全局特征描述子的聚合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)技術(shù)，尤其涉及一種全局特征描述子的聚合方法。
【背景技術(shù)】
[0002] 目前，移動(dòng)視覺(jué)搜索應(yīng)用越來(lái)越多，業(yè)內(nèi)人士通過(guò)局部特征描述子聚合成全局特 征描述子用于圖像檢索或圖像分類。Fisher向量（FisherVector)就是一種常用的由局部 特征描述子聚合成的全局特征描述子，而且FisherVector在圖像檢索和分類中都獲得了 比較好的性能。
[0003] 現(xiàn)有技術(shù)中，F(xiàn)isher向量的獲取方式為：提取圖像的局部特征描述子，并將所有 局部特征描述子聚合成Fisher向量。但是，現(xiàn)有技術(shù)中描述子聚合的時(shí)間復(fù)雜度較高，并 且得到的Fisher向量會(huì)受到一些噪聲局部點(diǎn)的干擾。舉例來(lái)說(shuō)，一般一幅圖像的局部特征 描述子的數(shù)目不少于1〇〇〇個(gè)，若直接使用所有的局部特征描述子參與到聚合過(guò)程，則聚合 的時(shí)間復(fù)雜度非常高；另外，局部特征描述子中還存在一些噪音，若參與到Fisher向量的 聚合中，則會(huì)影響全局特征描述子的鑒別能力，導(dǎo)致了全局特征描述子不具有良好的魯棒 性，從而影響圖像檢索或者分類的性能。

【發(fā)明內(nèi)容】

[0004] 為解決現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種全局特征描述子的聚合方法，降低現(xiàn) 有技術(shù)中全局特征描述子聚合過(guò)程中的時(shí)間復(fù)雜度，提高全局特征描述子的鑒別力和魯棒 性。
[0005] 第一方面，本發(fā)明提供一種全局特征描述子的聚合方法，包括：
[0006] 獲取待處理圖像的局部特征描述子；
[0007] 根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進(jìn)行排序，獲得排 序后的局部特征描述子；
[0008] 根據(jù)截?cái)嚅撝?，從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子 的若干個(gè)局部特征描述子；
[0009] 采用高斯混合模型對(duì)所述若干個(gè)局部特征描述子進(jìn)行聚合，獲得待處理圖像的全 局特征描述子；
[0010] 其中，所述截?cái)嚅撝凳轻槍?duì)局部特征描述子個(gè)數(shù)的閾值，為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù) 集中每類圖像的檢索結(jié)果得到的。
[0011] 可選地，根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進(jìn)行排序， 獲得排序后的局部特征描述子，包括：
[0012] 利用統(tǒng)計(jì)方式對(duì)所述局部特征描述子的重要性進(jìn)行定量表示，即用一個(gè)具體的數(shù) 值表示所述局部特征描述子的重要性；
[0013] 根據(jù)所述局部特征描述子的重要性對(duì)應(yīng)的數(shù)值的大小，將所有的局部特征描述子 進(jìn)行降序排列，得到排序后的局部特征描述子；
[0014] 其中，所述局部特征描述子的重要性為所述局部特征描述子用于聚合全局特征描 述子時(shí)，對(duì)全局特征描述子的區(qū)分能力的影響。
[0015] 可選地，所述圖像數(shù)據(jù)集包括：三維物體圖像和平面物體圖像；
[0016] 所述截?cái)嚅撝禐槲挥?30至270之間的一個(gè)整數(shù)。
[0017] 可選地，所述截?cái)嚅撝禐?50 ;
[0018] 根據(jù)截?cái)嚅撝?，從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子 的若干個(gè)局部特征描述子，包括：
[0019] 從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子的250個(gè)局部 特征描述子；
[0020] 若所述排序后的局部特征描述子的個(gè)數(shù)小于250個(gè)，則將所述排序后的局部特征 描述子全部用作聚合全局特征描述子的局部特征描述子。
[0021] 可選地，所述獲取待處理圖像的局部特征描述子中，所述局部特征描述子為采用 預(yù)設(shè)的降維矩陣對(duì)每一局部特征描述子進(jìn)行降維后，得到的低維的局部特征描述子；
