基于詞匯樹檢索與相似度驗證的云端圖像識別方法技術

本發明專利技術公開了一種基于詞匯樹檢索與相似度驗證的云端圖像識別方法，包括以下步驟，圖像獲取步驟：獲取目標圖像，并對目標圖像使用ORB算法提取所有ORB特征點，生成目標圖像的ORB描述子序列；圖像上傳步驟：將該ORB描述子序列上傳到基于描述子樣本的云端圖像數據庫中；圖像識別步驟：云端圖像數據庫利用基于詞匯樹的檢索算法對圖像進行匹配識別并返回匹配度靠前的N張候選圖像，相似度驗證步驟：在云端圖像數據庫中找到候選圖像，得到目標圖像和候選圖像的128維向量，分別計算目標圖像與各候選圖像之間的距離，并找出距離最短的候選圖像。采用該方法網絡較差對識別的速度影響小，檢索速度快且檢索精度高。

Cloud image recognition method based on lexical tree retrieval and similarity verification

The invention discloses a vocabulary tree retrieval of cloud image recognition and similarity based authentication, which includes the following steps: image acquisition step target image, and the target image algorithm to extract all the ORB features using ORB, ORB descriptor sequence generation target image; image upload steps: the ORB descriptor based on sequence uploaded to the cloud image database descriptors sample; image recognition steps: cloud image database retrieval algorithm using vocabulary tree of image matching identification and returns the matching degree N candidate graph on the image based on the similarity verification steps: find the candidate images in the cloud image database, 128 dimensional vector of target image and candidate images. Were calculated between the target image and the candidate image distance and the shortest distance to find the candidate image. Using this method, the network is poor, it has little influence on the speed of recognition, fast retrieval speed and high retrieval accuracy.

