一种局部视觉特征选择方法及装置制造方法及图纸

本发明专利技术提供了一种局部视觉特征选择方法及装置，所述方法包括：检测获取目标图像中的多个局部视觉特征，并获得每个局部视觉特征的自有属性；获得部分或全部所述局部视觉特征的深度属性；根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值；按照所述可能性数值从高到低的顺序选择预设数量的局部视觉特征作为局部视觉特征子集。本发明专利技术使得在局部视觉特征子集内特征数目较少的配置下，仍然能够使得选择出的局部视觉特征尽可能多地包含位于查询目标中的局部视觉特征，在保持视觉特征描述子紧凑表达的前提下保证较为可靠的检索结果。

【技术实现步骤摘要】

本专利技术涉及计算机
，尤其涉及一种局部视觉特征选择方法及装置。
技术介绍
随着智能移动设备和移动互联网的普及，移动视觉搜索的应用越来越多。通常，图像检索依赖局部视觉特征进行查询和匹配。一种典型的图像检索系统架构为：客户端提取查询图像的局部视觉特征，并将局部视觉特征描述子发送到服务器端；服务器端将接收到的局部视觉特征描述子与事先存储的大量图像的局部视觉特征描述子进行匹配，返回局部视觉特征描述子相似度最高的图像作为查询结果。由于移动智能设备及移动互联网的内存、带宽限制，往往需要将局部描述子进行紧凑表达；同时，随着互联网图像的爆炸式增增长，也需要对图像数据库的局部描述子进行紧凑表达以缓解磁盘存储负担。一张图像(VGA或更高分辨率)中通常可以检测出其中数百甚至数千个局部视觉特征。一方面，若将检测出的局部视觉特征全部传输至服务器端进行匹配检测，则会造成较大的内存消耗与传输时延，影响移动视觉检索应用的用户体验；另一方面，检测出的局部视觉特征中包含部分噪声局部视觉特征(如非查询目标的背景局部视觉特征等)，噪声局部视觉特征将对视觉检索过程产生干扰，返回与查询目标无关的检索结果。因此，通常需要对图像中检测出的全部局部视觉特征进行筛选，选择出全部局部视觉特征的一个子集，使得该子集尽可能多地包含位于查询目标中的局部视觉特征，并将该子集传输至服务器端并进行匹配检测。局部视觉特征选择方法能够减少图像的局部视觉特征数据量，使得局部视觉表达更为紧凑，同时减少噪声特征对检索过程的干扰，提高检索性能。当前，往往基于局部视觉特征的自有属性(如局部视觉特征的尺度、方向、到图像中心的距离等)建立局部视觉特征选择模型。值得一提的是，在查询目标通常位于图像中心的假设下，到图像中心的距离这一属性是建立局部视觉特征选择模型的关键属性。然而，这个假设只描述了查询目标在二维平面内的位置分布规律，没有描述查询目标在三维空间内的位置分布规律，在某些较为常见的情形下(如，查询目标不位于图像中心、图像场景较为杂乱等)该假设对局部视觉特征选择模型建立不具有指导意义。因此，上述特征选择方法出现的问题是：在查询目标不位于图像中心、图像场景较为杂乱等情形下，基于局部视觉特征自有属性的局部视觉特征选择方法无法使得选择出的局部视觉特征子集包含尽量多的位于查询目标上的局部视觉特征。
技术实现思路
针对现有技术的缺陷，本专利技术提供一种局部视觉特征选择方法及装置，能够解决现有技术中的局部视觉特征选择方法无法使得选择出的局部视觉特征子集包含尽量多的位于查询目标上的局部视觉特征的问题。第一方面，本专利技术提供了一种局部视觉特征选择方法，所述方法包括：检测获取目标图像中的多个局部视觉特征，并获得每个局部视觉特征的自有属性；获得部分或全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值；按照所述可能性数值从高到低的顺序选择预设数量的局部视觉特征作为局部视觉特征子集。优选地，所述根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于所述目标图像中的可能性数值之前，所述方法还包括：根据局部视觉特征的自有属性、深度属性以及所述自有属性和所述深度属性间的依赖关系，对所述自有属性及所述深度属性进行分组；针对每组属性，训练局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以建立局部视觉特征的特征选择模型。优选地，所述针对每组属性，训练局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以建立局部视觉特征的特征选择模型，包括：收集若干匹配图像对；检测获取每个图像的局部视觉特征，并获得所述局部视觉特征的自有属性；获得部分或全部局部视觉特征的深度信息，并获得归一化的深度属性；将所有匹配图像对的局部视觉特征作为训练数据集，并对每个匹配图像对中对应的局部视觉特征进行匹配，根据匹配成功与否将所述局部视觉特征标注为正样本或者负样本；根据所述训练数据集及所述训练数据集中局部视觉特征的标注信息，采用监督学习方法分别对每组属性进行训练，学习所述局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以获得局部视觉特征的特征选择模型。优选地，获得全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；相应地，所述根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值，包括：根据所述每个局部视觉特征的自有属性值以及深度属性值，采用预先建立的局部视觉特征的特征选择模型计算得到所述每个局部视觉特征位于查询目标中的可能性数值。优选地，所述采用预先建立的局部视觉特征的特征选择模型计算得到所述每个局部视觉特征位于查询目标中的可能性数值，包括：采用所述预先建立的局部视觉特征的特征选择模型，计算分别对应不同属性组时所述局部视觉特征位于查询目标的概率；所述局部视觉特征位于查询目标中的可能性数值为不同属性组对应的概率的乘积。优选地，获得部分所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；相应地，所述根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值，包括：对于获得深度信息的第一局部视觉特征，根据所述第一局部视觉特征的自有属性值以及深度属性值，采用预先建立的局部视觉特征的特征选择模型计算得到所述第一局部视觉特征位于查询目标中的可能性数值；对于未获得深度信息的第二局部视觉特征，根据所述第二局部视觉特征的自有属性值，采用预先建立的局部视觉特征的特征选择模型计算得到所述第二局部视觉特征位于查询目标中的可能性数值。优选地，所述采用预先建立的局部视觉特征的特征选择模型计算得到所述第二局部视觉特征位于查询目标中的可能性数值，包括：采用所述预先建立的局部视觉特征的特征选择模型，计算分别对应不同属性组时所述第二局部视觉特征位于查询目标的概率；所述属性组不包括深度属性的属性组；所述第二局部视觉特征位于查询目标中的可能性数值为不同属性组对应的概率及正则化参数的乘积。优选地，所述自有属性包括：尺度、方向、高斯差分的峰值及到图像中心的距离；所述深度信息包括：距离摄像机的深度数值或者视差数值。第二方面，本专利技术提供了一种局部视觉特征的选择装置，所述装置包括：自有属性获取模块，用于检测获取目标图像中的多个局部视觉特征，并获得每个局部视觉特征的自有属性；深度属性获取模块，用于获得部分或全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；可能性数值计算模块，用于根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中本文档来自技高网...

