獲取低維局部特征描述子的方法
【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，尤其涉及一種獲取低維局部特征描述子的方法。
【背景技術(shù)】
[0002] 目前，移動視覺搜索應(yīng)用越來越多，業(yè)內(nèi)人士通常采用局部特征描述子聚合成全 局特征描述子以實(shí)現(xiàn)圖像檢索或分類。舉例來說，局部特征描述子聚合成全局特征描述子 如Fisher向量。
[0003] 現(xiàn)有技術(shù)中采用局部特征描述子聚合成全局特征描述子以實(shí)現(xiàn)圖像檢索或分類 的具體實(shí)現(xiàn)方式為：首先，提取圖像的局部特征描述子，并直接利用局部特征描述子聚合 Fisher向量。然而，由于提取圖像的局部特征描述子的維度較高，使得聚合Fisher向量的 時(shí)間和空間復(fù)雜度較高，進(jìn)一步地，由于局部特征描述子的維度較高，使得獲取的Fisher 向量維度較高，使得全局特征描述子占用空間非常大，容易造成傳輸延遲，進(jìn)而影響了圖像 檢索或圖像分類的響應(yīng)時(shí)間。
[0004] 另外，直接使用局部特征描述子聚合Fisher向量，使得聚合成的Fisher向量的判 別力下降，不具有魯棒性，進(jìn)而降低了圖像檢索的準(zhǔn)確度。

【發(fā)明內(nèi)容】

[0005] 為解決現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種用于獲取低維局部特征描述子的方 法，用于降低現(xiàn)有技術(shù)中局部特征描述子的維度，并去除現(xiàn)有技術(shù)中局部特征描述子的冗 余信息。
[0006] 本發(fā)明提供一種獲取低維局部特征描述子的方法，包括：
[0007] 獲取待處理圖像的局部特征描述子；
[0008] 將獲取的局部特征描述子形成描述子集合；
[0009] 根據(jù)降維矩陣，將所述描述子集合中的每一個(gè)局部特征描述子進(jìn)行降維，獲得與 每一個(gè)局部特征描述子對應(yīng)的低維局部特征描述子；其中，所述降維矩陣為訓(xùn)練預(yù)設(shè)的圖 像數(shù)據(jù)集得到的矩陣。
[0010] 可選地，根據(jù)降維矩陣，將所述描述子集合中的每一個(gè)局部特征描述子進(jìn)行降維， 獲得與每一個(gè)局部特征描述子對應(yīng)的低維局部特征描述子，包括：
[0011] 所述描述子集合中的每一局部特征描述子減去預(yù)設(shè)的均值向量，得到轉(zhuǎn)換后的局 部特征描述子；
[0012] 將轉(zhuǎn)換后的局部特征描述子組成數(shù)據(jù)矩陣；
[0013] 將所述降維矩陣和所述數(shù)據(jù)矩陣相乘，得到結(jié)果矩陣；
[0014] 拆分所述結(jié)果矩陣，獲得低維局部特征描述子；
[0015] 其中，預(yù)設(shè)的均值向量為訓(xùn)練預(yù)設(shè)的圖像數(shù)據(jù)集得到的向量，且預(yù)設(shè)的均值向量 的維度與所述局部特征描述子的維度相同。
[0016] 可選地，將轉(zhuǎn)換后的局部特征描述子組成數(shù)據(jù)矩陣，包括：
[0017] 在每一轉(zhuǎn)換后的局部特征描述子的維度為N時(shí)，將每一局部特征描述子的每一維 度上的元素組成所述數(shù)據(jù)矩陣中對應(yīng)一行上的數(shù)值，以獲取M*N維的數(shù)據(jù)矩陣；
[0018] 或者，
[0019] 在每一轉(zhuǎn)換后的局部特征描述子的維度為N時(shí)，將每一局部特征描述子的每一維 度上的元素組成所述數(shù)據(jù)矩陣的中對應(yīng)一列上的數(shù)值，以獲取N*M維的數(shù)據(jù)矩陣；
[0020] 其中，M為轉(zhuǎn)換后的局部特征描述子的個(gè)數(shù)，且M為自然數(shù)，N等于128。
[0021] 可選地，所述降維矩陣為采用主成分分析方式從所述圖像數(shù)據(jù)集中獲取的矩陣， 所述降維矩陣的維度為N*K，或者，所述降維矩陣的維度為K*N;
[0022] 在所述降維矩陣的維度為N*K，所述數(shù)據(jù)矩陣的維度為M*N時(shí)，所述結(jié)果矩陣的維 度為M*K;或者，
[0023] 在所述降維矩陣的維度為K*N，所述數(shù)據(jù)矩陣的維度為N*M時(shí)，所述結(jié)果矩陣的維 度為K*M;
[0024] 其中，K等于32。
[0025] 可選地，所述拆分所述結(jié)果矩陣，獲得低維局部特征描述子，包括：
[0026] 若所述結(jié)果矩陣的維度為M*K，則提取所述結(jié)果矩陣中的每一行中的數(shù)值，將提取 的每一行的數(shù)值作為一個(gè)低維局部特征描述子；
[0027] 或者，
[0028] 若所述結(jié)果矩陣的維度為K*M，則提取所述結(jié)果矩陣中的每一列中的數(shù)值，將提取 的每一列的數(shù)值作為一個(gè)低維局部特征描述子；
[0029] 其中，M為轉(zhuǎn)換后的局部特征描述子的個(gè)數(shù)，且M為自然數(shù)，K等于32。
[0030] 可選地，所述拆分所述結(jié)果矩陣，獲得低維局部特征描述子，包括：
[0031] 提取所述結(jié)果矩陣中的每一行中的數(shù)值，將提取的每一行的數(shù)值作為一個(gè)低維局 部特征描述子，得到M個(gè)低維局部特征描述子，且每一低維局部特征描述子的維度為K;