【技術實現步驟摘要】
基于詞匯樹檢索與相似度驗證的云端圖像識別方法
本專利技術涉及圖像識別
，具體涉及一種基于詞匯樹檢索與相似度驗證的云端圖像識別方法。
技術介紹
實時圖像搜索是一種可以支持用戶自定義的，超大規模的圖像數據庫的實時圖像識別技術。它可以實現對移動端設備的圖像輸入內容進行實時的識別。整個識別過程是在云端進行的，這樣可以使用戶無需將龐大的圖像數據庫下載到本地，并且也可以充分地利用云端計算資源對數據庫進行高速的檢索。然而，目前基于云端的實時圖像識別技術其通過上傳本地圖片到服務器，服務器將帶識別的圖片與存儲的圖片逐一進行比較，其存在以下缺陷：在無線網絡較差的情況下，用戶實時上傳圖像的速度會受到很大影響。
技術實現思路
本專利技術為了解決上述技術問題提供一種基于詞匯樹檢索與相似度驗證的云端圖像識別方法。本專利技術通過下述技術方案實現：基于詞匯樹檢索與相似度驗證的云端圖像識別方法，包括以下步驟，圖像獲取步驟：獲取目標圖像，并對目標圖像使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子，生成目標圖像的ORB描述子序列；圖像上傳步驟：將該ORB描述子序列上傳到基于描述子樣本的云端圖像數據庫中；圖像識別步驟：云端圖像數據庫利用基于詞匯樹的檢索算法對圖像進行匹配識別并返回匹配度靠前的N張候選圖像，其中N為大于1的自然數；相似度驗證步驟：在云端圖像數據庫中找到候選圖像，得到目標圖像和候選圖像的128維向量，分別計算目標圖像與各候選圖像之間的距離，并找出距離最短的候選圖像。本專利技術通過提取目標圖像的ORB特征點以生成ORB描述子序列，并將ORB描述子序列上傳至基于描述子樣本的云端圖像數據庫中進行檢索匹配，相比于上傳目標圖像的方式，描述子的數據量小，減小對網絡的要求，即網絡較差對識別的速度影響小。利用詞匯樹檢索算法找出匹配度靠前的N張圖像后利用目標圖像和候選圖像之間的距離進行相似性驗證，該相似性驗證為小規模的，即可保證快速檢索，也極大的提高了檢索的精度。所述云端圖像數據庫的生成方法包括以下步驟：描述子生成步驟：收集圖片，提取每張圖片的ORB特征點，并對每個ORB特征點生成相應的描述子以得到描述子樣本；樹狀模型生成步驟：根據描述子樣本生成圖像數據庫的樹狀模型；數據庫生成步驟：向樹狀模型中添加圖片，建立樹狀結構的圖像數據庫。現有的圖像匹配是圖像和圖像之間的匹配，檢索的時間的增加隨著圖像的增加線性增長。一個特征描述子到數據庫里匹配所有特征描述子，數據庫里的描述子越多，匹配的時間就越長，因為暴力匹配是一一匹配，最后尋找距離最短的匹配組。在保證一定準確度的前提下，其檢索速度和廣度存在矛盾，這兩點都與云端圖像數據庫的大小密切相關。而采用上述方法，由于數據庫中的描述子已經進行樹狀分類，在進行匹配的時候，待匹配的描述子會尋找與其最相似的分支，而不需要遍歷真個數據庫，即樹狀檢索結構可以讓待匹配的特征描述子不用一一匹配所有的描述子，檢索時間主要跟經過的節點數有關系，數據庫中的描述子多不代表檢索經過的節點數越多。所以檢索時間不是按數據庫的大小線性增加，而是對數增長，解決檢索廣度與速度之間的矛盾。而對于新加入圖像描述子會加入相應的分支，而不是單純的增加，因此在廣度上也能很好的解決大數據庫的檢索情況。所述描述子生成步驟具體為：收集圖片，分別對每張圖片進行縮放以建立一個圖像金字塔，對圖片的各個尺度使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子。所述樹狀模型生成步驟為：利用描述子之間的歐式距離作為判據，對描述子樣本用K-means算法做聚合分類，生成圖像數據庫的樹狀模型。所述樹狀模型生成步驟具體為：A1、定義一個樹狀結構，其最大層數為L，每層最大子節點數為K；A2、對描述子樣本用K-means算法做聚合分類，得到子節點分類結果，將每個子節點內所有描述子的平均描述子作為該子節點的描述子；A3、若該子節點內描述子樣本的數量大于K的兩倍，則對該子節點內的描述子樣本作進一步的K-means分類，重復該步驟，直至樹狀結構的最大層數小于等于L或者沒有子節點的描述子樣本數量大于K的兩倍；A4、對所有的子節點依次排序標號，生成圖像數據庫的樹狀模型。所述數據庫生成步驟為：B1、給圖片一個唯一的編號；B2、對該圖片進行縮放以建立一個圖像金字塔，對圖片的各個尺度使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子；B3、將該圖片的所有描述子利用樹狀模型進行分類，并將每個描述子的分類結果關聯在其分配到的子節點上；B3、對每一張圖片做B1至B3的步驟，得到具有樹狀結構的圖像數據庫。獲得目標圖像和候選圖像的128維向量在相似度驗證系統中進行。所述相似度驗證系統生成方法包括以下步驟，C1、將圖像庫中的圖像輸入神經網絡模型，得到每張圖對應的1024維的經過歸一化的描述子；C2、將圖像庫中的圖像進行三字節的學習，建立正樣本與正樣本之間的緊密距離、正樣本與負樣本之間的疏遠距離。本專利技術與現有技術相比，具有如下的優點和有益效果：1、本專利技術得圖像數據庫基于描述子樣本構建，在識別目標圖像時，通過對目標圖像描述子的提取實現檢索匹配，相比于目標圖像，描述子的數據量小，網絡較差對識別的速度影響小。2、本專利技術利用詞匯樹檢索算法找出匹配度靠前的N張圖像后利用目標圖像和候選圖像之間的距離進行相似性驗證，該相似性驗證為小規模的，保證了快速檢索的同時極大提高檢索的精度。3、本專利技術的方法基于樹狀檢索結構，其可讓待匹配的特征描述子不用一一匹配所有的描述子，檢索時間主要跟經過的節點數有關系，隨著圖片數量的增加，其檢索時間不是按數據庫的大小線性增加，而是對數增長，大大提高檢索速度。具體實施方式為使本專利技術的目的、技術方案和優點更加清楚明白，下面結合實施例，對本專利技術作進一步的詳細說明，本專利技術的示意性實施方式及其說明僅用于解釋本專利技術，并不作為對本專利技術的限定。實施例1本實施例公開一種基于描述子樣本的云端圖像數據庫的生成方法，包括以下步驟：描述子生成步驟：收集圖片，提取每張圖片的ORB特征點，并對每個ORB特征點生成相應的描述子以得到描述子樣本；樹狀模型生成步驟：根據描述子樣本生成圖像數據庫的樹狀模型；數據庫生成步驟：向樹狀模型中添加圖片，建立樹狀結構的圖像數據庫。具體的：在描述子生成步驟中，收集的圖片數量要多且來自各種場景，一般需要幾萬張，其存放在一個文件夾內，常用的圖片格式均可，譬如JPG、JPEG、JPE、JFIF、BMP；分別對每張圖片進行一定的縮放比例以建立一個圖像金字塔，對圖片的各個尺度使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子。對收集到的每個圖片均做該步驟的處理，ORB特征點的描述子是一個128位的二進制序列。在樹狀模型生成步驟中，利用描述子之間的歐式距離作為判據，對描述子樣本用K-means算法做聚合分類，生成圖像數據庫的樹狀模型。樹狀模型生成后一般不做改動。較為詳細的，可采用下述步驟方法：A1、定義一個樹狀結構，其最大層數為L，每層最大子節點數為K；A2、對描述子樣本用K-means算法做聚合分類，得到子節點分類結果，將每個子節點內所有描述子的平均描述子作為該子節點的描述子；A3、若該子節點內描述子樣本的數量大于K的本文檔來自技高網...

