平码五不中公式规律
  • / 7
  • 下载费用:30 金币  

一种基于关键特征描述符选取的移动视觉检索系统.pdf

关 键 ?#21097;?/dt>
一种 基于 关键 特征 描述 选取 移动 视觉 检索系统
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201410151518.5

申请日:

2014.04.15

公开号:

CN103914557A

公开日:

2014.07.09

当前法律状态:

授权

有效性:

有权

法?#19978;?#24773;: 授权|||实质审查的生效IPC(主分类):G06F 17/30申请日:20140415|||公开
IPC分类号: G06F17/30 主分类号: G06F17/30
申请人: 大连理工大学
发明人: 齐恒; 李克秋; 林恺; 兰国语
地址: 116024 辽宁省大连市甘井子区凌工路2号
优?#28909;ǎ?/td>
专利代理机构: 大连理工大学专利中心 21200 代理人: 李宝元;梅洪玉
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201410151518.5

授权公告号:

||||||

法律状态公告日:

2017.01.25|||2014.08.06|||2014.07.09

法律状态类型:

授权|||实质审查的生效|||公开

摘要

本发明公开了一种基于关键特征描述符选取的移动视觉检索系统,属于移动视觉检索领域。其特点是利用亲合力传播聚类方法对查询图像的特征描述符进行关键特征描述符的选取,并采用对关键特征描述符传输后进行加权匹配的方法。提出了通过关键特征描述符的选取进而减少数据的传输量,以减少网络传输延时,从而达到改善用户体验的目的。同时,?#26757;?#27861;可以有效地排除查询图像的噪声点数据,在减少数据传输量的同时,还能有效提高检索精确?#21462;?/p>

权利要求书

权利要求书
1.  一种基于关键特征描述符选取的移动视觉检索系统,其特征在于,
(1)采用亲和力传播聚类算法对提取到的查询图像特征进行关键特征描述符选取:移动端提取查询图像的局部特征,查询图像的局部特征作为空间点集进行亲和力传播聚类,将经过亲和力传播聚类形成的所有中心特征点选取为关键特征描述符;
(2)对步骤(1)中得到的关键特征描述符进行加权匹配,具体步骤如下:
a.当特征描述符dk被选取为关键特征描述符,该关键特征描述符dk代表每一个属于其类簇的特征描述符,根据亲和力传播聚类算法中的消息参数R(i,k)和消息参数A(i,k),定义关键特征描述符dk对一个属于其类簇的特征描述符di的代表程度当i≠k时,代表程度Pi,k,0<Pi,k<1;当i=k时,代表程度Pi,k=1;
b.当选取类簇Ck的中心点特征描述符dk为关键特征描述符,定义dk的重要性参数为特征描述符dk?#28304;谻k所有的特征描述符的代表程度Pi,k之和,计算dk的重要性参数Pk的公式为:
c.在服务器?#31169;?#34892;特征匹配,对上述每个关键特征描述符dk从服务器端中的图像特征数据库?#19994;?#19968;个与之对应的最近邻特征点d'k,两者之间的距离Disk,Disk用欧氏距离表示;根据关键特征描述符的距离参数Disk和重要性参数Pk计算权值,每个关键特征描述符的权重值为:然后将权重值归一化:其中Ndd表示关键特征描述符的个数;
d.对于图像特征数据库中的?#25105;?#22270;像I与查询图像之间的相似性S用如下公 式计算:其中当dk的最近邻特征点属于图像I时,Sk=W*k,否则Sk=0;将图像库中的图像按相似性排序,即?#19994;?#21305;配结果。

