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行排序，獲 得排序后的局部特征描述子。
[0050] 舉例來說，所述重要性的計算方法如下所述。
[0051] 對若干匹配圖像對提取所述局部特征描述子。
[0052] 其中，匹配圖像對是指包含同一個物體或同一個場景的兩幅不同的圖像。
[0053] 通過統(tǒng)計，基于正確匹配的局部特征描述子，獲得所述正確匹配的局部特征描述 子的不同屬性的概率分布；
[0054] 舉例來說，局部特征描述子的不同屬性可包括：尺度、方向、拉普拉斯高斯響應(yīng)值、 興趣點到圖像中心的距離、邊緣響應(yīng)值等。
[0055] 基于上述概率分布，計算當(dāng)待處理圖像的局部特征描述子的各個屬性分別處于某 一取值范圍時，所述局部特征描述子可以正確匹配的概率。
[0056] 其中，假設(shè)所述局部特征描述子的不同屬性統(tǒng)計獨立，所述局部特征描述子的重 要性為基于不同屬性計算的局部特征描述子正確匹配的概率的乘積。
[0057] 舉例來說，若尺度用表示，方向用0表示，拉普拉斯高斯響應(yīng)值用D表示，興 趣點到圖像中心的距離用d表示，邊緣響應(yīng)值用P表示，則局部特征描述子的重要性可按 如下方式計算：
[0058] r(〇*，0，D，d，P)=f\(〇*)? f2(0)? f3(d)? f4(D)?f5(P)
[0059] 其中，r(o' 0，D，d，P)為局部特征描述子的重要性的定量表示， ( 〇 #)，f2 ( 0 )，f3(d)，f4 (D)，f5 (P)分別為基于不同屬性計算的局部特征描述子正確匹配 的概率。
[0060] 需要說明的是，計算局部特征描述子的重要性的方式不限于上述方式也可以是其 他計算局部特征描述子的重要性的方式。
[0061] 103、根據(jù)截斷閾值，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 述子的若干個局部特征描述子。
[0062] 其中，所述截斷閾值是針對局部特征描述子個數(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。
[0063] 舉例來說，所述截斷閾值為位于230至270之間的一個整數(shù)?？蛇x地，所述截斷閾 值可為250。若所述局部特征描述子的個數(shù)小于250個，則將所述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。
[0064] 具體的，可用如下公式表示：
【主權(quán)項】
1. 一種全局特征描述子的聚合方法，其特征在于，包括： 獲取待處理圖像的局部特征描述子； 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行排序，獲得排序后 的局部特征描述子； 根據(jù)截斷閾值，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 干個局部特征描述子； 采用高斯混合模型對所述若干個局部特征描述子進行聚合，獲得待處理圖像的全局特 征描述子； 其中，所述截斷閾值是針對局部特征描述子個數(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。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，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行排序，獲得排序后的局部特征描述子，包括： 利用統(tǒng)計方式對所述局部特征描述子的重要性進行定量表示，即用一個具體的數(shù)值表 示所述局部特征描述子的重要性； 根據(jù)所述局部特征描述子的重要性對應(yīng)的數(shù)值的大小，將所有的局部特征描述子進行 降序排列，得到排序后的局部特征描述子； 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，對全局特特征描述子的區(qū)分能力的影響。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述圖像數(shù)據(jù)集包括：三維物體圖像 和平面物體圖像； 所述截斷閾值為位于230至270之間的一個整數(shù)。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，在所述截斷閾值為250時，所述根據(jù)截斷 閾值，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局部特征 描述子，包括： 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個局部特征 描述子； 若所述排序后的局部特征描述子的個數(shù)小于250個，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。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，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)的降維矩陣對每一局部特征描述子進行降維后，得到 的低維的局部特征描述子； 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。
6. -種全局特征描述子的聚合裝置，其特征在于，包括： 獲取單元，用于獲取待處理圖像的局部特征描述子； 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行排 序，獲得排序后的局部特征描述子； 選擇單元，用于根據(jù)截斷閾值，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局部特征描述子； 聚合單元，用于采用高斯混合模型對所述若干個局部特征描述子進行聚合，獲得待處 理圖像的全局特征描述子； 其中，所述截斷閾值是針對局部特征描述子個數(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。
7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述排序單元，具體用于 利用統(tǒng)計方式對所述局部特征描述子的重要性進行定量表示，即用一個具體的數(shù)值表 示所述局部特征描述子的重要性； 根據(jù)所述局部特征描述子的重要性對應(yīng)的數(shù)值的大小，將所有的局部特征描述子進行 降序排列，得到排序后的局部特征描述子； 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，對全局特特征描述子的區(qū)分能力的影響。
8. 根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述圖像數(shù)據(jù)集包括：三維物體圖像 和平面物體圖像； 所述截斷閾值為位于230至270之間的一個整數(shù)。
9. 根據(jù)權(quán)利要求8所述的裝置，其特征在于，在所述截斷閾值為250時，所述選擇單元， 具體用于 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個局部特征 描述子； 若所述排序后的局部特征描述子的個數(shù)小于250個，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。
10. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述獲取單元獲取的局部描述子為采用 預(yù)設(shè)的降維矩陣對每一局部特征描述子進行降維后，得到的低維的局部特征描述子； 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。
【專利摘要】本發(fā)明提供一種全局特征描述子的聚合方法，包括：獲取待處理圖像的局部特征描述子，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行排序，獲得排序后的局部特征描述子；根據(jù)截斷閾值，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局部特征描述子；采用高斯混合模型對所述若干個局部特征描述子進行聚合，獲得待處理圖像的全局特征描述子；其中，所述截斷閾值為訓(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。上述方法可降低現(xiàn)有技術(shù)中全局特征描述子聚合過程中的時間復(fù)雜度，提高全局特征描述子的鑒別力和魯棒性。
【IPC分類】G06F17-30
【公開號】CN104615613
【申請?zhí)枴緾N201410183575
【發(fā)明人】段凌宇, 林杰, 王哲, 楊爽, 陳杰, 黃鐵軍, 高文
【申請人】北京大學(xué)
【公開日】2015年5月13日
【申請日】2014年4月30日