【技術保護點】
基于詞匯樹檢索與相似度驗證的云端圖像識別方法，其特征在于，包括以下步驟，圖像獲取步驟：獲取目標圖像，并對目標圖像使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子，生成目標圖像的ORB描述子序列；圖像上傳步驟：將該ORB描述子序列上傳到基于描述子樣本的云端圖像數據庫中；圖像識別步驟：云端圖像數據庫利用基于詞匯樹的檢索算法對圖像進行匹配識別并返回匹配度靠前的N張候選圖像，其中N為大于1的自然數；相似度驗證步驟：在云端圖像數據庫中找到候選圖像，得到目標圖像和候選圖像的128維向量，分別計算目標圖像與各候選圖像之間的距離，并找出距離最短的候選圖像。

【技術特征摘要】
1.基于詞匯樹檢索與相似度驗證的云端圖像識別方法，其特征在于，包括以下步驟，圖像獲取步驟：獲取目標圖像，并對目標圖像使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子，生成目標圖像的ORB描述子序列；圖像上傳步驟：將該ORB描述子序列上傳到基于描述子樣本的云端圖像數據庫中；圖像識別步驟：云端圖像數據庫利用基于詞匯樹的檢索算法對圖像進行匹配識別并返回匹配度靠前的N張候選圖像，其中N為大于1的自然數；相似度驗證步驟：在云端圖像數據庫中找到候選圖像，得到目標圖像和候選圖像的128維向量，分別計算目標圖像與各候選圖像之間的距離，并找出距離最短的候選圖像。2.根據權利要求1所述的基于詞匯樹檢索與相似度驗證的云端圖像識別方法，其特征在于，所述云端圖像數據庫的生成包括以下步驟，描述子生成步驟：收集圖像，提取每張圖像的ORB特征點，并對每個ORB特征點生成相應的描述子以得到描述子樣本；樹狀模型生成步驟：根據描述子樣本生成圖像數據庫的樹狀模型；數據庫生成步驟：向樹狀模型中添加圖像，建立樹狀結構的圖像數據庫。3.根據權利要求2所述的基于詞匯樹檢索與相似度驗證的云端圖像識別方法，其特征在于，所述描述子生成步驟具體為：收集圖像，分別對每張圖像進行縮放以建立一個圖像金字塔，對圖像的各個尺度使用ORB算法提取所有ORB特征點，并對每一個ORB特征點生成相應的描述子。4.根據權利要求2所述的基于詞匯樹檢索與相似度驗證的云端圖像識別方法，其特征在于，所述樹狀模型生成步驟為：利用描述子之間的歐式距離作為判據，對描述子樣本用K-means算法做聚合分類，生成圖像數據庫的樹狀模型。5.根據權利...

【專利技術屬性】
技術研發人員：施茂燊，
申請(專利權)人：深圳前海大造科技有限公司，
類型：發明
國別省市：廣東,44