说明书

说明书一种基于关键特征描述符选取的移动视觉检索系统
技术领域
本发明属于移动视觉领域,涉及一种基于关键特征描述符选取的移动视觉检索系统。涉及到采用亲和力传播(Affinity Propagation,AP)聚类方法对图像特征进行关键特征描述符选取,以及对关键特征描述符传输并进行加权图像匹配的方法。
背景技术
随着软?#24067;?#25216;术的高速发展,移动视觉检索应用得到?#25628;?#36895;的发展。不断增多的用户数量和用户对于服务质量要求的提高?#28304;?#32479;的基于客户端/服务器模式的移动视觉检索服务提出了挑战。传统的客户端/服务器模式下,用户将手机等移动客户端拍摄的图像通过无线网络传输到服务器,再由服务器对图像进行检索,以返回用户查询图像的相关信息。由于无线网络环境的带宽限制,高质?#23458;?#20687;的传输延时极大地增加了用户的等待时间,?#26723;?#20102;用户体验。该应用的响应时间大致由三个方面组成:客户端的处理时间、网络传输时间、服务器处理时间。
现有的工作表明,在移动视觉检索系统中,相比于客户端和服务器的响应时间,网络传输延时是系统的瓶颈。因此,现有流行的系统都专注于设计一种低比特特征描述符来达到减少网络传输延时的目的,以减少检索响应时间,提高用户体验。为?#31169;?#20915;由于无线网络带宽限制的服务瓶颈,低比特特征描述符被引入移动视觉检索应用中。在目前应用的主流移动视觉检索应用中,采用了几种新提出的低比特特征描述符,减少了一定的数据传输量。尽管采用了低比特特征描述符,但?#28304;?#22312;一些弊端。一方面,当查询图像中存在大量的特征点,也对应了大量的特征描述符,这种方式的传输数据量仍然很高,由此产生的网络延时仍然有待?#26723;停?#21478;一方面,查询图像的特征点中各特征点的重要性不同,其中更是存在部分噪声点,会?#26723;?#22270;像检索的准确性,如何避免传输无用的噪声点特征描述符是另一个?#26723;?#30740;究的问题。
发明内容
根据上述背景技术中的不足,本发明提供了一种基于亲和力传播聚类的关键特征描述符算法的移动视觉检索系统,本发明的主要目的是通过聚类算法选取的中心点作为关键特征点,通过选取并只传输关键特征描述符进行图像检索,已达到减少传输数据量的目的,从而减少网络传输延时;同时,利用该关键性描述符提取算法,可有效的排除原查询图像中的一些噪声点;在减少数据传输量的同时,还能有效地提高图像检索精?#21462;?
本发明的基于关键特征描述符的移动视觉检索系统包括查询图像特征提取、关键特征描述符选取、加权关键特征描述符匹配;其进行图像检索的技术方?#29976;牽?
(1)采用亲和力传播聚类算法(Affinity propagation)对提取到的查询图像特征进行关键特征描述符选取:移动端提取查询图像的局部特征,查询图像的局部特征作为空间点集进行亲和力传播聚类,将经过亲和力传播聚类形成的所有中心特征点选取为关键特征描述符;
(2)对步骤(1)中得到的关键特征描述符进行加权匹配,具体步骤如下:
a.当特征描述符dk被选取为关键特征描述符,该关键特征描述符dk代表每一个属于其类簇(cluster)的特征描述符,根据亲和力传播聚类算法中的消息参数(message)R(i,k)和消息参数A(i,k),定义关键特征描述符dk对一个属于其类簇(cluster)的特征描述符di的代表程度当i≠k时,代表程度Pi,k,0<Pi,k<1;当i=k时,代表程度Pi,k=1;
b.当选取类簇(cluster)Ck的中心点特征描述符dk为关键特征描述符,定义dk的重要性参数为特征描述符dk?#28304;谻k所有的特征描述符的代表程度Pi,k之和,计算dk的重要性参数Pk的公式为:
c.在服务器?#31169;?#34892;特征匹配,对上述每个关键特征描述符dk从服务器端中的图像特征数据库?#19994;?#19968;个与之对应的最近邻特征点d'k,两者之间的距离Disk,Disk用欧氏距离表示;根据关键特征描述符的距离参数Disk和重要性参数Pk计算权值,每个关键特征描述符的权重值为:然后将权重值归一化:其中Ndd表示关键特征描述符的个数;
d.对于图像特征数据库中的?#25105;?#22270;像I与查询图像之间的相似性S用如下公式计算:其中当dk的最近邻特征点属于图像I时,Sk=W*k,否则Sk=0;将图像库中的图像按相似性排序,即可?#19994;?#21305;配结果。
本发明的有益效果是采用基于亲和力传播的聚类放发法对查询图像提取关键特征描述符,相对于其他聚类方法,亲和力传播聚类算法能够在给予的待聚类点中选出中心点,而非产生一个新的中心点;利用此方法选取关键性特征描述符,在减少了查询数据量的同时,还能排除了部分噪声点。从而?#26723;?#20102;网络传输数据量,可观地减少网络传输延时,加快了移动视觉检索应用的响应速度,提高了用户体验;另一方面,亲和力传播聚类算法能排除源图像特征点中存在的部分噪声点,同时本发明利用加权匹配的方法提高了图像匹配的检索精度,进一步提高了系统的性能,满足用户的需求。
附图说明
附图是本发明的系统框架图。
具体实施方式
下面结合本发明的技术方案?#36879;?#22270;说明具体实施方式。
本发明提供了一种基于关键特征描述符选取的移动视觉检索系统,具体步骤如下:
(1)采用亲和力传播聚类算法(Affinity propagation)对提取到的查询图像特征进行关键特征描述符选取:移动端提取查询图像的局部特征,查询图像的局部特征作为空间点集进行亲和力传播聚类,将经过亲和力传播聚类形成的所有中心特征点选取为关键特征描述符;
首先移动端提取查询图像的局部特征,我们将查询图像特征描述向量集看作空间点集进行亲和力传播聚类,依靠在点与点之间的两种消息可依赖性(responsibility)和可利用性(availability)的传递,将选出一系列的类中心点。相对于其他聚类方法,亲和力传播聚类算法能够在给出的待聚类点中选出中心点,而非产生一个新的中心点,如K-means聚类;因?#23435;?#20204;可以将聚类形成的中心特征点选取为关键特征描述符;利用此方法选取关键性特征描述符,在减少了查询数据量的同时,还能排除部分噪声点;同时由于这些中心点对于查询图像来说是关键性的特征点,只用关键特征描述符进行图像匹配也可?#28304;?#21040;可观的检索精度,
通过选取关键特征描述符,?#28304;?#21040;减少系统需要网络传输的数据量的目的,从而减少系统响应时间。以下是检索精度和传输数据对比表:

