• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 15
    • 下载费用:30 金币  

    新利重庆时时彩: 面向大规模图像视觉特征的多维倒排索引与快速检索算法.pdf

    关 键 词:
    面向 大规模 图像 视觉 特征 多维 索引 快速 检索 算法
      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:

    CN201410126920.8

    申请日:

    2014.03.31

    公开号:

    CN103902704A

    公开日:

    2014.07.02

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06F 17/30申请日:20140331|||公开
    IPC分类号: G06F17/30; G06K9/66 主分类号: G06F17/30
    申请人: 华中科技大学
    发明人: 于俊清; 艾列富; 唐九飞; 何云峰; 管涛
    地址: 430074 湖北省武汉市洪山区珞喻路1037号
    优先权:
    专利代理机构: 华中科技大学专利中心 42201 代理人: 梁鹏
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201410126920.8

    授权公告号:

    103902704B||||||

    法律状态公告日:

    2017.06.16|||2014.07.30|||2014.07.02

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明公开了面向大规模图像视觉特征的多维倒排索引与快速检索算法,包括:利用图像的视觉特征训练增强型残差量化所需的多层码书,并利用所训练的码书构建多维倒排索引;根据已训练完成的码书,对图像视觉特征进行量化和编码,同时根据计算得到的编码将其插入到倒排索引中对应的倒排列表;利用查询图像视觉特征对所构建的多维倒排索引进行查询,获得查询候选集;利用自适应超球体过滤对查询候选集进行优化,对过滤后的查询结果排序,从而完成图像视觉特征的检索。本发明的方法通过对图像特征进行量化和编码,提高图像特征的量化效率;利用所生成的图像编码构建多维倒排索引,只需要训练少量码书就可以构建倒排索引并提高索引结构的构建速度。

    权利要求书

    权利要求书
    1.  一种面向大规模图像视觉特征的多维倒排索引与快速检索算法,通过对图像视觉特征进行量化、编码、构建倒排索引以及查询,从而实现图像的检索,其特征在于,该方法包括:
    利用图像的视觉特征训练增强型残差量化所需的多层码书,包括初始码书训练和优化码书两个阶段,并利用所训练的码书构建多维倒排索引;
    根据已训练完成的增强型残差量化的码书,对图像视觉特征进行量化和编码,同时根据计算得到的编码将其插入到倒排索引中对应的倒排列表;
    利用查询图像视觉特征对所构建的多维倒排索引进行查询,获得查询候选集;
    利用自适应超球体过滤对查询候选集进行优化,对过滤后的查询结果排序,从而完成图像视觉特征的检索。

    2.  根据权利要求1所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述初始码书训练过程为:
    对图像视觉特征训练集Y进行聚类,将得到的聚类重心作为第一层量化器的码书;
    通过该第一层量化器残差得到近似向量ΔY1和量化误差E1,对该量化误差E1进行聚类,将得到的聚类重心作为第二层量化器的码书;
    通过该第二量化器残差得到近似向量ΔY2和量化误差E2;
    依次循环进行,经过多层量化器量化后,得到对应量化器的码书,从而获得训练增强型残差量化方法所需的初始码书;其中,所述图像视觉特征训练集Y为全局特征或者局部特征。

    3.  根据权利要求2所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述优化码书的过程为:
    根据已训练好的初始码书,对图像视觉特征训练集Y进行量化得到相 应的多层量化结果;
    针对每一层码书,利用Y与其对应的其它所有层的量化结果之间的向量残差,重新计算该层码书并更新Y在各层量化器的量化结果;
    此优化过程从第一层码书到最后一层码书依次循环进行,直到满足优化停止条件为止。

    4.  根据权利要求2或3所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,图像视觉特征的量化和编码过程如下:
    对于图像视觉特征X,在第一层码书中寻找距离最近的聚类重心作为其量化结果并将该聚类重心的ID作为X在第一层量化器中的编码;
    将第一层量化过程中所产生的量化误差在第二层码书中寻找距离最近的聚类重心作为其量化结果并将该聚类重心的ID作为X在第该层量化器中的编码;
    此过程依次循环进行直至最后一层量化器,从而完成对X的量化和编码。

