獲取全局特征描述子的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明實(shí)施例涉及計(jì)算機(jī)領(lǐng)域，尤其涉及一種獲取全局特征描述子的方法。
【背景技術(shù)】
[0002] 隨著智能終端的發(fā)展，移動(dòng)視覺搜索應(yīng)用越來(lái)越多。當(dāng)前，基于智能終端的圖像檢 索方法主要是基于圖像的局部特征描述子，包括：1)在移動(dòng)客戶端提取圖像的局部特征描 述子；2)對(duì)提取到的局部特征描述子進(jìn)行壓縮；3)通過(guò)網(wǎng)絡(luò)將壓縮后的局部特征描述子傳 輸給服務(wù)器，以使服務(wù)器根據(jù)局部特征描述子在服務(wù)器的數(shù)據(jù)庫(kù)中進(jìn)行查找，并將查找的 結(jié)果發(fā)送至移動(dòng)客戶端。
[0003] 然而，上述圖像檢索方法的局部特征壓縮以及建立倒排等索引文件的計(jì)算量較 高，特別地，圖像檢索方法中獲取的局部特征描述子占用較大的空間，由此，根據(jù)當(dāng)前的網(wǎng) 絡(luò)帶寬，移動(dòng)客戶端存在無(wú)法較快地將局部特征描述子發(fā)送至服務(wù)器的問題。進(jìn)一步地，由 于局部特征描述子占用的較大的空間，故服務(wù)器根據(jù)移動(dòng)客戶端傳送的局部特征描述子查 找匹配的過(guò)程也非常遲緩，進(jìn)而嚴(yán)重影響了檢索系統(tǒng)的查詢響應(yīng)時(shí)間，降低了圖像檢索效 率。

【發(fā)明內(nèi)容】

[0004] 為解決現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種獲取全局特征描述子的方法，能夠去 除現(xiàn)有技術(shù)中局部特征描述子的冗余信息，減少現(xiàn)有技術(shù)中局部特征描述子所占的空間， 提_圖像檢索的效率。
[0005] 本發(fā)明提供一種獲取全局特征描述子的方法，包括：
[0006] 獲取待處理圖像中的局部特征描述子，并將所述局部特征描述子組成描述子集 合；
[0007] 根據(jù)全局特征描述子生成規(guī)則，對(duì)所述描述子集合中的所有局部特征描述子進(jìn)行 轉(zhuǎn)換，得到包括累積梯度向量的累積梯度向量集合；
[0008] 根據(jù)所述累積梯度向量集合中的累積梯度向量，構(gòu)造所述待處理圖像的一個(gè)全局 特征描述子。
[0009] 可選地，所述描述子集合中的每一局部特征描述子的維度為32維。
[0010] 可選地，根據(jù)全局特征描述子生成規(guī)則，對(duì)所述描述子集合中的所有局部特征描 述子進(jìn)行轉(zhuǎn)換，得到包括累積梯度向量的累積梯度向量集合，包括：
[0011] 根據(jù)高斯混合模型中的每一高斯密度函數(shù)，將所述描述子集合中所有局部特征描 述子轉(zhuǎn)換為第一累積梯度向量和/或第二累積梯度向量；
[0012] 其中，所述第一累積梯度向量是所述待處理圖像的對(duì)數(shù)似然函數(shù)對(duì)所述高斯密度 函數(shù)對(duì)應(yīng)的均值求一階偏導(dǎo)得到的，所述第二累積梯度向量是所述待處理圖像的對(duì)數(shù)似然 函數(shù)對(duì)所述高斯密度函數(shù)對(duì)應(yīng)的方差求一階偏導(dǎo)得到的；
[0013] 將所有高斯密度函數(shù)對(duì)應(yīng)的所有累積梯度向量組成累積梯度向量集合；
[0014] 其中，每一高斯密度函數(shù)對(duì)應(yīng)一個(gè)第一累積梯度向量和/或一個(gè)第二累積梯度向 量。
[0015] 可選地，所述根據(jù)高斯混合模型中的每一高斯密度函數(shù)，將所述描述子集合中所 有局部特征描述子轉(zhuǎn)換為第一累積梯度向量和/或第二累積梯度向量之前，還包括：
[0016] 訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集獲取用于產(chǎn)生所述全局特征描述子的高斯混合模型；
