国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種局部視覺(jué)特征選擇方法及裝置與流程

      文檔序號(hào):12598102閱讀:603來(lái)源:國(guó)知局
      一種局部視覺(jué)特征選擇方法及裝置與流程

      本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域,尤其涉及一種局部視覺(jué)特征選擇方法及裝置。



      背景技術(shù):

      隨著智能移動(dòng)設(shè)備和移動(dòng)互聯(lián)網(wǎng)的普及,移動(dòng)視覺(jué)搜索的應(yīng)用越來(lái)越多。通常,圖像檢索依賴(lài)局部視覺(jué)特征進(jìn)行查詢(xún)和匹配。一種典型的圖像檢索系統(tǒng)架構(gòu)為:客戶(hù)端提取查詢(xún)圖像的局部視覺(jué)特征,并將局部視覺(jué)特征描述子發(fā)送到服務(wù)器端;服務(wù)器端將接收到的局部視覺(jué)特征描述子與事先存儲(chǔ)的大量圖像的局部視覺(jué)特征描述子進(jìn)行匹配,返回局部視覺(jué)特征描述子相似度最高的圖像作為查詢(xún)結(jié)果。由于移動(dòng)智能設(shè)備及移動(dòng)互聯(lián)網(wǎng)的內(nèi)存、帶寬限制,往往需要將局部描述子進(jìn)行緊湊表達(dá);同時(shí),隨著互聯(lián)網(wǎng)圖像的爆炸式增增長(zhǎng),也需要對(duì)圖像數(shù)據(jù)庫(kù)的局部描述子進(jìn)行緊湊表達(dá)以緩解磁盤(pán)存儲(chǔ)負(fù)擔(dān)。

      一張圖像(VGA或更高分辨率)中通??梢詸z測(cè)出其中數(shù)百甚至數(shù)千個(gè)局部視覺(jué)特征。一方面,若將檢測(cè)出的局部視覺(jué)特征全部傳輸至服務(wù)器端進(jìn)行匹配檢測(cè),則會(huì)造成較大的內(nèi)存消耗與傳輸時(shí)延,影響移動(dòng)視覺(jué)檢索應(yīng)用的用戶(hù)體驗(yàn);另一方面,檢測(cè)出的局部視覺(jué)特征中包含部分噪聲局部視覺(jué)特征(如非查詢(xún)目標(biāo)的背景局部視覺(jué)特征等),噪聲局部視覺(jué)特征將對(duì)視覺(jué)檢索過(guò)程產(chǎn)生干擾,返回與查詢(xún)目標(biāo)無(wú)關(guān)的檢索結(jié)果。因此,通常需要對(duì)圖像中檢測(cè)出的全部局部視覺(jué)特征進(jìn)行篩選,選擇出全部局部視覺(jué)特征的一個(gè)子集,使得該子集盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征,并將該子集傳輸至服務(wù)器端并進(jìn)行匹配檢測(cè)。局部視覺(jué)特征選擇方法能夠減少圖像的局部視覺(jué)特征數(shù)據(jù)量,使得局部視覺(jué)表達(dá)更為緊湊,同時(shí)減少噪聲特征對(duì)檢索過(guò)程的干擾,提高檢索性能。

      當(dāng)前,往往基于局部視覺(jué)特征的自有屬性(如局部視覺(jué)特征的尺度、方向、到圖像中心的距離等)建立局部視覺(jué)特征選擇模型。值得一提的是,在查詢(xún)目標(biāo)通常位于圖像中心的假設(shè)下,到圖像中心的距離這一屬性是建立局部視覺(jué)特征選擇模型的關(guān)鍵屬性。然而,這個(gè)假設(shè)只描述了查詢(xún)目標(biāo)在二維平面內(nèi)的位置分布規(guī)律,沒(méi)有描述查詢(xún)目標(biāo)在三維空間內(nèi)的位置分布規(guī)律,在某些較為常見(jiàn)的情形下(如,查詢(xún)目標(biāo)不位于圖像中心、圖像場(chǎng)景較為雜亂等)該假設(shè)對(duì)局部視覺(jué)特征選擇模型建立不具有指導(dǎo)意義。

      因此,上述特征選擇方法出現(xiàn)的問(wèn)題是:在查詢(xún)目標(biāo)不位于圖像中心、圖像場(chǎng)景較為雜亂等情形下,基于局部視覺(jué)特征自有屬性的局部視覺(jué)特征選擇方法無(wú)法使得選擇出的局部視覺(jué)特征子集包含盡量多的位于查詢(xún)目標(biāo)上的局部視覺(jué)特征。



      技術(shù)實(shí)現(xiàn)要素:

