[发明专利]一种基于双分辨率的特征量化方法及系统

说明书

技术领域

本发明涉及视觉检索技术领域，尤其涉及一种基于双分辨率的特征量化方法及系统。

背景技术

在图像检索领域，如何可靠而高效地进行图像之间的相似性度量是一个至关重要的问题。现有的技术通常使用局部视觉特征，如SIFT(Scale Invariant Feature Transform，尺度不变特征转换特征)，作为图像的特征描述，并将局部视觉特征之间的匹配程度作为衡量图像之间相似性的标准。

由于每张图像中都可能存在上千局部视觉特征，穷举比较图像之间局部视觉特征的匹配程度会产生极大的计算开销，同时完整存储所有数据库图像的特征所产生的存储开销也是不可接受的。为了解决这一问题，现有技术通常由大量局部视觉特征训练出视觉单词码本，并将数据库图像中的特征量化到训练得到的码本中，构建倒排索引表，以缩小搜索空间。另外为了保存特征的原始信息，一些算法利用数据压缩方法，如PQ(Product Quantization，乘积量化)，对原始特征进行压缩表示，或通过二值签名对原始特征进行近似表示以加速特征之间的比较。

然而，上述解决方案仍然存在很多不足。首先，视觉单词码本的离线训练需要大量资源。例如为了为128维的SIFT特征训练有一百万视觉单词的码本，通常需要数千万个训练样本，并在运行时产生大量的内存开销。其次，使用传统的特征矢量量化方法，如k-means聚类及其变种，很难对量化误差进行控制，其产生的聚类大小在特征所处空间的分布差异很大，使得所构建的倒排索引表各表项对特征匹配的精度控制各不相同。

发明内容

本发明的目的是提供一种基于双分辨率的特征量化方法及系统，可以进行高效、可扩展的局部视觉特征匹配，并解决视觉单词码本的训练以及矢量量化中存在的开销与误差问题。

本发明的目的是通过以下技术方案实现的：

一种基于双分辨率的特征量化方法，该方法包括：

对图像中的局部视觉特征进行降维处理；

对降维后的局部视觉特征每一维分别进行量化处理；其中，将每一维局部视觉特征量化处理时的标量量化函数分解为粗分辨率量化函数与细分辨率量化函数，基于粗分辨率量化函数进行级联标量量化，再基于细分辨率量化函数对级联标量量化结果进行细分辨率量化获得对应的位置比特向量。

进一步的，所述对图像中的局部视觉特征进行降维处理包括：

对于给定查询图像中的查询视觉特征其目标视觉特征位于在局部视觉特征空间中以查询视觉特征x为中心的ε邻域内，该ε邻域定义为：

其中，查询视觉特征与目标视觉特征均属于局部视觉特征，且均位于局部视觉特征空间中；目标视觉特征为数据库图像中，与查询视觉特征为近邻的局部视觉特征；

对局部特征向量进行主成分分析PCA降维处理，与分别表示x与y的PCA降维处理后前k维系数，ε邻域近似表达为对应的表达式为：

其中，t为常量。

进一步的，对降维后的局部视觉特征每一维分别进行量化处理的公式为：

式中为第i维系数的标量量化函数，表示上式中的与表示为：其中，s表示标量量化步长，m_i表示第i维系数可能的最小值，令r_i为第i维系数标量量化结果的区间大小。

进一步的，所述将每一维局部视觉特征量化处理时的标量量化函数分解为粗分辨率量化函数与细分辨率量化函数包括：

将第i维系数的标量量化函数分解为粗分辨率量化函数与细分辨率量化函数其中，n为粗分辨率量化步长。

进一步的，该方法还包括：

基于双分辨率的特征量化结果，对图像数据库进行索引和查询，其包括：

基于粗分辨率量化函数的级联标量量化结果，增量式地生成一个k层的树结构，称为索引树，对于索引树的第i层，其最大分支数为r_i；该索引树为非完全树，其大小随着图像数据库增大而增大，索引树的每个叶节点被视作一个哈希字，如果一个哈希字对应图像数据库中的至少一个局部视觉特征，则认为该哈希字有效；根据每个有效哈希字，建立一个链表，该链表中的每一个表项记录包含该哈希字的图像编号；所有有效哈希字对应的链表一起构成了倒排索引表；

将细分辨率量化的位置比特向量进行级联，并保存在倒排索引表中。

一种基于双分辨率的特征量化系统，该系统包括：

降维处理模块，用于对图像中的局部视觉特征进行降维处理；