專(zhuān)利名稱(chēng)：獲取圖像的緊湊全局特征描述子的方法及圖像檢索方法
技術(shù)領(lǐng)域：
本發(fā)明實(shí)施例涉及計(jì)算機(jī)領(lǐng)域，尤其涉及一種獲取圖像的緊湊全局特征描述子的方法及圖像檢索方法。
背景技術(shù)：
隨著智能終端的發(fā)展，移動(dòng)視覺(jué)搜索應(yīng)用越來(lái)越多。當(dāng)前，基于智能終端的圖像檢索方法包括:1)在移動(dòng)客戶端提取圖像的局部特征描述子；2)對(duì)提取到的局部特征描述子進(jìn)行壓縮；3)通過(guò)網(wǎng)絡(luò)將壓縮后的局部特征描述子傳輸給服務(wù)器，以使服務(wù)器根據(jù)局部特征描述子在服務(wù)器的數(shù)據(jù)庫(kù)中進(jìn)行查找，并將查找的結(jié)果發(fā)送至移動(dòng)客戶端。然而，上述圖像檢索方法的局部特征壓縮以及建立倒排等索引文件的計(jì)算量較高，特別地，圖像檢索方法中獲取的局部特征描述子占用較大的空間，由此，根據(jù)當(dāng)前的網(wǎng)絡(luò)帶寬，移動(dòng)客戶端存在無(wú)法較快地將局部特征描述子發(fā)送至服務(wù)器的問(wèn)題。另外，由于局部特征描述子占用的較大的空間，故服務(wù)器根據(jù)移動(dòng)客戶端傳送的局部特征描述子查找匹配的過(guò)程也非常遲緩，進(jìn)而嚴(yán)重影響了檢索系統(tǒng)的查詢響應(yīng)時(shí)間，降低了查詢效率。此外，現(xiàn)有技術(shù)還提出一種利用全局視覺(jué)特征進(jìn)行圖像檢索的方法，該方法在提取全局特征描述子的過(guò)程中，所使用的特征降維方法和描述子壓縮方法需要大量的存儲(chǔ)空間用于存儲(chǔ)降維矩陣和量化表等，在內(nèi)存較低的移動(dòng)終端上無(wú)法實(shí)現(xiàn)，同時(shí)，全局特征描述子的長(zhǎng)度為固定長(zhǎng)度，其無(wú)法應(yīng)用于各種檢索條件下，進(jìn)而影響圖像搜索的性能。

發(fā)明內(nèi)容
針對(duì)上述缺陷，本發(fā)明實(shí)施例提供一種獲取圖像的緊湊全局特征描述子的方法及圖像檢索方法。一方面，本發(fā)明實(shí)施例提供一種獲取圖像的緊湊全局特征描述子的方法，包括:獲取圖像的至少一個(gè)局部特征描述子，所述至少一個(gè)局部特征描述子形成一集合；根據(jù)局部特征描述子的選擇方式，從所有的局部特征描述子中選取一個(gè)或多個(gè)局部特征描述子，所述選取的一個(gè)或多個(gè)局部特征描述子組成所述集合的第一子集；將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子；根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子；將所述全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到所述圖像的緊湊全局特征描述子?？蛇x地，將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子，包括:采用降維矩陣對(duì)所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子；其中，所述降維矩陣為采用降維方式訓(xùn)練預(yù)設(shè)的第一圖像數(shù)據(jù)集之后得到的矩陣。

可選地，所述根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子，包括:
根據(jù)Fisher向量生成規(guī)則，對(duì)所述降維后的局部特征描述子進(jìn)行轉(zhuǎn)換，得到累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量；以及根據(jù)Fisher向量稀疏性判別規(guī)則，對(duì)所述累積梯度向量集合進(jìn)行處理，并生成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子。可選地,所述Fisher向量生成規(guī)則包括離線步驟和在線步驟。相應(yīng)地，根據(jù)Fisher向量生成規(guī)則，對(duì)所述降維后的局部特征描述子進(jìn)行轉(zhuǎn)換，得到累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量，包括:所述Fisher向量生成規(guī)則的離線步驟包括:訓(xùn)練預(yù)設(shè)的第二圖像數(shù)據(jù)集得到用于產(chǎn)生Fisher向量的概率分布模型，所述概率分布模型是由M個(gè)獨(dú)立的概率密度函數(shù)線性疊加得到的，其中，M為大于等于I的自然數(shù)；所述Fisher向量生成規(guī)則的在線步驟包括:根據(jù)所述概率分布模型中的每一概率密度函數(shù)，將每一降維后的局部特征描述子轉(zhuǎn)換為梯度向量，得到針對(duì)每一概率密度函數(shù)的梯度向量集合；針對(duì)每一概率密度函數(shù)的梯度向量集合，求所有所述梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量；所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量；或者，所述Fisher向量生成規(guī)則的在線步驟為:根據(jù)所述概率分布模 型中的每一概率密度函數(shù)，將每一降維后的局部特征描述子轉(zhuǎn)換為一個(gè)或多個(gè)不同類(lèi)型的梯度向量，得到針對(duì)每一概率密度函數(shù)的梯度向量集合；針對(duì)每一概率密度函數(shù)的梯度向量集合，分別求每種類(lèi)型的所有梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量；所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一Fisher 向量；所述Fisher向量稀疏性判別規(guī)則為基于統(tǒng)計(jì)量的稀疏性判別規(guī)則，或者基于概率的稀疏性判別規(guī)則；相應(yīng)地，所述根據(jù)Fisher向量稀疏性判別規(guī)則，對(duì)所述累積梯度向量集合進(jìn)行處理，并生成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子，包括:獲取所述累積梯度向量集合中的每一累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量;將所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的K個(gè)所述累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子；或者，獲取所述累積梯度向量集合中的每種類(lèi)型的每一累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量；將每種類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取所述每種類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