      針對(duì)現(xiàn)有技術(shù)的缺陷,本發(fā)明提供一種局部視覺(jué)特征選擇方法及裝置,能夠解決現(xiàn)有技術(shù)中的局部視覺(jué)特征選擇方法無(wú)法使得選擇出的局部視覺(jué)特征子集包含盡量多的位于查詢(xún)目標(biāo)上的局部視覺(jué)特征的問(wèn)題。

      第一方面,本發(fā)明提供了一種局部視覺(jué)特征選擇方法,所述方法包括:

      檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性;

      獲得部分或全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性;

      根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;

      按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      優(yōu)選地,所述根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于所述目標(biāo)圖像中的可能性數(shù)值之前,所述方法還包括:

      根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組;

      針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      優(yōu)選地,所述針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型,包括:

      收集若干匹配圖像對(duì);

      檢測(cè)獲取每個(gè)圖像的局部視覺(jué)特征,并獲得所述局部視覺(jué)特征的自有屬性;

      獲得部分或全部局部視覺(jué)特征的深度信息,并獲得歸一化的深度屬性;

      將所有匹配圖像對(duì)的局部視覺(jué)特征作為訓(xùn)練數(shù)據(jù)集,并對(duì)每個(gè)匹配圖像對(duì)中對(duì)應(yīng)的局部視覺(jué)特征進(jìn)行匹配,根據(jù)匹配成功與否將所述局部視覺(jué)特征標(biāo)注為正樣本或者負(fù)樣本;

      根據(jù)所述訓(xùn)練數(shù)據(jù)集及所述訓(xùn)練數(shù)據(jù)集中局部視覺(jué)特征的標(biāo)注信息,采用監(jiān)督學(xué)習(xí)方法分別對(duì)每組屬性進(jìn)行訓(xùn)練,學(xué)習(xí)所述局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以獲得局部視覺(jué)特征的特征選擇模型。

      優(yōu)選地,獲得全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性;

      相應(yīng)地,所述根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值,包括:

      根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性值以及深度屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      優(yōu)選地,所述采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值,包括:

      采用所述預(yù)先建立的局部視覺(jué)特征的特征選擇模型,計(jì)算分別對(duì)應(yīng)不同屬性組時(shí)所述局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率;

      所述局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值為不同屬性組對(duì)應(yīng)的概率的乘積。

      優(yōu)選地,獲得部分所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性;

      相應(yīng)地,所述根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值,包括:

      對(duì)于獲得深度信息的第一局部視覺(jué)特征,根據(jù)所述第一局部視覺(jué)特征的自有屬性值以及深度屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述第一局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;

      對(duì)于未獲得深度信息的第二局部視覺(jué)特征,根據(jù)所述第二局部視覺(jué)特征的自有屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      優(yōu)選地,所述采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值,包括:

      采用所述預(yù)先建立的局部視覺(jué)特征的特征選擇模型,計(jì)算分別對(duì)應(yīng)不同屬性組時(shí)所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率;所述屬性組不包括深度屬性的屬性組;

      所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值為不同屬性組對(duì)應(yīng)的概率及正則化參數(shù)的乘積。

      優(yōu)選地,所述自有屬性包括:尺度、方向、高斯差分的峰值及到圖像中心的距離;

      所述深度信息包括:距離攝像機(jī)的深度數(shù)值或者視差數(shù)值。

      第二方面,本發(fā)明提供了一種局部視覺(jué)特征的選擇裝置,所述裝置包括:

      自有屬性獲取模塊,用于檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性;

      深度屬性獲取模塊,用于獲得部分或全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性;

      可能性數(shù)值計(jì)算模塊,用于根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;

      局部視覺(jué)特征選擇模塊,用于按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      優(yōu)選地,所述裝置還包括:模型建立模塊,用于:

      根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組;

      針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      由上述技術(shù)方案可知,本發(fā)明提供一種局部視覺(jué)特征選擇方法及裝置,通過(guò)檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性及部分或全部所述局部視覺(jué)特征的深度屬性;采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。如此,本發(fā)明將局部視覺(jué)特征的深度屬性引入局部視覺(jué)特征選擇方法,針對(duì)查詢(xún)目標(biāo)的三維位置分布規(guī)律建立局部視覺(jué)特征選擇模型,使得在局部視覺(jué)特征子集內(nèi)特征數(shù)目較少的配置下,仍然能夠使得選擇出的局部視覺(jué)特征盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征,在保持視覺(jué)特征描述子緊湊表達(dá)的前提下保證較為可靠的檢索結(jié)果。

      附圖說(shuō)明

      為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹,顯而易見(jiàn)地,下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例,對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講,在不付出創(chuàng)造性勞動(dòng)的前提下,還可以根據(jù)這些圖獲得其他的附圖。

      圖1是本發(fā)明實(shí)施例1提供的一種局部視覺(jué)特征選擇方法的流程示意圖;

      圖2是本發(fā)明實(shí)施例1提供的建立局部視覺(jué)特征的特征選擇模型的流程示意圖;