    5.  根据权利要求4所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,特征量化和编码过程中精确最近邻聚类重心的查找方法如下:
    首先,将图像视觉特征向量和码书中聚类重心都映射到一个低维空间并在该低维空间中计算特征向量与聚类重心之间欧式距离的下限;
    然后,根据欧式距离的下限来依次过滤非近邻聚类重心,进而完成精确最近邻聚类重心查找。

    6.  根据权利要求1所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述的多维倒排索引构建过程如下:
    利用已训练完成的多层码书的前M层,从这M个码书中分别取出一个聚类重心然后进行一一组合,从而实现构建一个最多包含kM个倒排列表的倒排索引结构,其中k为每层码书中聚类重心的数量;倒排列表对应的索 引关键字为这M个聚类重心的向量之和。

    7.  根据权利要求1至6任一项所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述的将图像视觉特征插入多维倒排索引的具体过程如下:
    根据计算得到的图像视觉特征的前M层编码,将其插入到倒排索引结构中对应的倒排列表。

    8.  根据权利要求1至7任一项所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述利用查询图像视觉特征对所构建的多维倒排索引进行查询,具体步骤如下:
    首先,查找多维倒排索引中距离查询图像视觉特征最近的w(w≥1)条倒排列表;
    然后,将相应的倒排链表中的图像视觉特征取出作为候选集。

    9.  根据权利要求8所述的面向大规模图像视觉特征的多维倒排索引与快速检索算法,其特征在于,所述利用自适应超球体过滤对查询候选集进行优化,过程如下:
    首先,根据查询图像视觉特征q与最近的w个倒排列表对应的索引关键字的距离,构建一个以q为球心的超球体;
    然后,将查询候选集中位于超球体之外的图像视觉特征过滤掉,只保留位于超球体内部的查询结果。