量的排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的每種類(lèi)型的K個(gè)累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子；或者，獲取所述累積梯度向量集合中的某一類(lèi)型的每一所述累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量；將所述某一類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的K個(gè)累積梯度向量及相應(yīng)概率密度函數(shù)對(duì)應(yīng)的其他類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子；或者，針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一所述降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合；若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取所述概率密度函數(shù)；將選取的所述概率密度函數(shù)對(duì)應(yīng)的所述累積梯度向量保留，并將所有保留的所述累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子；或者，針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一所述降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合；若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取該概率密度函數(shù)；將選取的所述概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量保留，并將所有保留的所述一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子?？蛇x地，所述全局特征描述子的字節(jié)大小根據(jù)所述第一規(guī)則中的參數(shù)值的變化而變化，相應(yīng)地，在所述全局特征描述子的字節(jié)大小變化時(shí)，所述緊湊全局特征描述子的字節(jié)大小也相應(yīng)變化?？蛇x地，所述將所述全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到所述圖像的緊湊全局特征描述子，包括:根據(jù)數(shù)據(jù)壓縮規(guī)則，將所述全局特征描述子中各維度的數(shù)值均用I個(gè)比特位表不。由上述技術(shù)方案可知，本發(fā)明實(shí)施例的獲取圖像的緊湊全局特征描述子的方法，通過(guò)選取圖像的所有局部特征描述子中的部分局部特征描述子，對(duì)選取的局部特征描述子降維，并將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子，進(jìn)而對(duì)全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子。上述方法獲取的緊湊全局特征描述子利用了圖像視覺(jué)特征的統(tǒng)計(jì)特性，更加緊湊并具有可伸縮性，解決了現(xiàn)有技術(shù)中內(nèi)存較低的移動(dòng)終端上空間不足的缺陷。特別地，上述的緊湊全局特征描述子為可伸縮的緊湊全局特征描述子，該可伸縮性表現(xiàn)在該緊湊全局特征描述子在結(jié)構(gòu)上具有漸進(jìn)性，即通過(guò)累進(jìn)式地追加新特征可以實(shí)現(xiàn)對(duì)圖像越來(lái)越準(zhǔn)確的描述。另一方面，本發(fā)明實(shí)施例提供一種采用緊湊全局特征描述子生成比特流的方法，包括:如上任一所述的獲取圖像的緊湊全局特征描述子的方法，以及，還包括:根據(jù)預(yù)設(shè)的第一規(guī)則和全局特征描述子、緊湊全局特征描述子生成用于表達(dá)圖像視覺(jué)特征的比特流。

可選地，所述比特流包括頭部和非頭部，所述第一規(guī)則中Fisher向量生成規(guī)則的離線步驟包括:訓(xùn)練預(yù)設(shè)的第二圖像數(shù)據(jù)集得到用于產(chǎn)生Fisher向量的概率分布模型，所述概率分布模型是由M個(gè)獨(dú)立的概率密度函數(shù)線性疊加得到的，其中，M為大于等于I的自然數(shù)；相應(yīng)地，根據(jù)預(yù)設(shè)的第一規(guī)則和全局特征描述子、緊湊全局特征描述子生成用于表達(dá)圖像視覺(jué)特征的比特流，包括:所述比特流的頭部的所有維度的長(zhǎng)度與所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)相同，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)所述比特流的頭部的一維度；若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量用于組成所述全局特征描述子，則所述與該概率密度函數(shù)對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ;或者，所述比特流的頭部的前若干個(gè)維度用于標(biāo)示所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)，所述比特流的頭部的剩余維度的長(zhǎng)度與所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)相同，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)所述比特流的頭部的一維度；若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量用于組成所述全局特征描述子，則所述與·該概率密度函數(shù)對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ;或者，所述比特流的頭部的前若干個(gè)維度用于標(biāo)示所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)，所述比特流頭部的剩余維度的長(zhǎng)度為所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)與所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)的乘積，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的每一累積梯度向量對(duì)應(yīng)所述比特流的頭部的一維度；若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的一累積梯度向量用于組成所述全局特征描述子，則所述與該累積梯度向量對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ;將所述緊湊全局特征描述子組成所述比特流的非頭部。