      圖3是本發(fā)明實(shí)施例2提供的一種局部視覺(jué)特征選擇方法的流程示意圖;

      圖4是本發(fā)明實(shí)施例3提供的一種局部視覺(jué)特征選擇方法的流程示意圖;

      圖5是本發(fā)明實(shí)施例3提供的一種局部視覺(jué)特征選擇方法的流程示意圖;

      圖6是本發(fā)明實(shí)施例4提供的一種局部視覺(jué)特征的選擇裝置的結(jié)構(gòu)示意圖;

      圖7是本發(fā)明實(shí)施例4提供的一種局部視覺(jué)特征的選擇裝置的結(jié)構(gòu)示意圖。

      具體實(shí)施方式

      下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。

      實(shí)施例1

      圖1是本發(fā)明實(shí)施例1提供的一種局部視覺(jué)特征選擇方法的流程示意圖,如圖1所示,所述方法包括如下步驟:

      S101:檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性。

      具體來(lái)說(shuō),采用局部視覺(jué)特征檢測(cè)方法,檢測(cè)出目標(biāo)圖像中的局部視覺(jué)特征,形成局部視覺(jué)特征描述子全集,并獲得每個(gè)局部視覺(jué)特征的自有屬性。

      其中,局部視覺(jué)特征檢測(cè)方法可為任意適用于圖像局部視覺(jué)特征的檢測(cè)方法,例如尺度不變特征(Scale Invariant Feature Transform,簡(jiǎn)稱(chēng)SIFT)中的局部視覺(jué)特征檢測(cè)方法。

      其中,局部視覺(jué)特征的自有屬性可為上述局部視覺(jué)特征檢測(cè)方法檢測(cè)出的局部視覺(jué)特征所包含的屬性。本實(shí)施例以SIFT為例,其自有屬性可包括尺度、方向、高斯差分的峰值、到圖像中心的距離等。

      S102:獲得部分或全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性。

      其中,局部視覺(jué)特征的深度信息可為該局部視覺(jué)特征距離攝像機(jī)的深度數(shù)值,也可以是該局部視覺(jué)特征的視差數(shù)值。

      進(jìn)一步地,對(duì)于局部視覺(jué)特征的深度信息(距離攝像機(jī)的深度數(shù)值或者視差數(shù)值),按照該信息的數(shù)值大小順序(從大至小或者從小至大)進(jìn)行排序。對(duì)于局部視覺(jué)特征全集中的任一局部視覺(jué)特征,獲取其深度信息的排位順序,并將該排位順序歸一化到[0,1]區(qū)間內(nèi),將歸一化后的深度信息作為該局部視覺(jué)特征的深度屬性。

      S103:根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      需要說(shuō)明的是,目標(biāo)圖像中的局部視覺(jué)特征包括:位于查詢(xún)目標(biāo)的局部視覺(jué)特征,還可能包括部分噪聲局部視覺(jué)特征,如非查詢(xún)目標(biāo)的背景局部視覺(jué)特征。

      具體來(lái)說(shuō),對(duì)于目標(biāo)圖像中的局部視覺(jué)特征,根據(jù)某個(gè)局部視覺(jué)特征是否能夠獲得深度屬性而動(dòng)態(tài)地選擇深度屬性與自有屬性的融合方法,參照預(yù)先建立的局部視覺(jué)特征選擇模型,計(jì)算每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)的可能性數(shù)值。其中,對(duì)于任一局部視覺(jué)特征,獲得對(duì)應(yīng)不同屬性時(shí)該局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率,且根據(jù)該局部視覺(jué)特征的不同屬性對(duì)應(yīng)的概率可求得該局部視覺(jué)特征位于查詢(xún)目標(biāo)的可能性數(shù)值。

      如此,使得對(duì)目標(biāo)圖像進(jìn)行特征選擇時(shí),根據(jù)具體某個(gè)局部視覺(jué)特征是否能夠獲取深度信息動(dòng)態(tài)地選擇深度屬性與自有屬性的融合方法,使得本方法能夠適應(yīng)于不同的深度信息獲取方式,更加具有靈活性。

      S104:按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      具體來(lái)說(shuō),將局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值從高到低排列,按從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征,如此,便可使得選擇出的局部視覺(jué)特征盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征。

      由此可見(jiàn),本實(shí)施例提供一種局部視覺(jué)特征選擇方法,通過(guò)檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性及部分或全部所述局部視覺(jué)特征的深度屬性;采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。如此,本實(shí)施例將局部視覺(jué)特征的深度屬性引入局部視覺(jué)特征選擇方法,針對(duì)查詢(xún)目標(biāo)的三維位置分布規(guī)律建立局部視覺(jué)特征選擇模型,使得在局部視覺(jué)特征子集內(nèi)特征數(shù)目較少的配置下,仍然能夠使得選擇出的局部視覺(jué)特征盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征,在保持視覺(jué)特征描述子緊湊表達(dá)的前提下保證較為可靠的檢索結(jié)果。

