[发明专利]一种基于聚类紧凑特征的海量图像检索系统

说明书

技术领域

本发明属于模式识别与信息处理技术领域，涉及计算机视觉方面的海量图像处理，尤其涉及一种基于聚类紧凑特征的海量图像检索的研究和实现方案。本方案通过对视觉特征进行基于聚类的紧凑描述并通过改进的基于词汇树的检索算法快速高效的在海量图像中检索出相似图片。

背景技术

目前，随着互联网图像数据的爆炸性增长，如何从图像大数据中检索出最相似的图片变为一项非常有挑战的主题并吸引了大量的研究工作。图像检索具有广泛的应用场景，在电子商务，社交网络，商品或风景推荐等方面应用价值越来越高。考虑一个最广泛也最通用的场景，用户在大规模的图像库中发现一张感兴趣的图片，可以是商品图片也可以风景，艺术等类型图片，想要快速准确的检索到这个图像库中与之最相似的图片。传统的图像检索通过提取图像的视觉特征包括像颜色、轮廓、纹理这样的底层特征和高维特征，在根据视觉特征计算相似度距离进行检索。海量图像检索的关键是在保持检索性能的情况下快速高效根据特征检索相似图像。

但由于包含相同的物品或场景的图片存在极大的差异，特别是由于光照，旋转，聚焦的影响，更别说相同类别不同物品之间的多样性，使海量图像检索存在特定的挑战。传统的基于内容的图像检索在检索精度和检索效率上都不能满足海量图像检索的需求。与此同时，图像多样性和海量数据增加了紧凑并具有高辨识度的视觉特征，更加鲁棒的索引结构和检索算法的需求。为了获取高辨识度的视觉特征，研究者提出了多种有效的算法，包括绑定多种特征生成词汇包[1]-[6],探索局部特征间的几何结构[7]-[10]和空间分布信息[4],[11]-[13]。然而当图像库中图像的数量增加到百万级别，这些算法会产生巨大的计算和存储开销，不利于系统实现。为了改善海量图像检索存在的计算和存储开销大的问题，[7,14,15]采用词汇树的索引结构成功地提高检索速度。词汇树索引结构是通过对样本图像的特征进行分层聚类。每个聚类中心都是词汇树的一个节点，第一次聚类产生的结果就是词汇树的第一层节点，以此类推。基于词汇树的检索通过查找树的相同节点的倒排文件进行检索，避免了需要和图像库中所有特征进行相似度计算，大大加快了检索速度。然而基于词汇树的方法需要把图像中数以千计的特征根据视觉词汇编码生成词汇包，这仍然导致大量的计算开销和存储开销。

参考文献：

[1]X.Wang,X.Bai,W.Liu,L.J.Latecki.Feature Context for Image Classification and Object Detection.In CVPR,June20-25,2011.

[2]Z.Wu,Q.Ke,M.Isard,J.Sun.Bundling Features for Large Scale Partial-Duplicate Web Image Search.In CVPR,June20-25,2009.

[3]Z.Lin and J.Brandt.A Local Bag-of-Features Model for Large-scale Object Retrieval.In ECCV,Vol.6316,Sept.5-11,2010.

[4]Y.Cao,C.Wang,Z.Li,et al.Spatial-Bag-of-Features[C],In CVPR,Sept.5-11,2010.

[5]H.J’egou,M.Douze,and C.Schmid.Improving Bag-of-Feature for Large Scale Image Search.In International Journal of Computer Vision,2010.

[6]G.Csurka,C.Dance,L.Fan,J.Willamowski,and C.Bray.Visual Categorization with Bags of Keypoints.In Workshop on Statistical Learning in Computer Vision,ECCV,May11-14,2004.

[7]S.Zhang,Q.Huang,G.Hua,S.Ji ang,W.Gao,and Q.Tian.Building Contextual Visual Vocabulary for Large-scale Image Applications.In ACM Multimedia,Oct.25-29,2010.