由上述技術(shù)方案可知，本發(fā)明實(shí)施例的采用緊湊全局特征描述子生成比特流的方法，通過(guò)選取圖像的所有局部特征描述子中的部分局部特征描述子，對(duì)選取的局部特征描述子降維，并將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子，進(jìn)而對(duì)全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子，進(jìn)而生成表達(dá)圖像全局視覺(jué)特征的比特流。上述方法獲取的比特流占用空間非常小，解決了現(xiàn)有技術(shù)中網(wǎng)絡(luò)帶寬限制時(shí)圖像檢索能力低下的問(wèn)題。第三方面，本發(fā)明實(shí)施例提供一種基于比特流進(jìn)行圖像匹配的方法，包括:如上任一所述的采用緊湊全局特征描述子生成比特流的方法，以及，還包括:根據(jù)目標(biāo)圖像的比特流的頭部和待匹配圖像的比特流的頭部，確定所述目標(biāo)圖像的全局特征描述子和所述待匹配圖像的全局特征描述子是否包含相同的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量；若包含，則分別從目標(biāo)圖像的比特流的非頭部與待匹配圖像的比特流的非頭部中取出二者共同使用的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量經(jīng)數(shù)據(jù)壓縮后生成的全部比特位；計(jì)算從目標(biāo)圖像的比特流的非頭部取出的所述全部比特位和從待匹配圖像的比特流的非頭部取出的所述全部比特位之間的基于漢明距離的相似度；根據(jù)所述基于漢明距離的相似度判定目標(biāo)圖像與待匹配圖像是否匹配。由上述技術(shù)方案可知，本發(fā)明實(shí)施例的基于比特流進(jìn)行圖像匹配的方法，通過(guò)選取圖像的所有局部特征描述子中的部分局部特征描述子，對(duì)選取的局部特征描述子降維，并將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子，進(jìn)而對(duì)全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子，進(jìn)而生成表達(dá)圖像視覺(jué)特征的比特流，所述比特流的特點(diǎn)是可以對(duì)不同字節(jié)大小的比特流進(jìn)行比較，實(shí)現(xiàn)了圖像匹配過(guò)程中的互操作，增加了圖像匹配過(guò)程的靈活性。第四方面，本發(fā)明實(shí)施例提供一種圖像檢索方法，包括:客戶端采用如上任一所述的采用緊湊全局特征描述子生成比特流的方法獲取用于表達(dá)目標(biāo)圖像視覺(jué)特征的比特流，以及，還包括:所述客戶端將所述目標(biāo)圖像的比特流傳輸至服務(wù)器；所述服務(wù)器根據(jù)上述任一所述的采用緊湊全局特征描述子生成比特流的方法獲取用于表達(dá)所述服務(wù)器內(nèi)圖像庫(kù)中任一圖像視覺(jué)特征的比特流；所述服務(wù)器將所述目標(biāo)圖像的比特流與所述服務(wù)器內(nèi)的圖像庫(kù)中任一圖像的比特流進(jìn)行比較，獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流；所述服務(wù)器選擇性地對(duì)所述前Q個(gè)基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流對(duì)應(yīng)的圖像進(jìn)行后期處理；所述服務(wù)器將經(jīng)過(guò) 所述后期處理獲得的服務(wù)器內(nèi)的圖像庫(kù)中圖像發(fā)送至所述客戶端?？蛇x地，所述服務(wù)器將所述目標(biāo)圖像的比特流與所述服務(wù)器內(nèi)的圖像庫(kù)中任一圖像的比特流進(jìn)行比較，獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流，包括:所述服務(wù)器根據(jù)所述目標(biāo)圖像的比特流的頭部和所述服務(wù)器內(nèi)的圖像庫(kù)中的任一圖像的比特流的頭部，確定所述目標(biāo)圖像的全局特征描述子和所述服務(wù)器內(nèi)的圖像庫(kù)中的任一圖像的全局特征描述子是否包含相同的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度
向量;若包含，則從目標(biāo)圖像的比特流的非頭部與所述服務(wù)器內(nèi)的圖像庫(kù)中相應(yīng)圖像的比特流的非頭部中取出二者共同使用的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量經(jīng)數(shù)據(jù)壓縮生成的全部比特位；計(jì)算從目標(biāo)圖像的比特流取出的所述全部比特位和從所述服務(wù)器內(nèi)的圖像庫(kù)中相應(yīng)圖像的比特流取出的所述全部比特位之間的基于漢明距離的相似度；獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流。由上述技術(shù)方案可知，本發(fā)明實(shí)施例的圖像檢索方法，通過(guò)選取圖像的所有局部特征描述子中的部分局部特征描述子，對(duì)選取的局部特征描述子降維，并將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子，進(jìn)而對(duì)全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子，進(jìn)而生成表達(dá)圖像視覺(jué)特征的比特流并發(fā)送至服務(wù)器，以使服務(wù)器查找相似的圖像。上述方法可以在內(nèi)存消耗和可伸縮性上滿足不同圖像搜索應(yīng)用的需求，并且能夠進(jìn)一步提升圖像搜索和匹配的性能，能更好地應(yīng)用于基于移動(dòng)終端的圖像搜索。


為了更清楚地說(shuō)明本發(fā)明的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地:下面附圖只是本發(fā)明的一些實(shí)施例的附圖，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得同樣能實(shí)現(xiàn)本發(fā)明技術(shù)方案的其它附圖。圖1為本發(fā)明一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖；圖2至圖5為本發(fā)明另一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖；圖6和圖7為本發(fā)明另一實(shí)施例提供的采用緊湊全局特征描述子生成比特流的方法的流程示意圖；圖8為本發(fā)明一實(shí)施例提供的基于比特流進(jìn)行圖像匹配的方法的流程示意圖；圖9為本發(fā)明一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的裝置的結(jié)構(gòu)示意圖；圖10為本發(fā)明一實(shí)施例提供的比特流生成裝置的結(jié)構(gòu)示意圖；圖11為本發(fā)明一實(shí)施例提供的圖像檢索系統(tǒng)的結(jié)構(gòu)示意圖。