    说明书

    说明书面向大规模图像视觉特征的多维倒排索引与快速检索算法
    技术领域
    本发明属于图像检索技术领域,更具体地,涉及一种面向大规模图像视觉特征的多维倒排索引与快速检索算法。
    背景技术
    当前,全球网络的发展和普及已经达到空前的规模,来自微博、手机、社交网站、新闻网站以及多媒体共享网站中以图像为代表的多媒体数据每天以惊人速度迅猛增长。面对海量的图像库,只有对图像进行有效地组织以便于浏览、访问和检索,人们才能快速并准确地获取自己感兴趣和喜爱的图片。传统的文本通常需要人工对图像内容进行标注,然而,随着图像库规模的增大,人工标注既费时又费力,其局限性越来越明显。此外,图像文本描述通常来源于人工标注或者网页上图像的文本描述,但图像的文本描述本身带有强烈的主观色彩,因而,基于内容的图像检索应运而生。顾名思义,其根据用户提交的图片,分析图片中的视觉特征,再查找包含相似内容的图片,其中,如何根据图像的视觉特征检索到与其相似的视觉特征是关键之一。
    图像视觉特征检索主要包括基于树形结构的索引与检索、基于哈希的索引与检索以及基于视觉单词的倒排索引与检索。
    近年来,国内外研究人员在树形结构的索引与检索进行了很多研究,并在维度较低的特征空间获得较好的检索效果,但是这些方法在处理高维数据时会面临“维度灾难”。于是,基于哈希的索引与检索成为研究者们的关注重点,其中包括:以精确欧式位置敏感哈希(Exact Euclidian Locality Sensitive Hashing,E2LSH)为代表的方法将特征点映射到低维 欧式空间,并使用欧式距离衡量特征点之间的相似度;以谱哈希为代表的将特征点映射到低维汉明空间并保证欧式空间中相似的特征点具有相似的二进制编码,通常使用汉明距离衡量特征点之间的相似度。E2LSH这类方法由于需要将图像特征数据存储在内存中以提高检索速度,因而其占用内存空间过大,限制了可以处理的数据库规模。哈希编码使用二进制编码表示图像视觉特征并用编码之间汉明距离来计算相似度,可以显著降低存储空间需求和提高检索速度,然而,二进制编码的长度限制了汉明距离的区分能力。以词袋模型为代表的基于视觉单词的倒排索引与检索是从文本检索领域引入,成为近几年来图像检索领域的研究热点。这类方法通常首先对一系列的方法图像视觉特征进行量化和编码,比如:汉明嵌入、积量化、转换编码以及残差量化等;然后通过构建一个倒排索引来存储图像的编码等元数据和提高查询速度。这类方法既保持了哈希编码的低存储需求又具有欧式距离的高区分能力的优点,进而使查询精度和检索效率都得到显著的提高。
    虽然目前关于图像视觉特征的检索取得了很多研究成果,但是其检索性能仍然有进一步提高的空间。比如:如何训练更准确的码书用于对图像视觉特征进行量化和编码,降低存储空间需求;如何提高特征量化的效率;如何快速构建包含较大规模倒排列表的倒排索引;以及如何进一步提升图像视觉特征检索的速度。
    发明内容
    本发明的目的在于提供一种面向大规模图像视觉特征的多维倒排索引与快速检索算法,旨在通过对图像视觉特征进行量化和编码,降低存储图像视觉特征所需的空间需求;通过构建多维倒排索引来提高图像视觉特征插入倒排索引的效率和提高查询性能;通过自适应超球体过滤算法过滤非相关查询结果,在不影响查询准确率的情况下,降低排序特征的数量,提高图像视觉特征的检索速度。
    实现本发明目的所采用的具体技术方案如下:
    面向大规模图像视觉特征的多维倒排索引与快速检索算法,通过对图像视觉特征进行量化、编码、构建倒排索引以及查询,从而实现图像的检索,该方法包括:
    利用图像的视觉特征训练增强型残差量化所需的多层码书,包括初始码书训练和优化码书两个阶段,并利用所训练的码书构建多维倒排索引;
    根据已训练完成的增强型残差量化的码书,对图像视觉特征进行量化和编码,同时根据计算得到的编码将其插入到倒排索引中对应的倒排列表;
    利用查询图像视觉特征对所构建的多维倒排索引进行查询,获得查询候选集;
    利用自适应超球体过滤对查询候选集进行优化,对过滤后的查询结果排序,从而完成图像视觉特征的检索。
    本发明首先利用图像视觉特征训练集训练增强型残差量化所需的多层码书并构建倒排索引;然后根据已训练完成的增强型残差量化的码书,利用基于非线性过滤的最近邻查找方法对图像视觉特征库进行量化和编码;接着利用查询图像视觉特征对多维倒排索引进行查询;最后利用自适应超球体过滤方法来过滤不相关查询结果并排序。具体步骤如下:
    (1)码书训练与多维索引构建
    首先,利用残差量化方法在一个图像视觉特征集上用k-means方法训练L层码书,每层码书包含k个聚类重心;然后利用联合优化的方法对这L层码书进行优化得到增强新残差量化的L层码书?;诖?,利用前M层码书中聚类重心的组合关系,构建一个最多包含kM个倒排列表的多维倒排索引。
    (2)图像视觉特征量化和编码
    首先,利用训练好的增强型残差量化的码书,逐层对图像视觉特征进行量化,得到L层编码;然后,根据图像视觉特征的前M层编码,将其插 入到多维倒排索引中对应的倒排列表,保存到内容为图像视觉特征的ID及其L层编码。另外,在对图像视觉特征量化的过程中,设计一种非线性过滤精确最近邻查找方法,在低维空间上利用欧式距离的下限过滤非近邻聚类重心来计算最近邻聚类重心。
    (3)图像视觉特征查询
    首先,计算查询图像视觉特征q与所有倒排列表对应的关键字之间距离;然后,选取距离最小的w个关键字对应的倒排列表;最后将这w个倒排列表中特征取出作为查询候选集。
    (4)自适应超球体过滤及排序
    首先,构造一个以q为球心的超球体,其半径是根据q到w个最近索引关键字来计算的;然后,计算q与查询候选集中所有结果之间的距离并将距离小于超球体半径对应的查询结果认为是不相关查询结果,只保留位于超球体内部的查询结果;最后,对过滤后的查询结果排序,完成图像视觉特征的检索过程。
    本发明设计了增强型残差量化方法、非线性过滤精确最近邻聚类重心查找方法、多维倒排索引构建和基于自适应超球体过滤的检索方法,提高图像视觉特征检索的性能。具体而言,本发明具有以下优点:
    (1)提高查询准确率和降低图像视觉特征的存储空间,本发明利用增强型残差量化方法对图像视觉特征进行量化,使得图像视觉特征得到更精确的近似表示,进而提高查询准确率,此外,量化得到的编码用以代替图像视觉特征保存在倒排索引结构中,从而降低了存储空间需求。
    (2)提高图像视觉特征量化和效率,本发明利用非线性过滤来查找精确最近邻聚类重心,降低了计算最近邻聚类重心所需的时间。
    (3)提高倒排索引构建速度,本发明只需少量的聚类重心,就可以构建包含较大规模倒排列表的倒排索引,此外,图像视觉特征只需根据其前M层编码就可以插入到对应的倒排列表,降低了时间开销。
    (4)提高查询速度,本发明利用自适应超球体过滤来降低排序结果的数量,降低排序的时间开销,进而在保证查询准确率的情况下,提高查询速度。
    附图说明
    图1为本发明实施例的多维倒排索引与快速检索算法流程图;
    图2为本发明实施例的多维倒排索引示意图;
    图3为本发明实施例的ERVQ对图像视觉特征量化和编码的示意图;
    图4为本发明实施例的自适应超球体过滤示意图。
    具体实施方式
    为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
    本发明实施例中选取sift特征作为图像的视觉特征。本发明实施例主要分为三个部分:训练???,生成增强型残差量化的多层码书并利用这些码书构建多维倒排索引;特征量化??椋憾酝枷袷泳跆卣鹘辛炕捅嗦?,同时将其插入到相应的倒排列表;查询???,根据查询图像视觉特征,在倒排索引结构中查找相似特征返回。本实施例中,图像视觉特征采用的是国际上公开的数据集。
    具体地,如图1所示,本实施例的面向大规模图像视觉特征的多维倒排索引与快速检索算法具体包括如下过程:
    (1)增强型残差量化的码书训练以及多维倒排索引构建
    码书训练包括两个阶段:初始码书训练和码书的联合优化。
    (1.1)初始码书训练
    初始码书的训练过程如算法1所示,给定一个图像视觉特征训练集 X={x1,x2,...xi,...xN},首先利用k-means算法对其聚类得到k个聚类重心,得到第一层的初始码书;然后,计算训练集中特征向量与其在该层码书中最近聚类重心之间的残差向量得到E1;紧接着将E1作为训练第二层码书的训练数据,采用的聚类方法仍然是k-means算法,进而得到第2层码书。如果需要训练的码书层数L>2,那么需要再次计算残差向量并聚类。该过程循环至最后一层初始码书训练完成为止,得到初始码书Cl={cl,1,cl,2,...,cl,k}l=1,2,...,L。
    除此之外,初始码书的训练过程还要生成其它一些用于联合优化的数据,包括:各层码书对训练样本集的划分情况统计Rl={Rl,j}(j=1,2,...,k,l=1,2,...,L),Rl,j表示第l层训练样本集(第1层:X={x1,x2,...,xi,...xN}、第2-L层:El-1=ε1,l-1,ε2,l-1,…,εn,l-1)中与该层码书的k个聚类重心中第j个聚类重心为最近距离的样本特征点集合Rl,j=]]>{IDclj,1,...,IDcl,j,nl,j},]]>其中nl,j为落入Clj的特征向量个数;训练特征向量的各层量化结果训练样本集的总体量化误差MSE,其计算方式如下:
    MSE=E[d(xj,x^j)2]=E||xj-x^j||2=1nΣj=1nΣi=1d||xji-x^ji||2]]>
    其中,表示特征向量xj的量化结果;d表示特征向量的维度;n表示特征向量集X中的特征向量个数。
    在算法1中,码书C、样本集划分情况R以及每个样本特征的各层量化结果是按照从第1层到第L层顺序生成的。在每一层的数据生成过程中,首先利用k-means在该层的输入训练样本集上训练得到码书Cl;然后根据Cl,分别计算每个训练样本特征向量在该层的量化结果和统计码书对训练样本集的空间划分情况。在所有ERVQ的初始化数据完成后,计算初始总体量化误差MSE。


