一种基于局部特征邻域信息的相似图片检索方法
【专利摘要】本发明涉及一种基于局部特征邻域信息的相似图片检索方法，包括：1)获取训练图片；2)采用Hessian-Affine特征点检测算法和SIFT局部特征描述子在多尺度空间上对图片进行特征检测和描述；3)根据步骤2)提取的特征构造相对应的影子特征；4)利用k均值聚类算法对步骤2)中提取的特征进行聚类并生成包括K个视觉词的视觉字典；5)将上述所有特征逐个映射到与其L2距离最小的视觉词汇上，并存储在倒排索引结构中；6)保存所述倒排索引，形成查询数据库；7)获取查询图片相应的倒排索引，并将其与查询数据库进行比对，获得检索结果列表。与现有技术相比，本发明具有图片检索准确率高等优点。
【专利说明】一种基于局部特征邻域信息的相似图片检索方法
【技术领域】
[0001]本发明涉及一种图片检索方法，尤其是涉及一种基于局部特征邻域信息的相似图片检索方法。
【背景技术】
[0002]近年来，计算机视觉正在飞速发展。其中，相似图片检索是一个基础但是很具有挑战性的任务，因此备受关注。
[0003]目前，基于局部特征和倒排索引结构的词袋模型是最常用的图像检索模型之一。图像局部特征是用于图像处理领域的一类特征，在尺度空间寻找极值点，提取位置、尺度、旋转不变量，可在图像中检测出关键点。词袋模型是特征匹配的一种近似方法。在此模型中，局部特征被量化到与它最近的事先训练好的字典中的视觉词语上，并存储于倒排索引中以作查询使用。
[0004]然而，上述图像检索模型目前还存在以下问题:
[0005]第一，由于特征的局部性和量化误差，导致特征匹配精度很低，存在大量的错误匹配，影响最终的检索精度。
[0006]第二，大量的算法着重于研究特征点本身的信息，忽略了特征点邻域信息与特征点之间的强关联性。
[0007]第三，一些算法试图利用特征点之间的空间关系来进行空间验证，但是此类方法一般都消耗额外的计算资源和计算步骤，计算效率不高。
【发明内容】
[0008]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种图片检索准确率高的基于局部特征邻域信息的相似图片检索方法。
[0009]本发明的目的可以通过以下技术方案来实现:
[0010]一种基于局部特征邻域信息的相似图片检索方法，包括:
[0011]I)获取训练图片；
[0012]2)采用Hessian-Affine特征点检测算法和SIFT局部特征描述子在多尺度空间上对图片进行特征检测和描述；
[0013]3)根据步骤2)提取的特征构造相对应的影子特征；
[0014]4)利用k均值聚类算法对步骤2)中提取的特征进行聚类并生成包括K个视觉词的视觉字典；
[0015]5)将上述所有特征逐个映射到与其L2距离最小的视觉词汇上，并存储在倒排索引结构中，所有特征包括步骤2)提取的特征和步骤3)构造的影子特征；
[0016]6)保存所述倒排索引，形成查询数据库；
[0017]7)获取查询图片，对查询图片依次执行步骤2)、3)、5)，获得相应的倒排索引，并将其与查询数据库进行比对，获得检索结果列表。
[0018]所述的步骤2)具体为:
[0019]2a)采用Hessian-Affine特征点检测算法对图片Ii进行检测，得到相应的局部特征点集Pi = {Pu，...，Pi, J , i = 1,2,...η, η为图片总数，m为每张图片中局部特征点的个数；
[0020]2b)采用SIFT局部特征描述子对Pi进行描述，得到对应的局部特征Fi = {f,,1;..., U ,其中，fi, j = Kxijj, Yijj), O J j, θ I」，Si,」，Di, j},依次代表特征的位置信息、尺度信息、主方向、局部图像块半径以及128维特征向量
【权利要求】
1.一种基于局部特征邻域信息的相似图片检索方法，其特征在于，包括: 1)获取训练图片； 2)采用Hessian-Affine特征点检测算法和SIFT局部特征描述子在多尺度空间上对图片进行特征检测和描述； 3)根据步骤2)提取的特征构造相对应的影子特征； 4)利用k均值聚类算法对步骤2)中提取的特征进行聚类并生成包括K个视觉词的视觉字典； 5)将上述所有特征逐个映射到与其L2距离最小的视觉词汇上，并存储在倒排索引结构中，所有特征包括步骤2)提取的特征和步骤3)构造的影子特征； 6)保存所述倒排索引，形成查询数据库； 7)获取查询图片，对查询图片依次执行步骤2)、3)、5)，获得相应的倒排索引，并将其与查询数据库进行比对，获得检索结果列表。
2.根据权利要求1所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的步骤2)具体为: 2a)采用Hessian-Affine特征点检测算法对图片Ii进行检测，得到相应的局部特征点集Pi = {pia,..., pijm}, i = 1,2,...η, η为图片总数为每张图片中局部特征点的个数；2b)采用SIFT局部特征描述子对Pi进行描述，得到对应的局部特EFi =m}，其中，fi,」= ((XiljjYijj), Oijj.,，依次代表特征的位置信息、尺度信息、主方向、局部图像块半径以及128维特征向量，Dij = {dlj,}。
3.根据权利要求2所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的步骤3)中，构造的影子特征表示为fSi, j = ((XSijj, YSijj) , σ Sijj, Θ Sijj, SSijj,DsiJ，其中，
XSijj = Xi, J+α.Sijj.cos Θ Jjj
yS1.j = yi,j+a.Si, j.sin θ Μ
θ Si, J = θ i,j+π
σ Si, j = σ i, j
SSi, J = Si, J Dsu =}为采用SIFT局部特征描述子对影子特征fsy进行描述，得到的128维特征向量；a为构造参数。
4.根据权利要求3所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的a取值为2。
5.根据权利要求2所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的步骤4)具体为: 4a)对从训练图片中提取出的特征集为F= $1，...，？11}，利用1^均值聚类算法将？聚成k个类； 4b)记录并保存k个类的中心点，作为视觉词，形成视觉字典:K= IK1,...，Kk}，其中每一个视觉词都是一个128维向量。
6.根据权利要求5所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的步骤5)具体为: 5a)对于每一个特征fi,」，依次计算其与每一个视觉词K1的I2距离d，并找出距离最小的视觉词c:
5b)对于每一个影子特征fSi, j,依次计算其与每一个视觉词典K1的I2距离d，并找出距离最小的视觉词CS:
5c)将特征、影子特征与它们各自所属的视觉词汇信息c和cs分别存储在倒排索引结构中。
7.根据权利要求1所述的一种基于局部特征邻域信息的相似图片检索方法，其特征在于，所述的步骤7)中，将查询图片的倒排索引与查询数据库进行比对，具体为:计算查询图片的倒排索引与查询数据库保存的各倒排索引的余弦距离，按从大到小排序，得到最终结果列表。
【文档编号】G06F17/30GK104199842SQ201410386860
【公开日】2014年12月10日 申请日期:2014年8月7日 优先权日:2014年8月7日
【发明者】王瀚漓, 王雷 申请人:同济大学