獲取可伸縮全局特征描述子的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實施例涉及計算機領(lǐng)域，尤其涉及一種獲取可伸縮全局特征描述子的方 法。
【背景技術(shù)】
[0002] 隨著智能終端的發(fā)展，移動視覺搜索應(yīng)用越來越多。當(dāng)前，基于智能終端的圖像檢 索方法主要是基于圖像的局部特征描述子，包括：1)在移動客戶端提取圖像的局部特征描 述子；2)對提取到的局部特征描述子進行壓縮；3)通過網(wǎng)絡(luò)將壓縮后的局部特征描述子傳 輸給服務(wù)器，以使服務(wù)器根據(jù)局部特征描述子在服務(wù)器的數(shù)據(jù)庫中進行查找，并將查找的 結(jié)果發(fā)送至移動客戶端。
[0003] 然而，上述圖像檢索方法的局部特征壓縮的計算量較高，特別地，圖像檢索方法中 獲取的局部特征描述子占用較大的空間，由此，根據(jù)當(dāng)前的網(wǎng)絡(luò)帶寬，智能終端存在無法較 快地將局部特征描述子發(fā)送至服務(wù)器的問題。另外，由于局部特征描述子占用的較大的空 間，故服務(wù)器根據(jù)智能終端傳送的局部特征描述子查找匹配的過程也非常遲緩，進而嚴(yán)重 影響了檢索系統(tǒng)的查詢響應(yīng)時間，降低了查詢效率。
[0004] 此外，現(xiàn)有技術(shù)還提出一種利用全局視覺特征進行圖像檢索的方法，但該方法提 取的全局特征描述子的長度為固定長度，其無法應(yīng)用于各種不同的檢索條件下，進而影響 圖像檢索的性能。

【發(fā)明內(nèi)容】

[0005] 為解決現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種獲取可伸縮全局特征描述子的方法， 可降低現(xiàn)有技術(shù)中全局特征描述子的占用空間，提高描述子在圖像檢索過程的檢索效率。
[0006] 第一方面，本發(fā)明提供一種獲取可伸縮全局特征描述子的方法，包括：
[0007] 獲取圖像的局部特征描述子；
[0008] 根據(jù)全局特征描述子生成規(guī)則，對所述局部特征描述子進行轉(zhuǎn)換，得到用于組成 全局特征描述子的第一累積梯度向量和第二累積梯度向量；
[0009] 將所述第一累積梯度向量和所述第二累積梯度向量選擇性組合，生成可伸縮全局 特征描述子。
[0010] 可選地，所述獲取圖像的局部特征描述子之后，所述方法還包括：
[0011] 根據(jù)所述局部特征描述子的重要性，從所述圖像的所有局部特征描述子中選取 250個局部特征描述子組成描述子集合；
[0012] 若所述圖像的所有局部特征描述子的總數(shù)小于250個，則將所述圖像的所有局部 特征描述子組成描述子集合；
[0013] 所述根據(jù)全局特征描述子生成規(guī)則，對局部特征描述子進行轉(zhuǎn)換，得到用于組成 全局特征描述子的第一累積梯度向量和第二累積梯度向量，包括：
[0014] 根據(jù)全局特征描述子生成規(guī)則，對所述描述子集合中的所有局部特征描述子進行 轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向量和第二累積梯度向量。
[0015] 可選地，所述根據(jù)全局特征描述子生成規(guī)則，對所述描述子集合中的所有局部特 征描述子進行轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向量和第二累積梯度向 量之前，還包括：
[0016] 采用降維矩陣對所述描述子集合中的所有局部特征描述子進行降維，得到包括低 維局部特征描述子的另一描述子集合；
[0017] 根據(jù)全局特征描述子生成規(guī)則，對所述描述子集合中的所有局部特征描述子進行 轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向量和第二累積梯度向量，包括：
[0018] 根據(jù)全局特征描述子生成規(guī)則，對所述另一描述子集合中所有低維局部特征描述 子進行轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向量和第二累積梯度向量；
[0019] 每一低維局部特征描述子的維度為32維。
[0020] 可選地，根據(jù)全局特征描述子生成規(guī)則，對局部特征描述子進行轉(zhuǎn)換，得到用于組 成全局特征描述子的第一累積梯度向量和第二累積梯度向量，包括：
[0021] 高斯混合模型包括：M個獨立的高斯密度函數(shù)，其中，M等于512 ;
[0022] 根據(jù)高斯混合模型中的每一高斯密度函數(shù)，將每一局部特征描述子轉(zhuǎn)換為第一累 積梯度向量和第二累積梯度向量；
[0023] 獲取每一高斯密度函數(shù)對應(yīng)的包括第一累積梯度向量和第二累積梯度向量的累 積梯度向量集合，所述累積梯度向量集合中的累積梯度向量將用于組成全局特征描述子；
[0024] 所述第一累積梯度向量是所述圖像的對數(shù)似然函數(shù)對所述高斯密度函數(shù)對應(yīng)的 均值求一階偏導(dǎo)得到的，所述第二累積梯度向量是所述圖像的對數(shù)似然函數(shù)對所述高斯密 度函數(shù)對應(yīng)的方差求一階偏導(dǎo)得到的。
[0025] 可選地，將所述第一累積梯度向量和所述第二累積梯度向量選擇性組合，生成可 伸縮全局特征描述子，包括：
