The invention discloses an image feature point matching method, which comprises the following steps: storage, image feature extraction and image feature extraction in a storage feature vector is used to reduce the dimensionality of the vector dimension; storage: storage segmentation feature vector after dimensionality reduction, and for each part of the segmented first product to quantify do a product quantizer, vector quantization, vector quantizer, and the establishment of the search tree and Hasibiu; matching image feature extraction: extracted feature matching and image matching of feature vectors is used to reduce the dimensionality of the dimension; to match: segmentation matching feature vector after dimensionality reduction, to find out the distance from the cluster center matching feature vector quantizer, and the product of vector quantization for multiple cluster center front, according to the search tree and hash table to find the corresponding multiple clustering center image A candidate set is used to compute the closest distance between the candidate concentration and the characteristic vector to be matched by floating point vectors.
【技术实现步骤摘要】
一种图像特征点匹配方法
本专利技术涉及图片搜索
,具体涉及一种图像特征点匹配方法。
技术介绍
在图像搜索领域,特征匹配是非常重要的一个环节,特点的匹配效率和精度决定着最终搜索速度和精度。现有图片搜索时,其采用以下步骤:第一步通过大量样本数据训练一个转换矩阵,通过哈希函数转二进制码,二进制码分段,生成多个哈希表,得到的分段二进制码直接作为哈希表的入口。第二步,当待查询向量达到时,通过同样的方式转为二进制码,映射到对应的哈希表入口及其距离为r的其他入口中,入口中的所有图片作为候选集。第三步,将候选集中所有的图片特征向量与待查询向量做完整的海明距离计算,重排距离即可。在浮点特征向量转二进制码时,由于哈希函数的存在,导致向量的精度丢失,并且在最后的重新排序过程当中,依然使用基于二进制码的海明距离计算,虽然速度很快,但是由于二进制码的表示精度不如浮点向量,因此召唤率会有一定程度降低。随着互联网的飞速发展,目前互联网上的图片已经达到了百亿级别甚至更高。采用现有的特征点匹配方法,其已经不能适应现有快速增长的图片库模式。在海量图片检索树中怎样进行高效、高精度的搜索成为了热点。
技术实现思路
本专利技术为了解决上述技术问题提供一种图像特征点匹配方法,其匹配精度高且速度快。本专利技术通过下述技术方案实现:一种图像特征点匹配方法,包括以下步骤,入库图片特征点提取:提取入库图像的特征并构成入库特征向量,对其维度进行降维;向量入库:分割降维后的入库特征向量,并对分割后的每部分先做乘积量化再做向量量化,构成乘积量化器、向量量化器,并建立检索树和哈希表;待匹配图片特征点提取:提取待匹 ...
【技术保护点】
一种图像特征点匹配方法,其特征在于,包括以下步骤,入库图片特征点提取:提取入库图像的特征并构成入库特征向量,对其维度进行降维;向量入库:分割降维后的入库特征向量,并对分割后的每部分先做乘积量化再做向量量化,构成乘积量化器、向量量化器,并建立检索树和哈希表;待匹配图片特征点提取:提取待匹配图像的特征并构成待匹配特征向量,对其维度进行降维;向量匹配:分割降维后的待匹配特征向量,找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心,根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集,采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片。
【技术特征摘要】
1.一种图像特征点匹配方法,其特征在于,包括以下步骤,入库图片特征点提取:提取入库图像的特征并构成入库特征向量,对其维度进行降维;向量入库:分割降维后的入库特征向量,并对分割后的每部分先做乘积量化再做向量量化,构成乘积量化器、向量量化器,并建立检索树和哈希表;待匹配图片特征点提取:提取待匹配图像的特征并构成待匹配特征向量,对其维度进行降维;向量匹配:分割降维后的待匹配特征向量,找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心,根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集,采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片。2.根据权利要求1所述的一种图像特征点匹配方法,其特征在于:所述向量入库的具体方法为:将入库特征向量分割成不相交的P个部分;在每个部分内部进行聚类中心个数为k1的k-means聚类;针对每个聚类中心,将所有分配到该聚类中心的数据做向量量化,聚类中心个数为k2;用P个哈希表分别记录映射到对应聚类中心的所有特征的ID或对应图片的名称。3.根据权利要求2所述的一种图像特征点匹配方法,其特征在于:所述向量匹配的具体方法为:将待匹配特征向量分割成不相交的P个部分;在每个部分内部...
【专利技术属性】
技术研发人员:段翰聪,赵子天,谭春强,文慧,闵革勇,陈超,李博洋,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。