获取可伸缩全局特征描述子的方法技术

本发明专利技术提供一种获取可伸缩全局特征描述子的方法，其中，所述方法包括：获取图像的全局特征描述子；据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子；其中，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化。上述方法获得的可伸缩全局特征描述子能够降低全局特征描述子占用空间，使之适用于不同的应用，提高描述子在图像检索过程的效率。

【技术实现步骤摘要】
获取可伸缩全局特征描述子的方法
本专利技术实施例涉及计算机领域，尤其涉及一种获取可伸缩全局特征描述子的方法。
技术介绍
随着智能终端的发展，移动视觉搜索应用越来越多。当前，基于智能终端的图像检索方法主要是基于图像的局部特征描述子。然而，在图像检索过程中，局部特征压缩以及建立倒排等索引文件的计算量较高；若图像检索方法中获取待检索图像的局部特征描述子占用较大的空间，此时，根据当前的网络带宽，移动客户端无法较快地将局部特征描述子发送至服务器。在具体应用中，由于局部特征描述子占用的较大的空间，故服务器根据移动客户端传输的局部特征描述子查找匹配的过程也非常迟缓，进而严重影响了图像检索的查询响应时间，降低了查询效率。另外，现有技术还提出一种利用全局视觉特征进行图像检索的方法，但该方法提取的全局特征描述子的长度为固定长度，其无法应用于各种不同的检索条件下，进而影响图像搜索的性能。
技术实现思路
为解决现有技术中的缺陷，本专利技术提供一种获取可伸缩全局特征描述子的方法，可降低现有技术中全局特征描述子的占用空间，提高描述子在图像检索过程的效率。第一方面，本专利技术提供一种获取可伸缩全局特征描述子的方法，包括：获取图像的全局特征描述子；根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子；其中，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化。可选地，获取图像的全局特征描述子，包括：获取所述图像的局部特征描述子，并对所述局部特征描述子进行降维；根据高斯混合模型，对降维后的局部特征描述子进行聚合，获得所述图像的一个全局特征描述子。可选地，所述对所述局部特征描述子进行降维，包括：采用降维矩阵对所述局部特征描述子进行降维，得到低维局部特征描述子，所述低维局部特征描述子的维度为32维；所述根据高斯混合模型，对降维后的局部特征描述子进行聚合，获得所述图像的一个全局特征描述子，包括：根据高斯混合模型中的每一高斯密度函数，将所述低维局部特征描述子转换为第一累积梯度向量和/或第二累积梯度向量；所述第一累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的均值求一阶偏导得到的，所述第二累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的方差求一阶偏导得到的；将所有高斯密度函数对应的所有累积梯度向量首尾相连获得所述图像的一个全局特征描述子；其中，每一高斯密度函数对应一个第一累积梯度向量和/或一个第二累积梯度向量。可选地，若所述第一规则为固定个数选取规则，则所述根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子，包括：获取所述全局特征描述子中每一高斯密度函数对应的第一累积梯度向量的所有维度的数值的标准差；将所有第一累积梯度向量对应的标准差按照从大到小依次排序；选取排序中前k个标准差对应的第一累积梯度向量，将选取的k个第一累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中前k个标准差对应的第二累积梯度向量，将选取的k个第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中前k个标准差对应的第一累积梯度向量和第二累积梯度向量，将选取的k个第一累积梯度向量首尾相连并将选取的k个第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，若预设的第一规则为阈值选取规则，则所述根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子，包括：获取所述全局特征描述子中每一高斯密度函数对应的第一累积梯度向量的所有维度的数值的标准差；将所有第一累积梯度向量对应的标准差按照从大到小依次排序；选取排序中大于阈值τa的标准差对应的第一累积梯度向量，将选取的第一累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中大于阈值τa的标准差对应的第二累积梯度向量，将选取的第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中大于阈值τa的标准差对应的第一累积梯度向量和第二累积梯度向量，将选取的第一累积梯度向量首尾相连并将选取的第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；其中，第一累积梯度向量为：所述待处理图像的对数似然函数对所述高斯密度函数对应的均值求一阶偏导得到的；第二累积梯度向量为：所述第二累积梯度向量是所述待处理图像的对数似然函数对所述高斯密度函数对应的方差求一阶偏导得到的。可选地，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化，包括：所述第一规则为固定个数选取规则时，所述参数值为所述k对应的数值,所述可伸缩全局特征描述子的字节大小根据所述第一规则中k的变化而变化；所述第一规则为阈值选取规则时，所述参数值为τa对应的数值，所述可伸缩全局特征描述子的字节大小根据所述第一规则中τa的变化而变化。可选地，若所述图像的视觉特征描述子长度范围在462字节和562字节之间，且所述第一规则为固定个数选取规则，则所述k等于80；若所述图像的视觉特征描述子长度范围在924字节和1124字节之间，且所述第一规则为固定个数选取规则，则所述k等于80；若所述图像的视觉特征描述子长度范围在1848字节和2248字节之间，且所述第一规则为固定个数选取规则，则所述k等于85；若所述图像的视觉特征描述子长度范围在3696字节和4496字节之间，且所述第一规则为阈值选取规则，则所述τa等于0.009195；若所述图像的视觉特征描述子长度范围在7392字节和8992字节之间，且所述第一规则为阈值选取规则，则τa等于0.009195；若所述图像的视觉特征描述子长度范围在14784字节和17984字节之间，且所述第一规则为阈值选取规则，则τa等于0.009195；所述视觉特征描述子长度包括：全局特征描述子的占用空间、局部特征描述子的占用空间以及每一局部特征描述子对应所述图像的位置信息。第二方面，本专利技术提供一种获取可伸缩全局特征描述子的装置，包括：获取单元，用于获取图像的全局特征描述子；处理单元，用于根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子；其中，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数至的变化而变化。可选地，所述获取单元，具体用于获取所述图像的局部特征描述子，并对所述局部特征描述子进行降维；根据高斯混合模型，对降维后的局部特征描述子进行聚合，获得所述图像的一个全局特征描述子。可选地，所述获取单元，具体用于采用降维矩阵对所述局部特征描述子进行降维，得到低维局部特征描述子，所述低维局部特征描述子的维度为32维；所述根据高斯混合模型，对降维后的局部特征描述子进行聚合，获得所述图像的一个全局特征描述子，包括：根据高斯混合模型中的每一高斯密度函数，将所述低维局部特征描述子转换为第一累积梯度向量和/或第二累积梯度向量；所述第一累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的均值求一阶偏导得到的，所述第二累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的方差求一阶偏导得到的；将所有高斯密度函数对应的所有累积梯度向量首本文档来自技高网...

