[發(fā)明專利]一種基于SPD流形的快速拷貝圖像檢測方法

在審

• 申請?zhí)枺?/td>: 201611151387.6
• 申請日: 2016-12-14
• 公開（公告）號: CN106780462A
• 公開（公告）日: 2017-05-31
• 發(fā)明（設(shè)計）人: 鄭立剛
• 申請（專利權(quán)）人: 廣州大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司44245
• 代理人: 裘暉

技術(shù)領(lǐng)域

本發(fā)明涉及近似拷貝圖像的快速檢測，屬于圖像分析和模式識別領(lǐng)域，特別涉及一種基于SPD(對稱正定矩陣)流形的快速拷貝圖像檢測方法。

背景技術(shù)

基于內(nèi)容的圖像拷貝檢測技術(shù)是一項判斷和檢測相同來源圖像的一門技術(shù)。這里拷貝圖像是指經(jīng)過一種或者多種光學(xué)或者幾何的變換后的圖像。這些圖像一般有著相同的來源，但是在視覺上看又可能跟原始圖像具有一定的差異，但本質(zhì)上他們是“重復(fù)”圖像或者稱為拷貝圖像。在網(wǎng)絡(luò)和數(shù)據(jù)庫中，這樣“重復(fù)”的圖像非常多，許多時候會造成大量的資源存儲和計算資源浪費。圖像拷貝檢測技術(shù)可以作為一種檢測這種拷貝圖像的一門技術(shù)，這種技術(shù)主要涉及到特征提取和特征匹配兩個步驟。一般來講，特征提取的方法非常多，匹配方法也層出不窮。為了更快更準地檢測出拷貝圖像，在特征提取和特征匹配兩個方面都要進行精心地算法設(shè)計。

在特征提取方面，一般有全局特征和局部特征兩大特征提取方法。這兩種方法各有優(yōu)缺點。全局特征處理起來比較方便，但是區(qū)分性稍差。局部特征數(shù)目多，區(qū)分性通常比較好，但是匹配起來會比較費時。在這些特征提取過程中，傳統(tǒng)的以圖像紋理顏色直方圖為基礎(chǔ)的特征在實踐和研究中最為常見。基于SPD特征是一種充分利用圖像局部信息的全局特征描繪子，這種特種具有豐富的幾何信息，具有很強的魯棒性和區(qū)分性。然而，由于SPD特征的集合構(gòu)成了黎曼流形，并不屬于傳統(tǒng)的歐式空間，使用傳統(tǒng)歐式空間的檢測方法往往得不到預(yù)期的效果。理論和實驗都表明，充分考慮到SPD特征內(nèi)在的幾何信息會大大提高檢測的精度。由于黎曼流形的近鄰匹配算法比較少，這需要我們提出黎曼流形中高效的特征匹配算法。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于SPD流形的快速拷貝圖像檢測方法，解決了SPD流形特征匹配的時間效率和檢測精度之間的矛盾。

為了達到上述目的，本發(fā)明采用以下技術(shù)方案：

本發(fā)明一種基于SPD流形的快速拷貝圖像檢測方法，包括下述步驟：

S1、首先產(chǎn)生n組隨機單位正交矩陣，然后通過合同變換，將SPD流形變換到n組新的空間；

S2、然后在每組新的空間中，分別構(gòu)建隨機KD樹，在n組新的空間中分別產(chǎn)生n棵隨機KD樹，形成一組隨機KD森林；

S3、最后通過隨機KD森林來索引SPD流形。

作為優(yōu)選的技術(shù)方案，步驟S1中，隨機產(chǎn)生一組m×m正交矩陣{B₁,B₂,…,B_n}，使得B_iB_i’＝B_i’B_i＝E，其中E是m階單位陣，具體方法為：

隨機產(chǎn)生P個m維的服從正太高斯分布的數(shù)據(jù)，求取P個樣本的協(xié)方差矩陣，協(xié)方差矩陣是一個m×m的對稱正定矩陣，記為C，對這個矩陣進行SVD分解，[U,S,V]＝SVD(C)，將得到的U或者V矩陣作為一個基B_i，將此過程重復(fù)n次，得到正交矩陣{B₁,B₂,…,B_n}。

作為優(yōu)選的技術(shù)方案，通過合同變換，將SPD流形變換到n組新的空間的方法為：

利用合同變換Y＝B_i’XB_i，將每個SPD矩陣變換到新的空間，由于一共有n個正交基，所以實際上將t個SPD矩陣分別變換到n個新的空間中。

作為優(yōu)選的技術(shù)方案，步驟S2中，在B_i基的變換下，t個SPD矩陣變換到新的空間中，使用隨機KD樹的方法生成一顆隨機KD樹，依次對n個基變換后的SPD矩陣進行同樣的操作，從而產(chǎn)生n棵隨機KD樹，構(gòu)成隨機KD森林。

作為優(yōu)選的技術(shù)方案，步驟S2中，在構(gòu)建n棵隨機KD樹的基礎(chǔ)上使用隨機KD森林的查找算法進行最近鄰查找，從而來索引SPD特征。

本發(fā)明的原理為：