    (1.2)码书的联合优化
    为方便起见,在联合优化过程中,用变量附加上标(iter)的方式来表示变量在第iterth次迭代优化过程中的值,如:码书样本集划分情况样本特征集的量化结果和总体量化误差MSE(iter)。当iter=0时变量表示的是初始化数据。对应于上一节生成的初始化数据,它们在本节分别表示为:C(0)={Cl(0)},R(0)={Rl(0)},Rl(0)={Rl,j(0)},x^j={x^i,1(0),x^i,2(0),...,x^i,L(0)}]]>以及MSE(0)。给定一个L层、初始码书为每层码书包含k个聚类重心的ERVQ,其联合优化的过程如算法2所示。
    算法2中码书的联合优化是按照从第1层到第L层顺序进行的。在一次联合优化迭代过程中(第3-22行),对于第l层码书中第j个聚类重心的优化(第7-9行),首先根据上一次迭代时落入聚类重心的特征向量计算这些向量与其它层量化结果的残差向量;然后对这些残差向量求均值并作为新的第j个聚类重心。如此循环直至该层的k个聚类重心全部更新完毕。这样就相当于将第l层当作最后一层来处理并且使得计算的残差向量包 含了特征向量的总体量化误差。当第l层码书更新完成之后,就对训练样本特征向量进行重新量化以更新其各层量化值以及和Rm(iter)和(第10-21行)。在这里,由于更新第l层码书不会影响特征向量的前l-1层量化结果,因此只需更新特征向量在第l层到第L层的量化结果以及和Rm(iter),降低训练的时间复杂度。待码书优化的一次迭代完成后,计算训练样本集特征向量的平均总体量化误差(第23行),当小于预设的阈值时就认为迭代已收敛,结束联合优化并返回ERVQ的各层最新码书C*。否则,继续联合码书优化直到平均总体量化误差收敛。