具體實(shí)施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行清楚、完整地描述。顯然，下述的各個(gè)實(shí)施例都只是本發(fā)明一部分的實(shí)施例。基于本發(fā)明下述的各個(gè)實(shí)施例，本領(lǐng)域普通技術(shù)人員即使沒(méi)有作出創(chuàng)造性勞動(dòng)，也可以通過(guò)等效變換部分甚至全部的技術(shù)特征，而獲得能夠解決本發(fā)明技術(shù)問(wèn)題，實(shí)現(xiàn)本發(fā)明技術(shù)效果的其它實(shí)施例，而這些變換而來(lái)的各個(gè)實(shí)施例顯然并不脫離本發(fā)明所公開(kāi)的范圍。圖1示出了本發(fā)明一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖，如圖1所示，本實(shí)施例中的獲取圖像的緊湊全局特征描述子的方法如下所述。需要說(shuō)明的是，本實(shí)施例中的緊湊全局特征描述子可以是在任一設(shè)備上進(jìn)行，本實(shí)施例不限制其執(zhí)行主體為客戶端還是服務(wù)器。101、獲取圖像的至少一個(gè)局部特征描述子，所述至少一個(gè)局部特征描述子形成一
口 O舉例來(lái)說(shuō)，上述提及的圖像可以是任意一幅圖像，如，該圖像可以是具有文件的照片，或者是手繪的圖片，油畫(huà)圖像，從視頻中截取的幀，地標(biāo)照片、或者物品照片等，本實(shí)施例不限定上述圖像的類(lèi)型和圖像的內(nèi)容。

特別地，獲取圖像的至少一個(gè)局部特征描述子的方式為現(xiàn)有的方式，舉例來(lái)說(shuō)，上述的局部特征描述子可為尺度不變描述子(Scale Invariant Feature Transform,簡(jiǎn)稱(chēng):SIFT)，或者，上述的局部特征描述子可為快速魯棒的尺度不變特征描述子(Speeded UpRobust Features,簡(jiǎn)稱(chēng):SURF),或其他局部特征描述子。應(yīng)了解的是，SIFT或SURF的提取方式可為現(xiàn)有的提取方式，本實(shí)施例不再詳述。通常，SIFT的維度為128維，SURF的維度為64維。102、根據(jù)局部特征描述子的選擇方式，從所有的局部特征描述子中選取一個(gè)或多個(gè)局部特征描述子，所述選取的一個(gè)或多個(gè)局部特征描述子組成所述集合的第一子集。舉例來(lái)說(shuō)，若圖像的局部特征描述子的總數(shù)為1000個(gè)，則可以選取300個(gè)局部特征描述子組成第一子集。另外，若圖像的局部特征描述子的總數(shù)為150個(gè)，則可以將150個(gè)局部特征描述子
組成第一子集?？蛇x地，如下圖2中所舉例的圖像的局部特征描述子的選擇方式。103、將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子。104、根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子。105、將所述全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到所述圖像的緊湊全局特征描述
子。 可以理解的是，本實(shí)施例中的緊湊全局特征描述子為可伸縮性的緊湊全局特征描述子。例如，在具體的實(shí)現(xiàn)過(guò)程中，所述全局特征描述子的字節(jié)大小可根據(jù)所述第一規(guī)則中的參數(shù)值的變化而變化，緊湊全局特征描述子的字節(jié)大小也會(huì)相應(yīng)變化。由上述技術(shù)方案可知，本發(fā)明實(shí)施例的獲取圖像的緊湊全局特征描述子的方法，通過(guò)選取圖像的所有局部特征描述子中的部分局部特征描述子，對(duì)選取的局部特征描述子降維，并將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子，進(jìn)而對(duì)全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子。上述方法獲取的緊湊全局特征描述子利用了圖像視覺(jué)特征的統(tǒng)計(jì)特性，更加緊湊并具有可伸縮性，解決了現(xiàn)有技術(shù)中內(nèi)存較低的移動(dòng)終端上空間不足的缺陷。特別地，上述的緊湊全局特征描述子為可伸縮的緊湊全局特征描述，該可伸縮性表現(xiàn)在該緊湊全局特征描述子在結(jié)構(gòu)上具有漸進(jìn)性，即通過(guò)累進(jìn)式地追加新特征可以實(shí)現(xiàn)對(duì)圖像越來(lái)越準(zhǔn)確的描述。圖2示出了本發(fā)明另一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖，在上述圖1所示的實(shí)施例的基礎(chǔ)上，在本實(shí)施例中，上述步驟102可包括如下的子步驟1021至子步驟1023。本實(shí)施例中對(duì)于一幅圖像，提取一個(gè)以上SIFT，從所有SIFT中選取包含N個(gè)SIFT的子集，所述子集中的SIFT用于后續(xù)的全局特征描述子的生成使用，其中N大于O。本實(shí)施例中N為300。需要注意的是，當(dāng)上述圖像提取的SIFT的個(gè)數(shù)小于N時(shí)，則選取圖像的所有SIFT作為子集中的元素。1021、分別對(duì)若干匹配圖像對(duì)和非匹配圖像對(duì)提取所述SIFT。其中，匹配圖像對(duì)是指包含同一個(gè)物體或同一個(gè)場(chǎng)景的兩幅圖像，非匹配圖像對(duì)是指包含不同物體或不同場(chǎng)景的兩幅圖像。這些匹配圖像對(duì)和非匹配圖像對(duì)不包括上述步驟101中的待執(zhí)行操作的圖像。1022、通過(guò)統(tǒng)計(jì)，獲得所述SIFT的不同特性在正確匹配的SIFT和誤匹配SIFT中的概率分布；其中，不同特性可以包括，如:尺度、方向、高斯差分的峰值、到圖像中心的距離等。1023、基于上述概率分布，計(jì)算當(dāng)步驟101中的待執(zhí)行操作的圖像的SIFT的各個(gè)特性分別處于某一取值范圍時(shí)，所述SIFT正確匹配的概率，根據(jù)所述概率從步驟101中的待執(zhí)行操作的圖像的所有SIFT中選取一個(gè)或多個(gè)SIFT。其中，假設(shè)所述SIFT的不同特性統(tǒng)計(jì)獨(dú)立，所述SIFT正確匹配的概率為基于不同特性計(jì)算的SIFT正確匹配的概率的乘積，并以此作為選取SIFT子集中的元素的依據(jù)。在實(shí)際應(yīng)用中，也可以采用其他局部特征描述子的選擇方法，不限于上述舉例的步驟1021至步驟1023。需要說(shuō)明的是，若干匹配圖像對(duì)和非匹配圖像對(duì)與待生成緊湊全局特征描述子的圖像是不同的。特別地，上述步驟1021和步驟1022是可以預(yù)先獲取的，即離線獲取然后存儲(chǔ)在設(shè)備中的。圖3示出了本發(fā)·明另一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖，在上述圖1所示的實(shí)施例的基礎(chǔ)上，在本實(shí)施例中，上述步驟103可包括如下的子步驟1031。