[0022] 其中，所述降維矩陣為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集得到的矩陣。
[0023] 第二方面，本發(fā)明還提供一種全局特征描述子的聚合裝置，包括：
[0024] 獲取單元，用于獲取待處理圖像的局部特征描述子；
[0025] 排序單元，用于根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進(jìn) 行排序，獲得排序后的局部特征描述子；
[0026] 選擇單元，用于根據(jù)截?cái)嚅撝担瑥乃雠判蚝蟮木植刻卣髅枋鲎又羞x擇用于聚合 全局特征描述子的若干個(gè)局部特征描述子；
[0027] 聚合單元，用于采用高斯混合模型對(duì)所述若干個(gè)局部特征描述子進(jìn)行聚合，獲得 待處理圖像的全局特征描述子；
[0028] 其中，所述截?cái)嚅撝凳轻槍?duì)局部特征描述子個(gè)數(shù)的閾值，且為訓(xùn)練預(yù)設(shè)的圖像數(shù) 據(jù)集中每類圖像的檢索結(jié)果得到的。
[0029] 可選地，所述排序單元，具體用于
[0030] 利用統(tǒng)計(jì)方式對(duì)所述局部特征描述子的重要性進(jìn)行定量表示，即用一個(gè)具體的數(shù) 值表示所述局部特征描述子的重要性；
[0031] 根據(jù)所述局部特征描述子的重要性對(duì)應(yīng)的數(shù)值的大小，將所有的局部特征描述子 進(jìn)行降序排列，得到排序后的局部特征描述子；
[0032] 其中，所述局部特征描述子的重要性為所述局部特征描述子用于聚合全局特征描 述子時(shí)，對(duì)全局特特征描述子的區(qū)分能力的影響。
[0033] 可選地，所述圖像數(shù)據(jù)集包括：三維物體圖像和平面物體圖像；
[0034] 所述截?cái)嚅撝禐槲挥?30至270之間的一個(gè)整數(shù)。
[0035] 可選地，在所述截?cái)嚅撝禐?50時(shí)，所述選擇單元，具體用于
[0036] 從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子的250個(gè)局部 特征描述子；
[0037] 若所述排序后的局部特征描述子的個(gè)數(shù)小于250個(gè)，則將所述排序后的局部特征 描述子全部用作聚合全局特征描述子的局部特征描述子。
[0038] 可選地，所述獲取單元獲取的局部描述子為采用預(yù)設(shè)的降維矩陣對(duì)每一局部特征 描述子進(jìn)行降維后，得到的低維的局部特征描述子；
[0039] 其中，所述降維矩陣為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集得到的矩陣。
[0040] 由上述技術(shù)方案可知，本發(fā)明的全局特征描述子的聚合方法，通過(guò)將待處理圖像 的局部特征描述子進(jìn)行重要性的排序，且在排序后的局部特征描述子中選取若干個(gè)局部特 征描述子，進(jìn)而采用選取的若干個(gè)局部特征描述子進(jìn)行聚合，獲得待處理圖像的全局特征 描述子，進(jìn)而可降低現(xiàn)有技術(shù)中全局特征描述子聚合過(guò)程的時(shí)間復(fù)雜度，進(jìn)一步提高全局 特征描述子的鑒別力和魯棒性。
【附圖說(shuō)明】
[0041] 圖1為本發(fā)明一實(shí)施例提供的全局特征描述子的聚合方法的流程示意圖；
[0042] 圖2為本發(fā)明一實(shí)施例提供的梯度方向直方圖向量的示意圖；
[0043] 圖3為本發(fā)明一實(shí)施例提供的全局特征描述子的聚合裝置的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0044]圖1示出了本發(fā)明一實(shí)施例提供的全局特征描述子的聚合方法的流程示意圖，如 圖1所示，本實(shí)施例的全局特征描述子的聚合方法如下所述。
[0045]101、獲取待處理圖像的局部特征描述子。
[0046] 可理解的是，根據(jù)獲取待處理圖像局部特征描述子的方式，所述局部特征描述子 是對(duì)所述興趣點(diǎn)的一種視覺(jué)表達(dá)，所述興趣點(diǎn)也具有所述不同屬性，也可以計(jì)算重要性，如 統(tǒng)計(jì)重要性。
[0047] 舉例來(lái)說(shuō)，獲取待處理圖像的局部特征描述子中，所述局部特征描述子為采用預(yù) 設(shè)的降維矩陣對(duì)每一局部特征描述子進(jìn)行降維后，得到的低維的局部特征描述子；
[0048] 其中，所述降維矩陣為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集得到的矩陣。
[0049] 102、根據(jù)