[0017] 其中，所述高斯混合模型通過(guò)M個(gè)獨(dú)立的高斯密度函數(shù)線性疊加得到的，所述M等 于 512;
[0018] 所述高斯混合模型包括每一高斯密度函數(shù)對(duì)應(yīng)的權(quán)重、均值向量和方差向量。
[0019] 可選地，所述圖像數(shù)據(jù)集包括：平面物體圖像和三維物體圖像。
[0020] 可選地，所述根據(jù)所述累積梯度向量集合中的累積梯度向量，構(gòu)造所述待處理圖 像的一個(gè)全局特征描述子，包括 ：
[0021] 將高斯混合模型中所有的高斯密度函數(shù)分別對(duì)應(yīng)的累積梯度向量首尾相連構(gòu)成 一個(gè)全局特征描述子；
[0022] 其中，所述累積梯度向量包括：與每一高斯密度函數(shù)對(duì)應(yīng)的第一累積梯度向量，和 /或，與每一高斯密度函數(shù)對(duì)應(yīng)的第二累積梯度向量；
[0023] 所述第一累積梯度向量是所述待處理圖像的對(duì)數(shù)似然函數(shù)對(duì)所述高斯密度函數(shù) 對(duì)應(yīng)的均值求一階偏導(dǎo)得到的，所述第二累積梯度向量是所述待處理圖像的對(duì)數(shù)似然函數(shù) 對(duì)所述高斯密度函數(shù)對(duì)應(yīng)的方差求一階偏導(dǎo)得到的。
[0024] 由上述技術(shù)方案可知，本發(fā)明的獲取全局特征描述子的方法，通過(guò)獲取待處理圖 像的描述子集合，根據(jù)全局特征描述子生成規(guī)則，獲取累積梯度向量集合，進(jìn)而根據(jù)所述累 積梯度向量集合中的累積梯度向量獲得所述待處理圖像的一個(gè)全局特征描述子，由此可去 除現(xiàn)有技術(shù)中局部特征描述子的冗余信息，減少現(xiàn)有技術(shù)中局部特征描述子所占的空間， 可有效提_圖像的檢索效率。
【附圖說(shuō)明】
[0025] 圖1為本發(fā)明一實(shí)施例提供的獲取全局特征描述子的方法的流程示意圖；
[0026] 圖2為本發(fā)明另一實(shí)施例提供的獲取全局特征描述子的方法的流程示意圖；
[0027] 圖3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。
【具體實(shí)施方式】
[0028] 圖1示出了本發(fā)明一實(shí)施例提供的獲取全局特征描述子的方法的流程示意圖，如 圖1所示，本實(shí)施例中的獲取全局特征描述子的方法如下所述。
[0029] 101、獲取待處理圖像中的局部特征描述子，并將所述局部特征描述子組成描述子 集合。
[0030] 在具體應(yīng)用中，待處理圖像的局部特征描述子的個(gè)數(shù)非常多。
[0031] 可選地，可采用降維矩陣對(duì)上述的所有局部特征描述子進(jìn)行降維，得到降維后的 局部特征描述子。在本實(shí)施例中，所述描述子集合中的每一局部特征描述子均可為降維后 的局部特征描述子，其描述子集合中每一局部特征描述子的維度為32維。
[0032] 在本實(shí)施例中，所述降維矩陣可為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集得到的矩陣。
[0033] 舉例來(lái)說(shuō)，上述提及的待處理圖像可以是任意一幅圖像，如，該圖像可以是文件的 照片，或者是手繪的圖片，油畫圖像，從視頻中截取的幀，地標(biāo)照片、或者物品照片等，本實(shí) 施例不限定上述圖像的類型和圖像的內(nèi)容。
[0034] 102、根據(jù)全局特征描述子生成規(guī)則，對(duì)所述描述子集合中的所有局部特征描述子 進(jìn)行轉(zhuǎn)換，得到包括累積梯度向量的累積梯度向量集合；
[0035] 103、根據(jù)所述累積梯度向量集合中的累積梯度向量，構(gòu)造所述待處理圖像的一個(gè) 全局特征描述子。
[0036] 本實(shí)施例中的獲取全局特征描述子的方法，通過(guò)獲取待處理圖像的描述子集合，