103、將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子，包括:1031、采用降維矩陣對(duì)所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子；其中，所述降維矩陣為采用降維方式訓(xùn)練預(yù)設(shè)的第一圖像數(shù)據(jù)集之后得到的矩陣。舉例來(lái)說(shuō)，降維方式可以是主成分分析、線性判別分析等方式，其中主成分分析方式可以參考 “ Jolliffe, 1.T.(1986).Principal Component Analysis.Springer-Verlag.pp.487.”中所公開(kāi)的內(nèi)容。本發(fā)明的實(shí)施例中，降維方式可主要采用主成分分析方式。需要說(shuō)明的是，上述的第一圖像數(shù)據(jù)集不包括上述步驟101中提及的用于生成緊湊全局特征描述子的圖像。進(jìn)一步地，在圖2所示的實(shí)施例的基礎(chǔ)上，上述的103的子步驟可為如下的圖中未示出的子步驟1031’。1031’，利用降維矩陣分別對(duì)選取的N個(gè)SIFT進(jìn)行降維，將SIFT的維度從128維降至32維。本發(fā)明的實(shí)施例中，降維方式可主要采用主成分分析方式。需要注意的是，不同的局部特征描述子的維度可能不同。特別地，可以將不同的局部特征描述子選擇降至不同的維度，該維度由上述的降維矩陣決定。上述僅為舉例說(shuō)明，本實(shí)施例不對(duì)其進(jìn)行限定。在本實(shí)施例中，對(duì)選取的第一子集中的局部特征描述子降維的目的在于，可以減小生成的圖像的全局特征描述子的維度，進(jìn)而可以減小最終生成的圖像的緊湊全局特征描述子的維度；進(jìn)一步地，通過(guò)降維操作，可以消除選取的第一子集中的局部特征描述子中的冗余信息，進(jìn)而提升圖像搜索和匹配的性能。圖4示出了本發(fā)明另一實(shí)施例提供的獲取圖像的緊湊全局特征描述子的方法的流程示意圖，在上述圖1所示的實(shí)施例的基礎(chǔ)上，在本實(shí)施例中，上述步驟104可包括如下的子步驟1041和1042。104、根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子，包括:1041、根據(jù)Fisher向量(Fisher Vector)生成規(guī)則,對(duì)所述降維后的局部特征描述子進(jìn)行轉(zhuǎn)換，得到累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量。1042、根據(jù)Fisher向量稀疏性判別規(guī)則，對(duì)所述累積梯度向量集合進(jìn)行處理，并生成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子。舉例來(lái)說(shuō)，上述步驟1041中的所述Fisher向量生成規(guī)則可包括離線步驟和在線步驟:其中，所述Fisher向量生成規(guī)則的離線步驟包括:訓(xùn)練預(yù)設(shè)的第二圖像數(shù)據(jù)集得到用于產(chǎn)生Fisher向量的概率分布模型，所述概率分布模型是由M個(gè)獨(dú)立的概率密度函數(shù)線性疊加得到的，其中，M為大于等于I的自然數(shù)；所述Fisher向量生成規(guī)則的在線步驟包括:根據(jù)所述概率分布模型中的每一概率密度函數(shù)，將每一所述降維后的局部特征描述子轉(zhuǎn)換為梯度向量，得到針對(duì)所述每一概率密度函數(shù)的梯度向量集合；針對(duì)所述每一概率密度函數(shù)的梯度向量集合，求所有所述梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量。所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的所述累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fi sher向量。在其他實(shí)施例中，前述的Fisher向量生成規(guī)則的在線步驟也可以如下:根據(jù)所述概率分布模型中的每一概率密度函數(shù)，將每一降維后的局部特征描述子轉(zhuǎn)換為一個(gè)或多個(gè)不同類(lèi)型的梯度向量，得到針對(duì)每一概率密度函數(shù)的梯度向量集合；針對(duì)每一概率密度函數(shù)的梯度向量集合，分別求每種類(lèi)型的所有梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量；所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一Fisher 向量。其中， 本實(shí)施例中的梯度向量可以為多個(gè)不同類(lèi)型，每種類(lèi)型對(duì)應(yīng)一個(gè)梯度向量。前述的一個(gè)或多個(gè)不同類(lèi)型的梯度向量具體含義為，某一種類(lèi)型的一個(gè)梯度向量，或者多種不同類(lèi)型的多個(gè)梯度向量。相應(yīng)地，本實(shí)施例中的累積梯度向量也可以為多個(gè)不同類(lèi)型，每種類(lèi)型對(duì)應(yīng)一個(gè)累積梯度向量。前述的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量具體含義為，某一種類(lèi)型的一個(gè)累積梯度向量，或者多種不同類(lèi)型的多個(gè)累積梯度向量。
在實(shí)際應(yīng)用中，利用第二圖像數(shù)據(jù)集，可離線訓(xùn)練用于產(chǎn)生Fisher向量的概率分布模型。舉例來(lái)說(shuō)，概率分布模型可為高斯混合模型。當(dāng)然，實(shí)際應(yīng)用中的概率分布模型也可以應(yīng)用其他概率分布模型，不限于高斯混合模型。需要說(shuō)明的是，上述的第二圖像數(shù)據(jù)集也不包括上述步驟101中提及的用于生成緊湊全局特征描述子的圖像。當(dāng)然，上述的第一圖像數(shù)據(jù)集和上述的第二圖像數(shù)據(jù)集可以相同，也可以不同。此外，F(xiàn)isher向量生成規(guī)則可以參考 “Florent Perronnin, ChristopherDance(2007).Fisher Kernels on Visual Vocabularies for ImageCategorization, CVPR.”所公開(kāi)的內(nèi)容,本實(shí)施例通過(guò)采用Fisher向量生成規(guī)則構(gòu)造第一Fisher 向量。針對(duì)上述的步驟1042中的Fisher向量稀疏性判別規(guī)則，該處的Fisher向量稀疏性判別規(guī)則可為基于統(tǒng)計(jì)量的稀疏性判別規(guī)則，或者Fisher向量稀疏性判別規(guī)則可為基于概率的稀疏性判別規(guī)則。通常，統(tǒng)計(jì)量可包括方差、期望等統(tǒng)計(jì)量，舉例來(lái)說(shuō)，基于統(tǒng)計(jì)量的稀疏性判別規(guī)則可在實(shí)際中具體應(yīng)用為基于方差的稀疏性判別規(guī)則。相應(yīng)地，若Fisher向量稀疏性判別規(guī)則為基于方差的稀疏性判別規(guī)則，則上述步驟1042可具體包括如下的圖中未示出的步驟10421和10422。