基于RSOM積的大規(guī)模圖像目標(biāo)檢索關(guān)鍵技術(shù)研究.pdf

1、大規(guī)模檢索問題早在本世紀(jì)初就已引起圖像處理領(lǐng)域的廣泛關(guān)注，但限于匹配算法效率不足和圖像集規(guī)模的不斷擴(kuò)大，現(xiàn)有的檢索方法在速度和存儲(chǔ)方面仍無(wú)法滿足用戶對(duì)大規(guī)模檢索的需求。本文正是基于大規(guī)模圖像目標(biāo)檢索中常遇到的索引速度和存儲(chǔ)代價(jià)問題，重點(diǎn)研究改善相應(yīng)的關(guān)鍵技術(shù)，使大規(guī)模圖像目標(biāo)檢索系統(tǒng)得到更好的用戶體驗(yàn)。本文的工作主要是對(duì)以下幾個(gè)內(nèi)容展開研究：
　　1.基于RSOM（Recursive SOM）積的特征量化編碼
　　針對(duì)海量樣

2、本的存儲(chǔ)代價(jià)和量化精度問題，提出一種改進(jìn)的 RSOM[1]算法（RSOM積），該方法可以有效地解決高維量化和存儲(chǔ)問題。算法通過(guò)對(duì)SIFT描述向量的均勻分割和分積量化，大大改善樣本匹配過(guò)程的效率。不難發(fā)現(xiàn)，對(duì)高維向量進(jìn)行均勻分割并以其子向量去匹配，由于維數(shù)成倍數(shù)的縮減會(huì)大大加快匹配的效率，同時(shí)也會(huì)加快圖像索引的速度。再者，對(duì)高維特征的量化編碼在一定程度上也是對(duì)存儲(chǔ)空間的有效壓縮。它可以用有限個(gè)數(shù)的聚類中心值去近似表示所有的訓(xùn)練樣本，并將誤

3、差控制在允許范圍之內(nèi)。實(shí)驗(yàn)表明，量化誤差將會(huì)隨著量化中心個(gè)數(shù)的增加而相應(yīng)減小。如當(dāng)構(gòu)建的16維RSOM聚類樹葉子節(jié)點(diǎn)[1]數(shù)達(dá)到60000附近時(shí)，樣本間的量化誤差將會(huì)小于千分之五。
　　2．具有相似性傳播功能的圖像搜索實(shí)現(xiàn)
　　為避免特征檢測(cè)和區(qū)域匹配等過(guò)程中出現(xiàn)的意外情況對(duì)圖像檢索結(jié)果造成的影響，本文將利用相似性傳播原理實(shí)現(xiàn)圖像之間的信息共享。如一個(gè)目標(biāo)物體在一幅圖中出現(xiàn)時(shí)比較模糊，那么我們?cè)跇?gòu)造描述子時(shí)就能借助另外一張圖

4、像對(duì)其實(shí)現(xiàn)較好描述。該算法主要通過(guò) RSOM積算法對(duì)待訓(xùn)樣本進(jìn)行分割、量化、編碼以及重構(gòu)的過(guò)程，并最終依據(jù)圖像兩階段的RANSAN[2]精度匹配以及倒排索引系統(tǒng)[5]完成對(duì)特定圖像在大規(guī)模圖像數(shù)據(jù)庫(kù)中的檢索。經(jīng)測(cè)試，在包含5萬(wàn)張圖像的數(shù)據(jù)庫(kù)中，該算法的識(shí)別正確率達(dá)到95％以上且識(shí)別時(shí)間小于15毫秒。
　　3.構(gòu)建大規(guī)模圖像檢索系統(tǒng)
　　為檢驗(yàn)本文算法的可行性，本文基于 RSOM積算法實(shí)現(xiàn)百萬(wàn)級(jí)圖像的原型檢索系統(tǒng)搭建。其主要包