      進(jìn)一步地,在所述步驟S103之前,該方法還包括如下步驟:

      根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組。針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      舉例來(lái)說(shuō),本實(shí)施例以SIFT特征包含的尺度、方向、高斯差分的峰值、距離圖像中心的距離四種自有屬性為例,對(duì)局部視覺(jué)特征的屬性分組方法進(jìn)行說(shuō)明。經(jīng)過(guò)分析可知,四個(gè)自有屬性之間滿足兩兩互相獨(dú)立的假設(shè),而深度屬性與尺度屬性存在依賴(lài)關(guān)系。因此,在本實(shí)施例中方向、高斯差分的峰值、距離圖像中心的距離被單獨(dú)分成三組,尺度與深度屬性被分為一組。值得注意的是,局部視覺(jué)特征中包含的自有屬性通常滿足兩兩獨(dú)立假設(shè),可以進(jìn)行單獨(dú)分組;深度屬性往往與尺度屬性存在依賴(lài)關(guān)系,當(dāng)局部視覺(jué)特征的自有屬性中包含尺度屬性時(shí),深度屬性與尺度屬性往往被分為一組,當(dāng)局部視覺(jué)特征的自有屬性中不包含尺度屬性時(shí),深度屬性可以獨(dú)立分組。每種屬性?xún)H能夠被分配在一個(gè)屬性分組內(nèi)。

      如此,根據(jù)局部視覺(jué)特征的自有屬性、深度屬性,考慮到自有屬性和深度屬性間的依賴(lài)關(guān)系,分析位于查詢(xún)目標(biāo)中的局部視覺(jué)特征的三維空間位置分布規(guī)律,離線地建立局部視覺(jué)特征的特征選擇模型。

      由此可見(jiàn),本實(shí)施例在離線建立局部視覺(jué)特征的特征選擇模型時(shí),考慮深度屬性與自有屬性之間的依賴(lài)關(guān)系,使得模型建立更加具有統(tǒng)計(jì)客觀性。

      進(jìn)一步地為了訓(xùn)練局部特征選擇模型,需構(gòu)建訓(xùn)練數(shù)據(jù)集。具體來(lái)說(shuō),上述針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型的步驟,如圖2所示,具體包括如下步驟:

      S201:收集若干匹配圖像對(duì)。

      其中,匹配圖像對(duì)指的是包含同一物體或者場(chǎng)景的兩幅圖像。

      S202:檢測(cè)獲取每個(gè)圖像的局部視覺(jué)特征,并獲得所述局部視覺(jué)特征的自有屬性。

      S203:獲得部分或全部局部視覺(jué)特征的深度信息,并獲得歸一化的深度屬性。

      S204:將所有匹配圖像對(duì)的局部視覺(jué)特征作為訓(xùn)練數(shù)據(jù)集,并對(duì)每個(gè)匹配圖像對(duì)中對(duì)應(yīng)的局部視覺(jué)特征進(jìn)行匹配,根據(jù)匹配成功與否將所述局部視覺(jué)特征標(biāo)注為正樣本或者負(fù)樣本。

      具體來(lái)說(shuō),對(duì)于任意一對(duì)匹配圖像對(duì),將能夠成功匹配的局部視覺(jué)特征標(biāo)記為正樣本,將無(wú)法成功匹配的局部視覺(jué)特征標(biāo)記為負(fù)樣本,且所有匹配圖像對(duì)內(nèi)檢測(cè)出的局部視覺(jué)特征構(gòu)成了訓(xùn)練數(shù)據(jù)集。

      需要說(shuō)明的是,在實(shí)際應(yīng)用中,還可以采取其他方式構(gòu)建訓(xùn)練數(shù)據(jù)集,對(duì)數(shù)據(jù)集中的正樣本與負(fù)樣本進(jìn)行標(biāo)注。

      S205:根據(jù)所述訓(xùn)練數(shù)據(jù)集及所述訓(xùn)練數(shù)據(jù)集中局部視覺(jué)特征的標(biāo)注信息,采用監(jiān)督學(xué)習(xí)方法分別對(duì)每組屬性進(jìn)行訓(xùn)練,學(xué)習(xí)所述局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以獲得局部視覺(jué)特征的特征選擇模型。

      舉例來(lái)說(shuō),在本實(shí)施例中,可采用貝葉斯估計(jì)的方法進(jìn)行訓(xùn)練??衫斫獾?,在實(shí)際應(yīng)用中,可采用任何其他監(jiān)督學(xué)習(xí)方法,如邏輯回歸、支持向量機(jī)等。