[0026] 若所述圖像的視覺特征描述子長度范圍在462字節(jié)和562字節(jié)之間，M個高斯密 度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0027] 若所述圖像的視覺特征描述子長度范圍在924字節(jié)和1124字節(jié)之間，M個高斯密 度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0028] 若所述圖像的視覺特征描述子長度范圍在1848字節(jié)和2248字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0029] 若所述圖像的視覺特征描述子長度范圍在3696字節(jié)和4496字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對應(yīng) 的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0030] 若所述圖像的視覺特征描述子長度范圍在7392字節(jié)和8992字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對應(yīng) 的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0031] 若所述圖像的視覺特征描述子長度范圍在14784字節(jié)和17984字節(jié)之間，M個高 斯密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對 應(yīng)的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0032] 所述視覺特征描述子包括：全局特征描述子、局部特征描述子以及每一局部特征 描述子對應(yīng)的位置信息。
[0033] 第二方面，本發(fā)明提供一種獲取可伸縮全局特征描述子的裝置，包括：
[0034] 獲取單元，用于獲取圖像的局部特征描述子；
[0035] 描述子轉(zhuǎn)換單元，用于根據(jù)全局特征描述子生成規(guī)則，對所述局部特征描述子進 行轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向量和第二累積梯度向量；
[0036] 選擇組合單元，用于將所述第一累積梯度向量和所述第二累積梯度向量選擇性組 合，生成可伸縮全局特征描述子。
[0037] 可選地，所述裝置還包括：
[0038] 描述子選取單元，用于根據(jù)所述局部特征描述子的重要性，從所述圖像的所有局 部特征描述子中選取250個局部特征描述子組成描述子集合；在所述圖像的所有局部特征 描述子的總數(shù)小于250個時，將所述圖像的所有局部特征描述子組成描述子集合；
[0039] 相應(yīng)地，所述描述子轉(zhuǎn)換單元，用于根據(jù)全局特征描述子生成規(guī)則，對所述描述子 集合中的所有局部特征描述子進行轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積梯度向 量和第二累積梯度向量。
[0040] 可選地，所述裝置還包括：降維單元，用于采用降維矩陣對所述描述子集合中的所 有局部特征描述子進行降維，得到包括低維局部特征描述子的另一描述子集合
[0041] 相應(yīng)地，所述描述子轉(zhuǎn)換單元，用于根據(jù)全局特征描述子生成規(guī)則，對所述另一描 述子集合中所有低維局部特征描述子進行轉(zhuǎn)換，得到用于組成全局特征描述子的第一累積 梯度向量和第二累積梯度向量；
[0042] 每一低維局部特征描述子的維度為32維。
[0043] 可選地，所述描述子轉(zhuǎn)換單元，具體用于
[0044] 高斯混合模型包括：M個獨立的高斯密度函數(shù)，其中，M等于512;
[0045] 根據(jù)高斯混合模型中的每一高斯密度函數(shù)，將每一局部特征描述子轉(zhuǎn)換為第一累 積梯度向量和第二累積梯度向量；
[0046] 獲取每一高斯密度函數(shù)對應(yīng)的包括第一累積梯度向量和第二累積梯度向量的累 積梯度向量集合，所述累積梯度向量集合中的累積梯度向量將用于組成全局特征描述子；
[0047] 所述第一累積梯度向量是所述圖像的對數(shù)似然函數(shù)對所述高斯密度函數(shù)對應(yīng)的 均值求一階偏導(dǎo)得到的，所述第二累積梯度向量是所述圖像的對數(shù)似然函數(shù)對所述高斯密 度函數(shù)對應(yīng)的方差求一階偏導(dǎo)得到的。
[0048] 可選地，所述選擇組合單元，具體用于若所述圖像的視覺特征描述子長度范圍在 462字節(jié)和562字節(jié)之間，M個高斯密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu) 成可伸縮全局特征描述子；
[0049] 若所述圖像的視覺特征描述子長度范圍在924字節(jié)和1124字節(jié)之間，M個高斯密 度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0050] 若所述圖像的視覺特征描述子長度范圍在1848字節(jié)和2248字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0051] 若所述圖像的視覺特征描述子長度范圍在3696字節(jié)和4496字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對應(yīng) 的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0052] 若所述圖像的視覺特征描述子長度范圍在7392字節(jié)和8992字節(jié)之間，M個高斯 密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對應(yīng) 的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0053] 若所述圖像的視覺特征描述子長度范圍在14784字節(jié)和17984字節(jié)之間，M個高 斯密度函數(shù)各自對應(yīng)的第一累積梯度向量依次首尾相連，以及將M個高斯密度函數(shù)各自對 應(yīng)的第二累積梯度向量依次首尾相連構(gòu)成可伸縮全局特征描述子；
[0054] 所述視覺特征描述子包括：全局特征描述子、局部特征描述子以及每一局部特征 描述子對應(yīng)的位置信息。
[0055] 由上述技術(shù)方案可知，本發(fā)明的獲取可伸縮全局特征描述子的方法，通過獲取圖 像的局部特征描述子，根據(jù)全局特征描述子生成規(guī)則，對局部特征描述子進行轉(zhuǎn)換，得到用 于組成全局特征描述子的第一累積梯度向量和第二累積梯度向量，進而可將第一累積梯度 向量和第二累積梯度向量選擇性組