示Frobenius范数；

步骤1.3.3：按ADMM给出(5)的迭代过程，即按下面依次迭代：步骤1.4：对步骤1.3得到的优化方法进行收敛性分析；

步骤1.5：对步骤1.1得到的二值离散优化问题添加正交约束和位平衡约束，并给出相应的优化方法和收敛性分析；

步骤2：从图像数据集中随机选取部分图像组成查询图像集Q，剩下图像组成待查图像集D，并从待查图像集D随机选取部分图像组成训练图像集T；

步骤3：对图像数据集采用深度残差网络提取深度特征，并采用主成分分析法将深度特征降维；

步骤4:通过三层全连接网络构建非线性哈希函数；

步骤5：通过量化相似性保持损失函数以及添加正则项、离散正交约束和位平衡约束，得到非线性哈希学习目标函数；

步骤6：根据交替方向法对步骤5得到的目标函数中的网络参数、二值码依次进行优化；

步骤7：分批输入训练图像集T的深度特征和标签信息，根据步骤6依次迭代至收敛，将得到的最优全连接网络权重系数代入步骤4得到哈希函数；

步骤8：通过步骤7得到的非线性哈希函数计算查询图像集和待查图像集的图像的哈希码，对查询图像集Q中每一张图像，计算其哈希码与待查图像集D中所有图像的哈希码的汉明距离，并根据汉明距离从小到大排序后得到检索结果；

经过以上的步骤，即得到基于等价连续变化二值离散优化的非线性哈希图像检索。

2.如权利要求1所述的等价连续变化的二值离散优化的非线性哈希图像检索方法，其特征在于，所述步骤1.4的过程如下：步骤1.4.1：给出假设条件，并给出一些例子说明此假设条件易满足；

步骤1.4.2：在假设条件成立下证明由步骤1.3给出的迭代序列对应的拉格朗日增广函数值是递减的；

步骤1.4.3：在假设条件成立下证明由步骤1.3给出的迭代序列是有界的；

步骤1.4.4：在假设条件下证明由步骤1.3给出的迭代序列的任意聚点都收敛于步骤

1.3给出的连续优化问题的平衡点；

步骤1.4.5：在假设条件下证明由步骤1.3给出的迭代序列全局收敛于步骤1.3给出的连续优化问题的平衡点；

步骤1.4.6：给出了一个常用的哈希学习模型的二值离散方法并证明其收敛性。

3.如权利要求1所述的等价连续变化的二值离散优化的非线性哈希图像检索方法，其特征在于，所述步骤1.5的过程如下：步骤1.5.1：添加位平衡约束，通过在目标函数上添加约束项转为步骤1.1下的二值离散优化问题，同样采用步骤1.3的迭代方法，而且在满足假设条件的情况下同样满足全局收敛性；

步骤1.5.2：添加正交约束，引入新变量后采用步骤1.3.1的方法化为等价的连续优化问题，同样采用步骤1.3的迭代方法，而且在满足假设条件的情况下同样满足全局收敛性。

4.如权利要求1所述的等价连续变化的二值离散优化的非线性哈希图像检索方法，其特征在于，所述步骤6的过程如下：步骤6.1：网络参数优化，用随机梯度下降法和反向传播法进行优化；

步骤6.2：二值码优化，采用步骤1的基于等价连续变化的二值离散优化方法进行优化，并给出相应收敛性分析。