      需要說(shuō)明的是,構(gòu)建數(shù)據(jù)集中的匹配圖像對(duì)和圖像與上述實(shí)施例中的目標(biāo)圖像是不同的。

      實(shí)施例2

      圖3是本發(fā)明實(shí)施例2提供的一種局部視覺(jué)特征選擇方法的流程示意圖,如圖3所示,所述方法包括如下步驟:

      S301:檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性。

      本步驟S301與實(shí)施例1中的步驟S101相同,在此不再贅述。

      S302:獲得全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性。

      可選地,對(duì)于局部視覺(jué)特征,其獲得的深度信息可以是該局部視覺(jué)特征距離攝像機(jī)的深度數(shù)值,也可以是該局部視覺(jué)特征的視差數(shù)值。

      目標(biāo)圖像的局部視覺(jué)特征全集中,為獲得每一個(gè)局部視覺(jué)特征距離攝像機(jī)的深度數(shù)值的方法,可以采用Kinect等深度攝像機(jī)拍攝獲取深度圖的方法,也可以采用其他深度數(shù)據(jù)獲取設(shè)備進(jìn)行采集。

      目標(biāo)圖像的局部視覺(jué)特征全集中,為獲得每一個(gè)局部視覺(jué)特征的視差數(shù)值,可以使用任何立體匹配算法,為雙視圖像計(jì)算視差圖。

      對(duì)于局部視覺(jué)特征的深度信息(距離攝像機(jī)的深度數(shù)值或者視差數(shù)值),按照該信息的數(shù)值大小順序(從大至小或者從小至大)進(jìn)行排序。對(duì)于局部視覺(jué)特征全集中的任一局部視覺(jué)特征,獲取其深度信息的排位順序,并將該排位順序歸一化到[0,1]區(qū)間內(nèi),將歸一化后的深度信息作為該局部視覺(jué)特征的深度屬性。

      本實(shí)施例以獲取目標(biāo)圖像中局部視覺(jué)特征全集中每一個(gè)局部視覺(jué)特征的視差數(shù)值,按照從大至小的順序進(jìn)行排列為例,歸一化方法的形式化表述如下:

      假設(shè)局部視覺(jué)特征全集共包含N個(gè)獲得視差數(shù)值的局部視覺(jué)特征,對(duì)于任一局部視覺(jué)特征Fi。按照從大至小的順序,F(xiàn)i視差數(shù)值在全部獲得視差數(shù)值的局部視覺(jué)特征中的排位順序?yàn)閞anki,則Fi的深度屬性di計(jì)算方法為:

      di=ranki/N (1)

      S303:根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組。針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      本實(shí)施例以SIFT特征包含的尺度、方向、高斯差分的峰值、距離圖像中心的距離四種自有屬性為例,對(duì)局部視覺(jué)特征的屬性分組方法進(jìn)行說(shuō)明。經(jīng)過(guò)分析可知,四個(gè)自有屬性之間滿足兩兩互相獨(dú)立的假設(shè),而深度屬性與尺度屬性存在依賴(lài)關(guān)系。因此,在本實(shí)施例中方向、高斯差分的峰值、距離圖像中心的距離被單獨(dú)分成三組,尺度與深度屬性被分為一組。值得注意的是,局部視覺(jué)特征中包含的自有屬性通常滿足兩兩獨(dú)立假設(shè),可以進(jìn)行單獨(dú)分組;深度屬性往往與尺度屬性存在依賴(lài)關(guān)系,當(dāng)局部視覺(jué)特征的自有屬性中包含尺度屬性時(shí),深度屬性與尺度屬性往往被分為一組,當(dāng)局部視覺(jué)特征的自有屬性中不包含尺度屬性時(shí),深度屬性可以獨(dú)立分組。每種屬性?xún)H能夠被分配在一個(gè)屬性分組內(nèi)。

      為了訓(xùn)練局部特征選擇模型,需要構(gòu)建訓(xùn)練數(shù)據(jù)集,并對(duì)數(shù)據(jù)集中的正樣本與負(fù)樣本進(jìn)行標(biāo)注。首先,收集若干匹配圖像對(duì),其中匹配圖像對(duì)時(shí)指包含同一個(gè)物體或者場(chǎng)景的兩幅圖像。然后,對(duì)任何一對(duì)匹配圖像對(duì),分別檢測(cè)兩張圖像的局部視覺(jué)特征,提取局部視覺(jué)特征的描述子,并對(duì)兩幅圖像中的局部視覺(jué)特征進(jìn)行匹配。最終,對(duì)于任何一對(duì)匹配圖像對(duì),將能夠成功匹配的局部視覺(jué)特征標(biāo)記為正樣本,將無(wú)法成功匹配的局部視覺(jué)特征標(biāo)記為負(fù)樣本,所有匹配圖像對(duì)內(nèi)檢測(cè)出的局部視覺(jué)特征構(gòu)成了訓(xùn)練數(shù)據(jù)集。在實(shí)際應(yīng)用中,也可以采取其他方式構(gòu)建訓(xùn)練數(shù)據(jù)集,對(duì)數(shù)據(jù)集中的正樣本與負(fù)樣本進(jìn)行標(biāo)注。

