[发明专利]获取图像的紧凑全局特征描述子的方法及图像检索方法

权利要求书

1.一种获取图像的紧凑全局特征描述子的方法，其特征在于，包括：

获取图像的至少一个局部特征描述子，所述至少一个局部特征描述子形成一集合；

根据局部特征描述子的选择方式，从所有的局部特征描述子中选取一个或多个局部特征描述子，所述选取的一个或多个局部特征描述子组成所述集合的第一子集；

将所述第一子集中的局部特征描述子进行降维，获得降维后的局部特征描述子；

根据预设的第一规则，将所述降维后的局部特征描述子转换为用于表达所述图像视觉特征的全局特征描述子；

将所述全局特征描述子进行数据压缩，得到所述图像的紧凑全局特征描述子。

2.根据权利要求1所述的方法，其特征在于，将所述第一子集中的局部特征描述子进行降维，获得降维后的局部特征描述子，包括：

采用降维矩阵对所述第一子集中的局部特征描述子进行降维，获得降维后的局部特征描述子；

其中，所述降维矩阵为采用降维方式训练预设的第一图像数据集之后得到的矩阵。

3.根据权利要求1所述的方法，其特征在于，所述根据预设的第一规则，将所述降维后的局部特征描述子转换为用于表达所述图像视觉特征的全局特征描述子，包括：

根据Fisher向量生成规则，对所述降维后的局部特征描述子进行转换，得到累积梯度向量集合，并由所述累积梯度向量集合中的累积梯度向量构造第一Fisher向量；以及

根据Fisher向量稀疏性判别规则，对所述累积梯度向量集合进行处理，并生成用于表达所述图像视觉特征的全局特征描述子。

4.根据权利要求3所述的方法，其特征在于，

所述Fisher向量生成规则包括：离线步骤和在线步骤；

相应地，根据Fisher向量生成规则，对所述降维后的局部特征描述子进行转换，得到累积梯度向量集合，并由所述累积梯度向量集合中的累积梯度向量构造第一Fisher向量，包括：

所述Fisher向量生成规则的离线步骤包括：

训练预设的第二图像数据集得到用于产生Fisher向量的概率分布模型，所述概率分布模型是由M个独立的概率密度函数线性叠加得到的，其中，M为大于等于1的自然数；

所述Fisher向量生成规则的在线步骤为：

根据所述概率分布模型中的每一概率密度函数，将每一降维后的局部特征描述子转换为梯度向量，得到针对每一概率密度函数的梯度向量集合；

针对每一概率密度函数的梯度向量集合，求所有所述梯度向量的平均值，得到每一概率密度函数对应的累积梯度向量；

所述概率分布模型的M个概率密度函数各自对应的累积梯度向量组成累积梯度向量集合，并由所述累积梯度向量集合中的累积梯度向量构造第一Fisher向量；

或者，

所述Fisher向量生成规则的在线步骤为：

根据所述概率分布模型中的每一概率密度函数，将每一降维后的局部特征描述子转换为一个或多个不同类型的梯度向量，得到针对每一概率密度函数的梯度向量集合；

针对每一概率密度函数的梯度向量集合，分别求每种类型的所有梯度向量的平均值，得到每一概率密度函数对应的一个或多个不同类型的累积梯度向量；

所述概率分布模型的M个概率密度函数各自对应的一个或多个不同类型的累积梯度向量组成累积梯度向量集合，并由所述累积梯度向量集合中的累积梯度向量构造第一Fisher向量；

所述Fisher向量稀疏性判别规则为基于统计量的稀疏性判别规则，或者基于概率的稀疏性判别规则；

相应地，所述根据Fisher向量稀疏性判别规则，对所述累积梯度向量集合进行处理，并生成用于表达所述图像视觉特征的全局特征描述子，包括：

获取所述累积梯度向量集合中的每一累积梯度向量的所有维度的数值的统计量；

将所有累积梯度向量的统计量按照从大到小依次排序，选取排序中前K个统计量对应的累积梯度向量，将选取的K个累积梯度向量组成用于表达图像视觉特征的全局特征描述子；

或者，

获取所述累积梯度向量集合中的每种类型的每一累积梯度向量的所有维度的数值的统计量；

将每种类型的所有累积梯度向量的统计量按照从大到小依次排序，选取所述每种类型的所有累积梯度向量的统计量的排序中前K个统计量对应的累积梯度向量，将选取的每种类型的K个累积梯度向量组成用于表达图像视觉特征的全局特征描述子；

或者，

获取所述累积梯度向量集合中的某一类型的每一累积梯度向量的所有维度的数值的统计量；

将所述某一类型的所有累积梯度向量的统计量按照从大到小依次排序，选取排序中前K个统计量对应的累积梯度向量，将选取的K个累积梯度向量及相应概率密度函数对应的其他类型的累积梯度向量组成用于表达图像视觉特征的全局特征描述子；

或者，

针对所述概率分布模型中的每一概率密度函数求得每一所述降维后的局部特征描述子对应的概率值，所述概率值构成所述每一概率密度函数的概率值集合；

若概率密度函数的所述概率值集合中的最大概率值大于预设的第一阈值，则选取该概率密度函数；

将选取的所述概率密度函数对应的所述累积梯度向量保留，并将所有保留的所述累积梯度向量组成用于表达图像视觉特征的全局特征描述子；

或者，

针对所述概率分布模型中的每一概率密度函数求得每一所述降维后的局部特征描述子对应的概率值，所述概率值构成所述每一概率密度函数的概率值集合；

若概率密度函数的所述概率值集合中的最大概率值大于预设的第一阈值，则选取该概率密度函数；

将选取的所述概率密度函数对应的一个或多个不同类型的累积梯度向量保留，并将所有保留的所述一个或多个不同类型的累积梯度向量组成用于表达图像视觉特征的全局特征描述子。