【技术保护点】
一种获取可伸缩全局特征描述子的方法，其特征在于，包括：获取图像的全局特征描述子；根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子；其中，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化。

【技术特征摘要】
1.一种获取可伸缩全局特征描述子的方法，其特征在于，包括：获取图像的全局特征描述子；根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子；其中，所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化；若所述第一规则为固定个数选取规则，则所述根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子，包括：获取所述全局特征描述子中每一高斯密度函数对应的第一累积梯度向量的所有维度的数值的标准差，所述第一累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的均值求一阶偏导得到的；将所有第一累积梯度向量对应的标准差按照从大到小依次排序；选取排序中前k个标准差对应的第二累积梯度向量，将选取的k个第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中前k个标准差对应的第一累积梯度向量和第二累积梯度向量，将选取的k个第一累积梯度向量首尾相连并将选取的k个第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，若预设的第一规则为阈值选取规则，则所述根据预设的第一规则，对所述全局特征描述子进行处理，获取所述图像的可伸缩全局特征描述子，包括：获取所述全局特征描述子中每一高斯密度函数对应的第一累积梯度向量的所有维度的数值的标准差；将所有第一累积梯度向量对应的标准差按照从大到小依次排序；选取排序中大于阈值τa的标准差对应的第二累积梯度向量，将选取的第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；或者，选取排序中大于阈值τa的标准差对应的第一累积梯度向量和第二累积梯度向量，将选取的第一累积梯度向量首尾相连并将选取的第二累积梯度向量首尾相连得到用于表达图像视觉特征的可伸缩全局特征描述子；其中，第二累积梯度向量是所述图像的对数似然函数对所述高斯密度函数对应的方差求一阶偏导得到的；所述可伸缩全局特征描述子的字节大小根据所述第一规则中参数值的变化而变化，包括：所述第一规则为固定个数选取规则时，所述参数值为所述k对应的数值,所述可伸缩全局特征描述子的字节大小根据所述第一规则中k的变化而变化；所述第一规则为阈值选取规则时，所述参数值为τa对应的数值，所述可伸缩全局特征描述子的字节大小根据所述第一规则中τa的变化而变化；若所述图像的视觉特征描述子长度范围在462字节和562字节之间，则所述第一规则为固定个数选取规则，且所述k等于80；若所述图像的视觉特征描述子长度范围在924字节和1124字节之间，则所述第一规则为固定个数选取规则，且所述k等于80；若所述图像的视觉特征描述子长度范围在1848字节和2248字节之间，则所述第一规则为固定个数选取规则，且所述k等于85；若所述图像的视觉特征描述子长度范围在3696字节和4496字节之间，则所述第一规则为阈值选取规则，且所述τa等于0.009195；若所述图像的视觉特征描述子长度范围在7392字节和8992字节之间，则所述第一规则为阈值选取规则，且τa等于0.009195；若所述图像的视觉特征描述子长度范围在14784字节和17984字节之间，则所述第一规则为阈值选取规则，且τa等于0.009195；所述视觉特征描述子长度包括：全局特征描述子的占用空间、局部特征描述子的占用空间以及每一局部特征描述子对应所述图像的位置信息。2.根据权利要求1所述的方法，其特征在于，获取图像的全局特征描述子，包括：获取所述图像的局部特征描述子，并对所述局部特征描述子进行降维；根据高斯混合模型，对降维后的局部特征描述子进行聚合，获得所述图像的一个全局特征描述子。3.根据权利要求2所述的方法，其特征在于，所述对所述局部特征描述子进行降维，包括：采用...

【专利技术属性】
技术研发人员：段凌宇，林杰，王哲，杨爽，陈杰，黄铁军，高文，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11