[發明專利]獲取圖像的緊湊全局特征描述子的方法及圖像檢索方法

無效

• 申請號: 201210390965.7
• 申請日: 2012-10-15
• 公開（公告）號: CN102968632A
• 公開（公告）日: 2013-03-13
• 發明（設計）人: 段凌宇;林杰;陳杰;楊爽;李冰;黃鐵軍;高文
• 申請（專利權）人: 北京大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/64;G06F17/30
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 劉芳

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局部特征描述子，所述至少一個局部特征描述子形成一集合；

根據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或多個局部特征描述子，所述選取的一個或多個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行降維，獲得降維后的局部特征描述子；

根據預設的第一規則，將所述降維后的局部特征描述子轉換為用于表達所述圖像視覺特征的全局特征描述子；

將所述全局特征描述子進行數據壓縮，得到所述圖像的緊湊全局特征描述子；

其中，所述全局特征描述子的字節大小可根據所述第一規則中的參數值的變化而變化；相應地，在所述全局特征描述子的字節大小變化時，所述緊湊全局特征描述子的字節大小也相應變化。

2.根據權利要求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：

采用降維矩陣對所述第一子集中的局部特征描述子進行降維，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練預設的第一圖像數據集之后得到的矩陣。

3.根據權利要求1所述的方法，其特征在于，所述根據預設的第一規則，將所述降維后的局部特征描述子轉換為用于表達所述圖像視覺特征的全局特征描述子，包括：

根據Fisher向量生成規則，對所述降維后的局部特征描述子進行轉換，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造第一Fisher向量；以及

根據Fisher向量稀疏性判別規則，對所述累積梯度向量集合進行處理，并生成用于表達所述圖像視覺特征的全局特征描述子。

4.根據權利要求3所述的方法，其特征在于，

所述Fisher向量生成規則包括：離線步驟和在線步驟；

相應地，根據Fisher向量生成規則，對所述降維后的局部特征描述子進行轉換，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造第一Fisher向量，包括：

所述Fisher向量生成規則的離線步驟包括：

訓練預設的第二圖像數據集得到用于產生Fisher向量的概率分布模型，所述概率分布模型是由M個獨立的概率密度函數線性疊加得到的，其中，M為大于等于1的自然數；

所述Fisher向量生成規則的在線步驟為：

根據所述概率分布模型中的每一概率密度函數，將所述每一降維后的局部特征描述子轉換為梯度向量，得到針對每一概率密度函數的梯度向量集合；

針對每一概率密度函數的梯度向量集合，求所有所述梯度向量的平均值，得到每一概率密度函數對應的累積梯度向量；

所述概率分布模型的M個概率密度函數各自對應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造第一Fisher向量。

所述Fisher向量稀疏性判別規則為基于方差的稀疏性判別規則，或者基于概率的稀疏性判別規則；

相應地，所述根據Fisher向量稀疏性判別規則，對所述累積梯度向量集合進行處理，并生成用于表達所述圖像視覺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所述累積梯度向量的所有維度的值的方差；

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個方差對應的所述累積梯度向量，將選取的K個累積梯度向量組成用于表達所述圖像視覺特征的全局特征描述子；

或者，

針對所述概率分布模型中的每一概率密度函數求得每一所述每一降維后的局部特征描述子對應的概率值，所述概率值構成所述每一概率密度函數的概率值集合；

若概率密度函數的所述概率值集合中的最大概率值大于預設的第一閾值，則選取該概率密度函數；

將選取的所述概率密度函數對應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所述圖像視覺特征的全局特征描述子。

5.根據權利要求1所述的方法，其特征在于，所述將所述全局特征描述子進行數據壓縮，得到所述圖像的緊湊全局特征描述子，包括：

采用二進制數值表示所述全局特征描述子中各維度的數值，若全局特征描述子中某一維度的數值為正數，則二進制數值為1；

若全局特征描述子中某一維度的數值為負數和零，則二進制數值為0。