其描述了对于两种特征描述符:SURF和CHoG来说,本发明提出的方法相对于现有的方法,不仅将查询图像的平均大小分别从34.5KB和28.2KB减少到5.2KB和16.5KB,同时对查询精度还有分别提高了0.9%和4.9%。
(2)考虑到不同关键特征描述符作为聚类中心代表了不同数目的与之近似的特征描述符,本发明提出了对关键特征描述符进行加权匹配的方法,此加权匹配方法同时考虑到了该关键特征描述符的关键程度以及在特征匹配时与其最近邻特 征的距离;
具体步骤如下:a.当特征描述符dk被选取为关键特征描述符,该关键特征描述符dk代表每一个属于其类簇(cluster)的特征描述符,根据亲和力传播聚类算法中的消息参数(message)R(i,k)和消息参数A(i,k),定义关键特征描述符dk对一个属于其类簇(cluster)的特征描述符di的代表程度当i≠k时,代表程度Pi,k,0<Pi,k<1;当i=k时,代表程度Pi,k=1;
b.当选取类簇(cluster)Ck的中心点特征描述符dk为关键特征描述符,定义dk的重要性参数为特征描述符dk?#28304;谻k所有的特征描述符的代表程度Pi,k之和,计算dk的重要性参数Pk的公式为:
c.在服务器?#31169;?#34892;特征匹配,对上述每个关键特征描述符dk从服务器端中的图像特征数据库?#19994;?#19968;个与之对应的最近邻特征点d'k,两者之间的距离Disk,Disk用欧氏距离表示;根据关键特征描述符的距离参数Disk和重要性参数Pk计算权值,每个关键特征描述符的权重值为:然后将权重值归一化:其中Ndd表示关键特征描述符的个数;
d.对于图像特征数据库中的?#25105;?#22270;像I与查询图像之间的相似性S用如下公式计算:其中当dk的最近邻特征点属于图像I时,Sk=W*k,否则Sk=0;将图像库中的图像按相似性排序,即可?#19994;?#21305;配结果。

关于本文
本文标题:一种基于关键特征描述符选取的移动视觉检索系统.pdf
链接地址:http://www.pqiex.tw/p-6115920.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 今天新疆十一选五走势图表 亲朋棋牌手机版下载 3d杀组选复式投注技巧 优彩网 河北十一选五走助手 青鹏棋牌官方下载 中彩票程序源码 中彩网3d 山东11选5任选三推荐 海南环岛赛彩票