[0032] 其中，M為轉(zhuǎn)換后的局部特征描述子的個(gè)數(shù)，且M為自然數(shù)，K等于32 ;
[0033] 或者，
[0034] 提取所述結(jié)果矩陣中的每一列中的數(shù)值，將提取的每一列的數(shù)值作為一個(gè)低維局 部特征描述子，得到M個(gè)低維局部特征描述子，且每一低維局部特征描述子的維度為K;
[0035] 其中，M為轉(zhuǎn)換后的局部特征描述子的個(gè)數(shù)，且M為自然數(shù)，K等于32。
[0036] 可選地，所述根據(jù)降維矩陣將所述描述子集合中的局部特征描述子進(jìn)行降維，獲 得低維局部特征描述子之前，所述方法還包括：
[0037] 獲取所述圖像數(shù)據(jù)集的樣本矩陣；
[0038] 根據(jù)樣本矩陣獲得均值向量；
[0039] 利用所述均值向量對樣本矩陣進(jìn)行中心化，得到中心化后的樣本矩陣；
[0040] 計(jì)算所述中心化后的樣本矩陣的協(xié)方差矩陣；
[0041] 獲取所述協(xié)方差矩陣的特征值，以及與所述特征值對應(yīng)的特征向量；
[0042] 根據(jù)所述特征值的大小對所述特征向量進(jìn)行由大到小排序，選取前K個(gè)所述特征 向量；
[0043] 將所述前K個(gè)特征向量組成所述降維矩陣；
[0044] 其中，K等于32。
[0045] 可選地，所述圖像數(shù)據(jù)集中每一圖像的每一個(gè)局部特征描述子對應(yīng)所述樣本矩陣 中的一行數(shù)值，所述圖像數(shù)據(jù)集中每一圖像對應(yīng)所述樣本矩陣中的若干行樣本數(shù)值，所述 樣本矩陣中每一行的樣本數(shù)值有N個(gè)；
[0046] 所述根據(jù)樣本矩陣獲得均值向量，包括：
[0047] 對所述樣本矩陣每一列上的所有數(shù)值求平均值，所述均值向量的第i個(gè)維度的數(shù) 值等于所述樣本矩陣第i列的平均值，其中i= 1，…，N;
[0048] 所述利用所述均值向量對樣本矩陣進(jìn)行中心化，得到中心化后的樣本矩陣，包 括：
[0049] 所述樣本矩陣的每一行上的第i個(gè)數(shù)值減去所述均值向量的第i個(gè)維度的數(shù)值， 得到中心化后的樣本矩陣，其中i= 1，…，N;
[0050] 所述協(xié)方差矩陣的維度為N*N;
[0051] 所述特征向量的維度為N;
[0052] 所述前K個(gè)特征向量中所有特征向量的所有維度的元素組成所述降維矩陣中行/ 列的數(shù)值；
[0053] 或者，
[0054] 所述圖像數(shù)據(jù)集中每一圖像的每一個(gè)局部特征描述子對應(yīng)所述樣本矩陣中的一 列數(shù)值，所述圖像數(shù)據(jù)集中每一圖像對應(yīng)所述樣本矩陣中的若干列樣本數(shù)值，所述樣本矩 陣中每一列的樣本數(shù)值有N個(gè)；
[0055] 所述根據(jù)樣本矩陣獲得均值向量，包括：
[0056] 對所述樣本矩陣每一行上的所有數(shù)值求平均值，所述均值向量的第i個(gè)維度的數(shù) 值等于所述樣本矩陣第i行的平均值，其中i= 1，…，N;
[0057] 所述利用所述均值向量對樣本矩陣進(jìn)行中心化，得到中心化后的樣本矩陣，包 括：
[0058] 所述樣本矩陣的每一列上的第i個(gè)數(shù)值減去所述均值向量的第i個(gè)維度的數(shù)值， 得到中心化后的樣本矩陣，其中i= 1，…，N;
[0059] 所述協(xié)方差矩陣的維度為N*N;
[0060] 所述特征向量的維度為N;
[0061] 所述前K個(gè)特征向量中所有特征向量的所有維度的元素組成所述降維矩陣中列/ 行的數(shù)值；
[0062] 其中，N等于128,K等于32。
[0063] 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。
[0064] 由上述技術(shù)方案可知，本發(fā)明的獲取低維局部特征描述子的方法，通過獲取待處 理圖像的局部特征描述子，進(jìn)而將獲取的所有局部特征描述子形成描述子集合，采用降維 矩陣對每一局部特征描述子進(jìn)行降維，獲得每一局部特征描述子的低維局部特征描述子， 由此可以降低現(xiàn)有技術(shù)中局部特征描述子的維度，并去除現(xiàn)有技術(shù)中局部特征描述子的冗 余信息。
【附圖說明】
[0065] 圖1為本發(fā)明一實(shí)施例提供的獲取低維局部特征描述子的流程示意圖；
[0066] 圖2為本發(fā)明另一實(shí)施例提供的獲取低維局部特征描述子的流程示意圖；
[0067] 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】
[0068] 圖1示出了本發(fā)明一實(shí)施例提供的獲取低維局部特征描述子的方法，如圖1所示， 本實(shí)施例中的獲取低維局部特征描述子的方法如下所述。
[0069] 101、獲取待處理圖像的局部特征描述子。
[0070] 舉例來說，上述提及的待處理圖像可以是任意一幅圖像，如，該待處理圖像可以是 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)施例不限定上述待處理圖像的類型和內(nèi)容。
[0071] 特別地，獲取待處理圖像的