[發(fā)明專利]一種圖像特征點(diǎn)匹配方法

有效

• 申請?zhí)枺?/td>: 201710258205.3
• 申請日: 2017-04-19
• 公開（公告）號: CN107085607B
• 公開（公告）日: 2020-06-30
• 發(fā)明（設(shè)計(jì)）人: 段翰聰;趙子天;譚春強(qiáng);文慧;閔革勇;陳超;李博洋
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06F16/55;G06F16/51;G06K9/62
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 田甜

本發(fā)明公開了一種圖像特征點(diǎn)匹配方法，包括以下步驟，入庫圖片特征點(diǎn)提?。禾崛∪霂靾D像的特征并構(gòu)成入庫特征向量，對其維度進(jìn)行降維；向量入庫：分割降維后的入庫特征向量，并對分割后的每部分先做乘積量化再做向量量化，構(gòu)成乘積量化器、向量量化器，并建立檢索樹和哈希表；待匹配圖片特征點(diǎn)提取：提取待匹配圖像的特征并構(gòu)成待匹配特征向量，對其維度進(jìn)行降維；向量匹配：分割降維后的待匹配特征向量，找出待匹配特征向量與乘積量化器、向量量化器的聚類中心距離靠前的多個(gè)聚類中心，根據(jù)檢索樹和哈希表找到多個(gè)聚類中心所對應(yīng)的圖片并構(gòu)成候選集，采用浮點(diǎn)向量計(jì)算候選集中與待匹配特征向量的距離最近的圖片；其速度快且精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及圖片搜索技術(shù)領(lǐng)域，具體涉及一種圖像特征點(diǎn)匹配方法。

背景技術(shù)

在圖像搜索領(lǐng)域，特征匹配是非常重要的一個(gè)環(huán)節(jié)，特點(diǎn)的匹配效率和精度決定著最終搜索速度和精度?，F(xiàn)有圖片搜索時(shí)，其采用以下步驟：第一步通過大量樣本數(shù)據(jù)訓(xùn)練一個(gè)轉(zhuǎn)換矩陣，通過哈希函數(shù)轉(zhuǎn)二進(jìn)制碼，二進(jìn)制碼分段，生成多個(gè)哈希表，得到的分段二進(jìn)制碼直接作為哈希表的入口。第二步，當(dāng)待查詢向量達(dá)到時(shí)，通過同樣的方式轉(zhuǎn)為二進(jìn)制碼，映射到對應(yīng)的哈希表入口及其距離為r的其他入口中，入口中的所有圖片作為候選集。第三步，將候選集中所有的圖片特征向量與待查詢向量做完整的海明距離計(jì)算，重排距離即可。在浮點(diǎn)特征向量轉(zhuǎn)二進(jìn)制碼時(shí)，由于哈希函數(shù)的存在，導(dǎo)致向量的精度丟失，并且在最后的重新排序過程當(dāng)中，依然使用基于二進(jìn)制碼的海明距離計(jì)算，雖然速度很快，但是由于二進(jìn)制碼的表示精度不如浮點(diǎn)向量，因此召喚率會有一定程度降低。

隨著互聯(lián)網(wǎng)的飛速發(fā)展，目前互聯(lián)網(wǎng)上的圖片已經(jīng)達(dá)到了百億級別甚至更高。采用現(xiàn)有的特征點(diǎn)匹配方法，其已經(jīng)不能適應(yīng)現(xiàn)有快速增長的圖片庫模式。在海量圖片檢索樹中怎樣進(jìn)行高效、高精度的搜索成為了熱點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明為了解決上述技術(shù)問題提供一種圖像特征點(diǎn)匹配方法，其匹配精度高且速度快。

本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

一種圖像特征點(diǎn)匹配方法，包括以下步驟，

入庫圖片特征點(diǎn)提?。禾崛∪霂靾D像的特征并構(gòu)成入庫特征向量，對其維度進(jìn)行降維；

向量入庫：分割降維后的入庫特征向量，并對分割后的每部分先做乘積量化再做向量量化，構(gòu)成乘積量化器、向量量化器，并建立檢索樹和哈希表；

待匹配圖片特征點(diǎn)提?。禾崛〈ヅ鋱D像的特征并構(gòu)成待匹配特征向量，對其維度進(jìn)行降維；

向量匹配：分割降維后的待匹配特征向量，找出待匹配特征向量與乘積量化器、向量量化器的聚類中心距離靠前的多個(gè)聚類中心，根據(jù)檢索樹和哈希表找到多個(gè)聚類中心所對應(yīng)的圖片并構(gòu)成候選集，采用浮點(diǎn)向量計(jì)算候選集中與待匹配特征向量的距離最近的圖片。

本方案的方法不使用類似迭代量化的算法計(jì)算二進(jìn)制碼，采用降維聚類構(gòu)建檢索樹和哈希表，在第一層次的聚類時(shí)，不對其完全相關(guān)的數(shù)據(jù)進(jìn)行聚類，而是對其進(jìn)行分割，各部分?jǐn)?shù)據(jù)完全獨(dú)立，可采用多線程并行處理方式進(jìn)行加速，將量化器的訓(xùn)練時(shí)間大大減少。匹配檢索的整個(gè)過程分兩段進(jìn)行，第一段為選取候選集，第二段使用浮點(diǎn)向量整體進(jìn)行距離計(jì)算，在候選集范圍較大的前提下，再進(jìn)行浮點(diǎn)距離計(jì)算，檢索結(jié)果的召回率和暴力匹配的差距很小，不超過1個(gè)百分點(diǎn)。比海明距離排序更精確。

如果數(shù)據(jù)庫中有N條記錄，暴力匹配需要做N次距離計(jì)算，而采用本方案的方法，根據(jù)所選參數(shù)的不同，候選集中的記錄數(shù)為N/100～N/10，大大減少了計(jì)算了，大大提高了匹配速度。且在構(gòu)建檢索樹的過程中，第一階段聚類的數(shù)據(jù)分割成多個(gè)部分，多個(gè)部分的聚類過程是完全獨(dú)立的，因此可以使用多線程技術(shù)進(jìn)行聚類，提高聚類速度。

作為優(yōu)選，向量入庫的方法為：

將入庫特征向量分割成不相交的P個(gè)部分；