【技术保护点】
一种局部视觉特征选择方法，其特征在于，所述方法包括：检测获取目标图像中的多个局部视觉特征，并获得每个局部视觉特征的自有属性；获得部分或全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值；按照所述可能性数值从高到低的顺序选择预设数量的局部视觉特征作为局部视觉特征子集。

【技术特征摘要】
1.一种局部视觉特征选择方法，其特征在于，所述方法包括：检测获取目标图像中的多个局部视觉特征，并获得每个局部视觉特征的自有属性；获得部分或全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值；按照所述可能性数值从高到低的顺序选择预设数量的局部视觉特征作为局部视觉特征子集。2.根据权利要求1所述的方法，其特征在于，所述根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于所述目标图像中的可能性数值之前，所述方法还包括：根据局部视觉特征的自有属性、深度属性以及所述自有属性和所述深度属性间的依赖关系，对所述自有属性及所述深度属性进行分组；针对每组属性，训练局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以建立局部视觉特征的特征选择模型。3.根据权利要求2所述的方法，其特征在于，所述针对每组属性，训练局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以建立局部视觉特征的特征选择模型，包括：收集若干匹配图像对；检测获取每个图像的局部视觉特征，并获得所述局部视觉特征的自有属性；获得部分或全部局部视觉特征的深度信息，并获得归一化的深度属性；将所有匹配图像对的局部视觉特征作为训练数据集，并对每个匹配图像对中对应的局部视觉特征进行匹配，根据匹配成功与否将所述局部视觉特征标注为正样本或者负样本；根据所述训练数据集及所述训练数据集中局部视觉特征的标注信息，采用监督学习方法分别对每组属性进行训练，学习所述局部视觉特征在所述属性上对应不同的属性值时，所述局部视觉特征能够匹配成功的概率，以获得局部视觉特征的特征选择模型。4.根据权利要求2所述的方法，其特征在于，获得全部所述局部视觉特征的深度信息，并通过归一化方法获得所述局部视觉特征的深度属性；相应地，所述根据所述每个局部视觉特征的自有属性，以及部分或全部局部视觉特征的深度属性，采用预先建立的局部视觉特征的特征选择模型获得所述每个局部视觉特征位于查询目标中的可能性数值，包括：根据所述每个局部视觉特征的自有属性值以及深度属性值，采用预先建立的局部视觉特征的特征选择模型计算得到所述每个局部视觉特征位于查询目标中的可能性数值。5.根据权利要求4所述的方法，其特征在于，所述采用预先建立的局部视觉特征的特征选择模型计算得到所述每个局部视觉特征位于查询目标中的可能性数值，包括：采用所述预...

【专利技术属性】
技术研发人员：段凌宇，刘赵梁，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