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F_i。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ank_i，則F_i的深度屬性d_i計(jì)算方法為：

d_i＝rank_i/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F_i在M組屬性中的概率依次為P_i1,P_i2,…,P_iM，則F_i位于查詢(xún)目標(biāo)的可能性數(shù)值r_i可計(jì)算為：

r_i＝P_i1×P_i2×…×P_iM (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F_i在M-1組屬性中的概率依次為P_i1,P_i2,…,P_i(M-1)，正則化參數(shù)為b，則F_i位于查詢(xún)目標(biāo)的可能性數(shù)值r_i可計(jì)算為：

r_i＝b×P_i1×P_i2×…×P_i(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。