10421、獲取所述累積梯度向量集合中的每一所述累積梯度向量的所有維度的數(shù)值的方差；10422、將所有累積梯度向量的所述方差按照從大到小依次排序，選取排序中前K個(gè)方差對(duì)應(yīng)的所述累積梯度向量，將選取的K個(gè)所述累積梯度向量組成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子。 在其他實(shí)施例中，基于方差的稀疏性判別規(guī)則也可以是如下的圖中未示出的步驟10421a和 10422a:10421a、獲取所述累積梯度向量集合中的每種類(lèi)型的每一所述累積梯度向量的所有維度的數(shù)值的方差；10422a、將所述每種類(lèi)型的所有累積梯度向量的方差按照從大到小依次排序，選取所述每種類(lèi)型的所有累積梯度向量的方差的排序中前K個(gè)方差對(duì)應(yīng)的累積梯度向量，將選取的每種類(lèi)型的K個(gè)累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。另外，基于方差的稀疏性判別規(guī)則也可以是如下的圖中未示出的步驟10421b和10422b:10421b、獲取所述累積梯度向量集合中的某一類(lèi)型的每一累積梯度向量的所有維度的數(shù)值的方差；10422b、將所述某一類(lèi)型的所有累積梯度向量的方差按照從大到小依次排序，選取排序中前K個(gè)方差對(duì)應(yīng)的累積梯度向量，將選取的K個(gè)累積梯度向量及相應(yīng)概率密度函數(shù)對(duì)應(yīng)的其他類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。舉例來(lái)說(shuō)，若累積梯度向量的類(lèi)型可為三種類(lèi)型:例如，針對(duì)期望的累積梯度向量、針對(duì)方差的累積梯度向量或針對(duì)權(quán)重的累積梯度向量(需要注意的是，累積梯度向量的類(lèi)型不限于以上三種)。如果選擇針對(duì)期望的累積梯度向量用于計(jì)算每一累積梯度向量所有維度的數(shù)值的方差，那么根據(jù)方差排序得到前K個(gè)累積梯度向量，同時(shí)還要選擇由與這K個(gè)累積梯度向量對(duì)應(yīng)的概率密度函數(shù)獲得的針對(duì)方差的累積梯度向量和針對(duì)權(quán)重的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。相應(yīng)地，若Fisher向量稀疏性判別規(guī)則可為基于概率的稀疏性判別規(guī)則，則上述步驟1042可具體包括如下的圖中未示出的步驟10421’和10422’。10421’、針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一所述降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合；10422’、若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取所述概率密度函數(shù)；將選取的所述概率密度函數(shù)對(duì)應(yīng)的所述累積梯度向量保留，并將所有保留的所述累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。或者，在其他實(shí)施例中，上述的步驟10421’和10422’還可為如下的圖中未示出的步驟 10421，a 和 10422，a:10421’ a、針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合；10422’ a、若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取該概率密度函數(shù)；將選取的所述概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量保留，并將所有保留的所述一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。需要說(shuō)明的是,上述Fisher向量稀疏性判別規(guī)則中的稀疏性是指:第一 Fisher向量的大部分維度對(duì)于表達(dá)圖像的面向檢索的區(qū)分力的作用不大時(shí)，稱(chēng)這樣的第一 Fisher向量是稀疏的。另外,上述的第一Fisher向量可為本領(lǐng)域所述的自適應(yīng)Fisher向量，自適應(yīng)是指根據(jù)圖像視覺(jué)特征的統(tǒng)計(jì)特性生成Fisher向量，本發(fā)明實(shí)施例中為描述方便，在某些地方使用第一 Fisher向量,在某些實(shí)施例中使用自適應(yīng)Fisher向量,該處的第一 Fisher向量和自適應(yīng)Fisher向量是一致的,只是叫法不同。為進(jìn)一步詳細(xì)描述上述的步驟104，在其他實(shí)施例中，上述的步驟104可包括如下的子步驟:利用第二圖像數(shù)據(jù)集訓(xùn)練高斯混合模型，所述高斯混合模型將用于為步驟101中的圖像生成自適應(yīng)Fisher向量,具體包括:S01、通過(guò)第二圖像數(shù)據(jù)集訓(xùn)練得到的高斯混合模型的參數(shù)集合為λ，λ包括M個(gè)高斯分量的參數(shù)，其中包括混合權(quán)重[O1,..., ωΜ]、均值向量[μι，......, μ J和標(biāo)準(zhǔn)差
[O1,......，σ J，即
權(quán)利要求
1.一種獲取圖像的緊湊全局特征描述子的方法，其特征在于，包括: 獲取圖像的至少一個(gè)局部特征描述子，所述至少一個(gè)局部特征描述子形成一集合；根據(jù)局部特征描述子的選擇方式，從所有的局部特征描述子中選取一個(gè)或多個(gè)局部特征描述子，所述選取的一個(gè)或多個(gè)局部特征描述子組成所述集合的第一子集； 將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子；根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子； 將所述全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到所述圖像的緊湊全局特征描述子。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子，包括: 采用降維矩陣對(duì)所述第一子集中的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子； 其中，所述降維矩陣為采用降維方式訓(xùn)練預(yù)設(shè)的第一圖像數(shù)據(jù)集之后得到的矩陣。