      根據(jù)構(gòu)建的訓(xùn)練數(shù)據(jù)集及標(biāo)注信息,采用監(jiān)督學(xué)習(xí)方法分別對(duì)每組屬性進(jìn)行訓(xùn)練,學(xué)習(xí)局部視覺(jué)特征在一組屬性中取不同數(shù)值時(shí),該局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率。在本實(shí)施例中,采用貝葉斯估計(jì)的方法進(jìn)行訓(xùn)練。在實(shí)際應(yīng)用中,可以使用任何其他監(jiān)督學(xué)習(xí)方法(如邏輯回歸、支持向量機(jī)等)。

      需要說(shuō)明的是,構(gòu)建數(shù)據(jù)集所用的匹配圖像對(duì)中的圖像與步驟S301中的目標(biāo)圖像是不同的。特別的,步驟303是可以在步驟S304之前預(yù)先執(zhí)行的。

      S304:根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性值以及深度屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      具體地,步驟S304包括:采用所述預(yù)先建立的局部視覺(jué)特征的特征選擇模型,計(jì)算分別對(duì)應(yīng)不同屬性組時(shí)所述局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率;所述局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值為不同屬性組對(duì)應(yīng)的概率的乘積。

      即對(duì)于任一局部視覺(jué)特征,根據(jù)步驟303中離線訓(xùn)練的特征選擇模型,獲得的每組屬性取不同數(shù)值時(shí),該局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率,則該局部視覺(jué)特征位于查詢(xún)目標(biāo)的可能性數(shù)值為每組屬性概率的乘積。

      獲得局部視覺(jué)特征位于查詢(xún)目標(biāo)的可能性數(shù)值方法的形式化表達(dá)如下:

      假設(shè)局部視覺(jué)特征共包含M組不同的屬性,根據(jù)303步驟中離線訓(xùn)練的特征選擇模型,局部視覺(jué)特征Fi在M組屬性中的概率依次為Pi1,Pi2,…,PiM,則Fi位于查詢(xún)目標(biāo)的可能性數(shù)值ri可計(jì)算為:

      ri=Pi1×Pi2×…×PiM (2)

      在實(shí)際應(yīng)用中,也可以根據(jù)303步驟中離線訓(xùn)練的特征選擇模型,采用任何其他可能性數(shù)值的計(jì)算方法,本實(shí)施例對(duì)此不加以限制。

      S305:按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      具體來(lái)說(shuō),將局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值從高到低排列,按從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征,如此,使得選擇出的局部視覺(jué)特征盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征。

      實(shí)施例3

      圖4是本發(fā)明實(shí)施例3提供的一種局部視覺(jué)特征選擇方法的流程示意圖,本實(shí)施例與實(shí)施例2的區(qū)別之處在于,一些深度信息獲取方式僅可能獲取目標(biāo)圖像中局部視覺(jué)特征全集中一部分局部視覺(jué)特征的深度信息,在這種情形下,本實(shí)施例對(duì)局部視覺(jué)特征提供了另一種可能性數(shù)值計(jì)算方法。

      具體地,如圖4所示,所述方法包括如下步驟:

      S401:檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性。

      本步驟S401與實(shí)施例1中的步驟S101相同,在此不再贅述。

      S402:獲得部分所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性。

      可選地,對(duì)于局部視覺(jué)特征,其獲得的深度信息可以是該局部視覺(jué)特征距離攝像機(jī)的深度數(shù)值,也可以是該局部視覺(jué)特征的視差數(shù)值。

      目標(biāo)圖像的局部視覺(jué)特征全集中,采用從運(yùn)動(dòng)中恢復(fù)結(jié)構(gòu)(Structure From Motion,簡(jiǎn)稱(chēng)SFM)方法、即使定位與地圖構(gòu)建(Simultaneous Localization And Mapping,簡(jiǎn)稱(chēng)SLAM)方法等其他任何基于特征的三維重建算法獲得部分局部視覺(jué)特征距離攝像機(jī)的深度數(shù)值。

      目標(biāo)圖像的局部視覺(jué)特征全集中,可以借助于輔助圖像,對(duì)目標(biāo)圖像與輔助圖像進(jìn)行局部視覺(jué)特征的檢測(cè)、描述子提取及描述子匹配,根據(jù)成功匹配的局部視覺(jué)特征對(duì)兩幅圖像進(jìn)行校正,并計(jì)算成功匹配局部視覺(jué)特征的視差數(shù)值。

      在本實(shí)施例中,采用“R.I.Hartley.Theory and practice of projective rectification.International Journal of Computer Vision(IJCV),vol.35,no.2,pp.115–127,1999.”中所公開(kāi)的校正方法。在實(shí)際應(yīng)用中,也可以采取其他校正方法,本實(shí)施例對(duì)此不加以限制。

