[發明專利]一種圖像檢索方法

無效

• 申請號: 201010195710.6
• 申請日: 2010-06-09
• 公開（公告）號: CN101859326A
• 公開（公告）日: 2010-10-13
• 發明（設計）人: 郭延文;汪粼波
• 申請（專利權）人: 南京大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種圖像檢索方法，其特征在于，包括訓練和檢索兩個部分；

所述訓練部分包括以下步驟：

步驟1，特征點的提取：對圖像數據庫中的每一幅圖像進行特征點的檢測和描述，得到一組特征點集；特征點集中每一個特征點包含：點在圖像中的位置坐標和一個128維的描述子矢量；

步驟2，特征點的補充和匹配關系的確定：對基于同一場景的各圖像的特征點集進行補充，并找到同一場景中不同圖像特征點間的匹配關系，具有匹配關系的點對應不同圖像中的同一物理點；

步驟3，同類點集的生成：將所述在不同圖像中且對應同一場景的同一物理點的特征點放入一個同類特征點集中；

步驟4，特征點集聚類：對同類特征點集的描述子矢量進行聚類，并確定各個聚類中心；

步驟5，圖像數據庫中每幅圖像特征矢量的生成：確定每幅圖像特征點集的描述子矢量所屬的聚類，統計各個聚類的頻數，根據所述頻數生成一個長度為聚類數的特征矢量；

所述步驟2具體包括以下步驟：

步驟21，在同一場景的所有圖像點集中，對于N個屬于同一場景的圖像點集，選取一個特征點最多的圖像點集作為基準特征點集N_a；

步驟22，對基準特征點集N_a之外的每個圖像特征點集N_i中的每個特征點F_i，在基準特征點集N_a中求取該特征點F_i基于描述子矢量歐拉距離的最近鄰特征點F_i’和次近鄰特征點F_i”；將特征點F_i和基準特征點集N_a中的最近鄰特征點F_i’的對應關系(F_i，F_i’)作為新的匹配關系加入特征點集N_i和基準特征點集N_a的匹配關系集中；并用特征點F_i與基準特征點點集N_a中的最近鄰特征點F_i’及次近鄰特征點F_i”的描述子矢量歐拉距離的比值閾值過濾超出閾值范圍的匹配關系；

步驟23，對步驟22中得到的特征點集N_i和基準特征點集N_a的匹配關系集中各匹配特征點對所對應的各坐標對，確定匹配坐標子集和對應的線性映射關系矩陣，匹配坐標指匹配的坐標點所指示的不同圖像上的位置對應物理上同一物體或同一場景上的同一點；

步驟24，對所述圖像點集N_i中每一個未匹配到的特征點G_i，使用所述線性映射矩陣計算其在基準特征點集N_a對應圖像中的匹配坐標點，如果該匹配坐標超出圖像大小，則表示在基準特征點集N_a對應的圖像中找不到特征點G_i對應的匹配，否則計算匹配坐標的特征點描述子矢量，形成新的特征點G_i’；如果所述新的特征點G_i’的描述子矢量與特征點G_i的描述子矢量的歐拉距離小于設定的閾值，則將所述新的特征點G_i’點加入基準特征點集N_a中并將已知的圖像點集N_i中的特征點G_i和新的特征點G_i’的對應關系(G_i，G_i’)作為新的匹配關系放入圖像點集N_i和基準特征點集N_a的匹配關系集中，否則特征點G_i的匹配特征點在基準特征點集N_a對應的圖像中不存在，舍棄新的特征點G_i’；

步驟25，對每個所述圖像點集N_i中所有未匹配特征點返回執行步驟24，得到基準特征點集N_a基于特征點N_i補充后的特征點集N_ai和更新的匹配關系集；

步驟26，將所述基準特征點集N_a基于特征點集N₁至特征點集N_i補充后的特征點集N_a1至特征點集N_ai合并為最終基準特征點集N_a’，并且使相似的特征點只保留一個在最終基準特征點集N_a’中；相似特征點通過特征點的坐標差閾值和描述子矢量的距離小于設定的閾值來判定；將步驟22至步驟25中得到的所述各圖像特征點集N_i與原基準特征點集N_a的匹配關系集更新為各圖像點集N_i與新的基準特征點集N_a’的匹配關系集；

步驟27，對在每個所述圖像點集N_i中未找到匹配點的最終基準特征點集N_a’中的特征點M_i，返回步驟24求得其在圖像點集N_i對應圖像中的對應坐標和相應的特征點描述子矢量，生成新的特征點M_i’；將該特征點M_i’加入圖像點集N_i并將它和新基準特征點集N_a’中的特征點M_i的對應關系(M_i’，M_i)保存到圖像點集N_i和基準特征點集N_a’的匹配關系集中；

步驟28，基于步驟23至步驟27得到的匹配關系集，找到同一場景的幾幅圖像中對應同一物理點的特征點，即同類點；如果經過步驟23至步驟27，基準特征點集N_a’中的特征點m_a分別同圖像點集N_i中的特征點m_i匹配，即得到的匹配關系為(m₁，m_a)，…，(m_a-1，m_a)，(m_a+1，m_a)…，則m₁，…，m_a-1，m_a，m_a+1，…為同類點，否則m₁，…，m_a-1，m_a，m_a+1，…不為同類點；

所述步驟4具體包括以下步驟：

步驟41，計算各個同類點集的描述子矢量的質心向量c_i和其包含的點的個數m_i；

步驟42，對集合(c_i，m_i)用加權的聚類方法進行聚類，確定各聚類的聚類中心；

步驟43，設定質心為向量c_i的同類特征點所屬聚類為質心向量c_i所屬聚類；

步驟44，對圖像數據庫中的每幅圖像計算其特征點所屬各聚類的頻數n_i；

步驟45，計算每個聚類在圖像數據庫中出現的概率對數w_i，w_i＝ln(N/N_i)，其中N為圖像總數，N_i為當前聚類所出現的圖像的個數；

步驟46，對圖像數據庫中每幅圖像，基于特征點所屬聚類的頻數n_i和各聚類的概率對數w_i生成一個特征矢量并單位化；

所述檢索部分包括以下步驟：

步驟6，提取待檢索圖片的特征點，生成特征點集；

步驟7，計算各個特征點描述子向量到各個聚類中心的距離，以最小距離確定當前特征點所屬聚類；

步驟8，計算待檢索圖片的特征點所屬各個聚類的頻數n_i；

步驟9，基于待檢索圖片的特征點所屬聚類的頻數n_i和所述的各聚類的概率對數w_i生成一個特征矢量并單位化；

步驟10，計算待檢索圖片的特征矢量到圖片庫各圖像特征矢量的歐拉距離，選取距離最小的圖像輸出為檢索結果。