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)預(yù)設(shè)的第一規(guī)則，將所述降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子，包括: 根據(jù)Fisher向量生成規(guī)則，對(duì)所述降維后的局部特征描述子進(jìn)行轉(zhuǎn)換，得到累積梯度向量集合，并由所述累積梯度向 量集合中的累積梯度向量構(gòu)造第一 Fisher向量；以及根據(jù)Fisher向量稀疏性判別規(guī)則，對(duì)所述累積梯度向量集合進(jìn)行處理，并生成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于， 所述Fisher向量生成規(guī)則包括:離線步驟和在線步驟； 相應(yīng)地，根據(jù)Fisher向量生成規(guī)則，對(duì)所述降維后的局部特征描述子進(jìn)行轉(zhuǎn)換，得到累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量，包括: 所述Fisher向量生成規(guī)則的離線步驟包括: 訓(xùn)練預(yù)設(shè)的第二圖像數(shù)據(jù)集得到用于產(chǎn)生Fisher向量的概率分布模型，所述概率分布模型是由M個(gè)獨(dú)立的概率密度函數(shù)線性疊加得到的，其中，M為大于等于I的自然數(shù)；所述Fisher向量生成規(guī)則的在線步驟為: 根據(jù)所述概率分布模型中的每一概率密度函數(shù)，將每一降維后的局部特征描述子轉(zhuǎn)換為梯度向量，得到針對(duì)每一概率密度函數(shù)的梯度向量集合； 針對(duì)每一概率密度函數(shù)的梯度向量集合，求所有所述梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量； 所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一 Fisher向量； 或者， 所述Fisher向量生成規(guī)則的在線步驟為: 根據(jù)所述概率分布模型中的每一概率密度函數(shù)，將每一降維后的局部特征描述子轉(zhuǎn)換為一個(gè)或多個(gè)不同類(lèi)型的梯度向量，得到針對(duì)每一概率密度函數(shù)的梯度向量集合； 針對(duì)每一概率密度函數(shù)的梯度向量集合，分別求每種類(lèi)型的所有梯度向量的平均值，得到每一概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量； 所述概率分布模型的M個(gè)概率密度函數(shù)各自對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成累積梯度向量集合，并由所述累積梯度向量集合中的累積梯度向量構(gòu)造第一Fisher 向量； 所述Fisher向量稀疏性判別規(guī)則為基于統(tǒng)計(jì)量的稀疏性判別規(guī)則，或者基于概率的稀疏性判別規(guī)則； 相應(yīng)地，所述根據(jù)Fisher向量稀疏性判別規(guī)則，對(duì)所述累積梯度向量集合進(jìn)行處理，并生成用于表達(dá)所述圖像視覺(jué)特征的全局特征描述子，包括: 獲取所述累積梯度向量集合中的每一累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量；將所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的K個(gè)累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子； 或者， 獲取所述累積梯度向量集合中的每種類(lèi)型的每一累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量； 將每種類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取所述每種類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量的排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的每種類(lèi)型的K個(gè)累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子； 或者， 獲取所述累積梯度向量集合中的某一類(lèi)型的每一累積梯度向量的所有維度的數(shù)值的統(tǒng)計(jì)量；` 將所述某一類(lèi)型的所有累積梯度向量的統(tǒng)計(jì)量按照從大到小依次排序，選取排序中前K個(gè)統(tǒng)計(jì)量對(duì)應(yīng)的累積梯度向量，將選取的K個(gè)累積梯度向量及相應(yīng)概率密度函數(shù)對(duì)應(yīng)的其他類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子； 或者， 針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一所述降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合； 若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取該概率密度函數(shù)； 將選取的所述概率密度函數(shù)對(duì)應(yīng)的所述累積梯度向量保留，并將所有保留的所述累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子； 或者， 針對(duì)所述概率分布模型中的每一概率密度函數(shù)求得每一所述降維后的局部特征描述子對(duì)應(yīng)的概率值，所述概率值構(gòu)成所述每一概率密度函數(shù)的概率值集合； 若概率密度函數(shù)的所述概率值集合中的最大概率值大于預(yù)設(shè)的第一閾值，則選取該概率密度函數(shù)； 將選取的所述概率密度函數(shù)對(duì)應(yīng)的一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量保留，并將所有保留的所述一個(gè)或多個(gè)不同類(lèi)型的累積梯度向量組成用于表達(dá)圖像視覺(jué)特征的全局特征描述子。
5.根據(jù)權(quán)利要求1至4任一所述的方法，其特征在于， 所述全局特征描述子的字節(jié)大小根據(jù)所述第一規(guī)則中的參數(shù)值的變化而變化；相應(yīng)地，在所述全局特征描述子的字節(jié)大小變化時(shí)，所述緊湊全局特征描述子的字節(jié)大小也相應(yīng)變化。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到所述圖像的緊湊全局特征描述子，包括: 根據(jù)數(shù)據(jù)壓縮規(guī)則，將所述全局特征描述子中各維度的數(shù)值均用I個(gè)比特位表示。