      S403:根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組。針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      需要說(shuō)明的是,在構(gòu)建訓(xùn)練數(shù)據(jù)集時(shí),僅將能夠獲得深度信息的部分局部視覺(jué)特征包含在訓(xùn)練數(shù)據(jù)集中。本步驟S403的具體過(guò)程與步驟S303一致,在此不再贅述。

      S404:根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      具體地,在視覺(jué)檢索過(guò)程中,對(duì)于目標(biāo)圖像中局部視覺(jué)特征,依據(jù)局部視覺(jué)特征是否獲得深度信息,分別計(jì)算兩類(lèi)局部視覺(jué)特征位于查詢(xún)目標(biāo)的可能性數(shù)值。

      具體來(lái)說(shuō),如圖5所示,步驟S404具體可包括如下子步驟:

      S4041:對(duì)于獲得深度信息的第一局部視覺(jué)特征,根據(jù)所述第一局部視覺(jué)特征的自有屬性值以及深度屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述第一局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      其中,步驟S4041中計(jì)算可能性數(shù)值的過(guò)程與實(shí)施例2中步驟S304一致,在此不再贅述。

      S4042:對(duì)于未獲得深度信息的第二局部視覺(jué)特征,根據(jù)所述第二局部視覺(jué)特征的自有屬性值,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型計(jì)算得到所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值。

      舉例來(lái)說(shuō),步驟S4042具體可采用如下方式求出可能性數(shù)值:

      采用所述預(yù)先建立的局部視覺(jué)特征的特征選擇模型,計(jì)算分別對(duì)應(yīng)不同屬性組時(shí)所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)的概率;所述屬性組不包括深度屬性的屬性組;則所述第二局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值為不同屬性組對(duì)應(yīng)的概率及正則化參數(shù)的乘積。

      即對(duì)于未獲得深度信息的局部視覺(jué)特征,在計(jì)算可能性數(shù)值時(shí)僅考慮不包含深度屬性的屬性分組,同時(shí)增加正則化參數(shù)。對(duì)于未獲得深度信息的局部視覺(jué)特征,計(jì)算可能性數(shù)值的形式化表達(dá)如下:

      假設(shè)局部視覺(jué)特征共包含M-1組不包含深度屬性的屬性分析分組,根據(jù)403步驟中離線訓(xùn)練的特征選擇模型,局部視覺(jué)特征Fi在M-1組屬性中的概率依次為Pi1,Pi2,…,Pi(M-1),正則化參數(shù)為b,則Fi位于查詢(xún)目標(biāo)的可能性數(shù)值ri可計(jì)算為:

      ri=b×Pi1×Pi2×…×Pi(M-1) (3)

      在本實(shí)施例中,b的取值可為0.3。

      S405:按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      需要說(shuō)明的是,在為獲得深度信息與未獲得深度信息的局部視覺(jué)特征分別計(jì)算可能性數(shù)值后,將局部視覺(jué)特征全集中的所有特征不加區(qū)分地按照可能性數(shù)值進(jìn)行排序,根據(jù)子集中局部視覺(jué)特征數(shù)量配置,按照可能性數(shù)值從高至低的順序從局部視覺(jué)特征全集中選擇出一個(gè)子集。

      實(shí)施例4

      圖6是本發(fā)明實(shí)施例4提供的一種局部視覺(jué)特征的選擇裝置的結(jié)構(gòu)示意圖,如圖6所示,所述裝置包括:自有屬性獲取模塊601、深度屬性獲取模塊602、可能性數(shù)值計(jì)算模塊603及局部視覺(jué)特征選擇模塊604。其中:

      自有屬性獲取模塊601用于檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性;深度屬性獲取模塊602用于獲得部分或全部所述局部視覺(jué)特征的深度信息,并通過(guò)歸一化方法獲得所述局部視覺(jué)特征的深度屬性;可能性數(shù)值計(jì)算模塊603用于根據(jù)所述每個(gè)局部視覺(jué)特征的自有屬性,以及部分或全部局部視覺(jué)特征的深度屬性,采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;局部視覺(jué)特征選擇模塊604用于按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。