7.一種采用緊湊全局特征描述子生成比特流的方法，其特征在于，包括如上權(quán)利要求1至6任一所述的方法，還包括: 根據(jù)預(yù)設(shè)的第一規(guī)則和全局特征描述子、緊湊全局特征描述子生成用于表達(dá)圖像全局視覺(jué)特征的比特流。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于， 所述比特流包括頭部和非頭部，所述第一規(guī)則中Fisher向量生成規(guī)則的離線步驟包括: 訓(xùn)練預(yù)設(shè)的第二圖像數(shù)據(jù)集得到用于產(chǎn)生Fisher向量的概率分布模型，所述概率分布模型是由M個(gè)獨(dú)立的概率密度函數(shù)線性疊加得到的，其中，M為大于等于I的自然數(shù)；相應(yīng)地，根據(jù)預(yù)設(shè)的第一規(guī)則和全局特征描述子、緊湊全局特征描述子生成用于表達(dá)圖像視覺(jué)特征的比特流，包括: 所述比特流的頭部的所有維度的長(zhǎng)度與所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)相同，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)所述比特流的頭部的一維度； 若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量用于組成所述全局特征描述子，則所述與該概率密度函數(shù)對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ; 或者， 所述比特流的頭部的前若干個(gè)維度用于標(biāo)示所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)，所述比特流的頭部的剩余維度的長(zhǎng)度與所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)相同，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)所述比特流的頭部的一維度；若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量用于組成所述全局特征描述子，則所述與該概率密度函數(shù)對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ; 或者， 所述比特流的頭部的前若干個(gè)維度用于標(biāo)示所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)，所述比特流頭部的剩余維度的長(zhǎng)度為所述概率分布模型中的概率密度函數(shù)的個(gè)數(shù)與所述概率密度函數(shù)對(duì)應(yīng)的累積梯度向量的類(lèi)別數(shù)的乘積，且所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的每一累積梯度向量對(duì)應(yīng)所述比特流的頭部的一維度； 若所述概率分布模型中的一概率密度函數(shù)對(duì)應(yīng)的累積梯度向量用于組成所述全局特征描述子，則所述與該累積梯度向量對(duì)應(yīng)的所述比特流的頭部的相應(yīng)維度的數(shù)值為1，否則為O ; 將所述緊湊全局特征描述子組成所述比特流的非頭部。
9.一種基于比特流進(jìn)行圖像匹配的方法，其特征在于，包括如上權(quán)利要求7至8任一所述的方法，還包括: 根據(jù)目標(biāo)圖像的比特流的頭部和待匹配圖像的比特流的頭部，確定所述目標(biāo)圖像的全局特征描述子和所述待匹配圖像的全局特征描述子是否包含相同的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量； 若包含，則分別從目標(biāo)圖像的比特流的非頭部與待匹配圖像的比特流的非頭部中取出二者共同使用的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量經(jīng)數(shù)據(jù)壓縮后生成的全部比特位； 計(jì)算從目標(biāo)圖像的比特流的非頭部取出的所述全部比特位和從待匹配圖像的比特流的非頭部取出的所述全部比特位之間的基于漢明距離的相似度； 根據(jù)所述基于漢明距離的相似度判定目標(biāo)圖像與待匹配圖像是否匹配。
10.一種圖像檢索方法，其特征在于，包括: 客戶端采用如上權(quán)利要求7或8所述的方法獲取目標(biāo)圖像視覺(jué)特征的比特流； 所述客戶端將所述目標(biāo)圖像的比特流傳輸至服務(wù)器； 所述服務(wù)器根據(jù)上述權(quán)利要求7或8所述的方法獲取用于表達(dá)所述服務(wù)器內(nèi)圖像庫(kù)中任一圖像視覺(jué)特征的比特流； 所述服務(wù)器將所述目標(biāo)圖像的比特流與所述服務(wù)器內(nèi)的圖像庫(kù)中任一圖像的比特流進(jìn)行比較，獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流； 所述服務(wù)器選擇性地對(duì)所述前Q個(gè)基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流對(duì)應(yīng)的圖像進(jìn)行后期處理； 所述服務(wù)器將經(jīng)過(guò)所述后期處理獲得的服務(wù)器內(nèi)的圖像庫(kù)中圖像發(fā)送至所述客戶端。
11.根據(jù)權(quán)利要求10所述的方法，其特征在于， 所述服務(wù)器將所述目標(biāo)圖像的比特流與所述服務(wù)器內(nèi)的圖像庫(kù)中任一圖像的比特流進(jìn)行比較，獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流，包括: 所述服務(wù)器根據(jù)所述目標(biāo)圖像的比特流的頭部和所述服務(wù)器內(nèi)的圖像庫(kù)中的任一圖像的比特流的頭部，確定所述目標(biāo)圖像的全局特征描述子和所述服務(wù)器內(nèi)的圖像庫(kù)中的任一圖像的全局特征描述子是否包含相同的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量; 若包含，則從目標(biāo)圖像的比特流的非頭部與所述服務(wù)器內(nèi)的圖像庫(kù)中相應(yīng)圖像的比特流的非頭部中取出二者共同使用的概率密度函數(shù)對(duì)應(yīng)的同種類(lèi)型的累積梯度向量經(jīng)數(shù)據(jù)壓縮生成的全部比特位； 計(jì)算從目標(biāo)圖像的比特流取出的所述全部比特位和從所述服務(wù)器內(nèi)的圖像庫(kù)中相應(yīng)圖像的比特流取出的所述全部比特位之間的基于漢明距離的相似度； 獲取前Q個(gè)與目標(biāo)圖像的比特流的基于漢明距離的相似度最大的服務(wù)器內(nèi)的圖像庫(kù)中圖像的比特流。
全文摘要
本發(fā)明提供一種獲取圖像的緊湊全局特征描述子的方法及圖像檢索方法，其中，該方法包括獲取圖像的至少一個(gè)局部特征描述子，從所有的局部特征描述子中選取一個(gè)或多個(gè)局部特征描述子，將所選取的局部特征描述子進(jìn)行降維，獲得降維后的局部特征描述子；根據(jù)第一規(guī)則，將降維后的局部特征描述子轉(zhuǎn)換為用于表達(dá)圖像視覺(jué)特征的全局特征描述子；將全局特征描述子進(jìn)行數(shù)據(jù)壓縮，得到圖像的緊湊全局特征描述子；其中，全局特征描述子的字節(jié)大小可根據(jù)第一規(guī)則中的參數(shù)值的變化而變化。上述方法獲取的全局視覺(jué)特征更加緊湊并具有可伸縮性，解決了現(xiàn)有技術(shù)中內(nèi)存較低的移動(dòng)終端上空間不足的缺陷。
文檔編號(hào)G06F17/30GK103226589SQ20131012733
公開(kāi)日2013年7月31日 申請(qǐng)日期2013年4月12日 優(yōu)先權(quán)日2012年10月15日
發(fā)明者段凌宇, 林杰, 陳杰, 楊爽, 李冰, 黃鐵軍, 高文 申請(qǐng)人:北京大學(xué)