      由此可見(jiàn),本實(shí)施例通過(guò)自有屬性獲取模塊601檢測(cè)獲取目標(biāo)圖像中的多個(gè)局部視覺(jué)特征,并獲得每個(gè)局部視覺(jué)特征的自有屬性,通過(guò)深度屬性獲取模塊602獲取部分或全部所述局部視覺(jué)特征的深度屬性;可能性數(shù)值計(jì)算模塊603采用預(yù)先建立的局部視覺(jué)特征的特征選擇模型獲得所述每個(gè)局部視覺(jué)特征位于查詢(xún)目標(biāo)中的可能性數(shù)值;局部視覺(jué)特征選擇模塊604按照所述可能性數(shù)值從高到低的順序選擇預(yù)設(shè)數(shù)量的局部視覺(jué)特征作為局部視覺(jué)特征子集。如此,本實(shí)施例將局部視覺(jué)特征的深度屬性引入以進(jìn)行局部視覺(jué)特征選擇,針對(duì)查詢(xún)目標(biāo)的三維位置分布規(guī)律建立局部視覺(jué)特征選擇模型,使得在局部視覺(jué)特征子集內(nèi)特征數(shù)目較少的配置下,仍然能夠使得選擇出的局部視覺(jué)特征盡可能多地包含位于查詢(xún)目標(biāo)中的局部視覺(jué)特征,在保持視覺(jué)特征描述子緊湊表達(dá)的前提下保證較為可靠的檢索結(jié)果。

      進(jìn)一步地,如圖7所示,所述裝置還包括:模型建立模塊605。

      模型建立模塊605用于根據(jù)局部視覺(jué)特征的自有屬性、深度屬性以及所述自有屬性和所述深度屬性間的依賴(lài)關(guān)系,對(duì)所述自有屬性及所述深度屬性進(jìn)行分組;針對(duì)每組屬性,訓(xùn)練局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以建立局部視覺(jué)特征的特征選擇模型。

      具體地,模型建立模塊605,具體用于:

      收集若干匹配圖像對(duì);

      檢測(cè)獲取每個(gè)圖像的局部視覺(jué)特征,并獲得所述局部視覺(jué)特征的自有屬性;

      獲得部分或全部局部視覺(jué)特征的深度信息,并獲得歸一化的深度屬性;

      將所有匹配圖像對(duì)的局部視覺(jué)特征作為訓(xùn)練數(shù)據(jù)集,并對(duì)每個(gè)匹配圖像對(duì)中對(duì)應(yīng)的局部視覺(jué)特征進(jìn)行匹配,根據(jù)匹配成功與否將所述局部視覺(jué)特征標(biāo)注為正樣本或者負(fù)樣本;

      根據(jù)所述訓(xùn)練數(shù)據(jù)集及所述訓(xùn)練數(shù)據(jù)集中局部視覺(jué)特征的標(biāo)注信息,采用監(jiān)督學(xué)習(xí)方法分別對(duì)每組屬性進(jìn)行訓(xùn)練,學(xué)習(xí)所述局部視覺(jué)特征在所述屬性上對(duì)應(yīng)不同的屬性值時(shí),所述局部視覺(jué)特征能夠匹配成功的概率,以獲得局部視覺(jué)特征的特征選擇模型。

      進(jìn)一步地,可能性數(shù)值計(jì)算模塊603,具體用于:

      利用局部視覺(jué)特征檢測(cè)對(duì)查詢(xún)圖像進(jìn)行局部視覺(jué)特征檢測(cè),獲取距視覺(jué)特征的自有屬性;

      利用深度屬性計(jì)算單元計(jì)算全部或者部分局部視覺(jué)特征的歸一化深度屬性;

      根據(jù)自有屬性及深度屬性,進(jìn)行可能性數(shù)值計(jì)算及局部視覺(jué)特征選擇。具體步驟為:首先,對(duì)于任一局部視覺(jué)特征,依據(jù)其是否獲得深度屬性選擇對(duì)應(yīng)的可能性數(shù)值計(jì)算方法;然后,對(duì)所有局部視覺(jué)特征不加區(qū)分地按照可能性數(shù)值從高至低的進(jìn)行排序;最后,根據(jù)子集中局部視覺(jué)特征數(shù)量配置,選擇可能性數(shù)值較高的局部視覺(jué)特征,形成用于匹配檢索的局部視覺(jué)特征子集。

      對(duì)于裝置實(shí)施例而言,由于其與方法實(shí)施例基本相似,所以描述的比較簡(jiǎn)單,相關(guān)之處參見(jiàn)方法實(shí)施例的部分說(shuō)明即可。

      在本領(lǐng)域普通技術(shù)人員可以理解:實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成。前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。該程序在執(zhí)行時(shí),執(zhí)行包括上述各方法實(shí)施例的步驟;而前述的存儲(chǔ)介質(zhì)包括:ROM、RAM、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。

      還需要說(shuō)明的是,在本文中,諸如第一和第二等之類(lèi)的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái),而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且,術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素,而且還包括沒(méi)有明確列出的其他要素,或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下,由語(yǔ)句“包括一個(gè)……”限定的要素,并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。

      以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案,而非對(duì)其限制;盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明,本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改,或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換;而這些修改或者替換,并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。

      當(dāng)前第1頁(yè)1 2 3 
      網(wǎng)友詢(xún)問(wèn)留言 已有0條留言
      • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1