    (1.3)多维倒排索引构建
    利用ERVQ的前M层码书Cl={cl,1,cl,2,...,cl,k}l=1,2,...,M,每层码书有k个聚类重心,如果从这M个码书中分别取出一个聚类重心然后进行一一组合,从而可以构建最多包含kM个倒排列表的倒排索引结构,如图)2所示。倒排列表的索引关键字为(index1,...,indexi,...,indexM),其中indexi表示第i层码书的聚类重心编号。倒排列表对应的聚类重心定义为索引关键字对应的M个聚类重心的向量和cw(index1,...,indexi,...,indexM)=C1,index1+C2,index2+...+cM,indexM.]]>当M=1时,构建的倒排索引结构就是一个一维列表形式;当M=2时,构建的倒排索引结构就是一个二维表形式,每个表项对应一个倒排列表;当M=3时,构建的倒排索引结构就是一个三维立方体形式,如此等等。
    (2)视觉特征量化和插入倒排索引
    (2.1)图像视觉特征量化和编码
    (2.1.1)图像视觉特征量化的步骤
    图3为一个2层ERVQ对图像视觉特征x进行量化和编码的实例图,其对特征向量采用顺序量化的方法。输入特征向量x首先在第1层量化器的码书中寻找欧式距离最近的聚类重心,并将其作为该特征向量在第1层的量化结果同时记录x在第1层的量化标识IDx,1作为第一层的编码;然后计算x与的残差并用同样的方法计算其在第2层的量化结果和量化标识IDx,2;如果ERVQ的层数L>2,那么,上述过程依次循环至第L层结束, 完成图像视觉特征的量化和编码。
    (2.1.2)查找距离最近的聚类重心
    将特征向量x与聚类重心y之间欧式距离就下限定义为:
    lb(x,y)=||y||2-2d(μxμy+σxσy)
    其中,d为特征向量的维度,μx,μy,σx,σy来分别为x与的均值和标准差,具体计算方式如下:
    μ=1dΣi=1dxi]]>
    σ=1dΣi=1d(xi-μ)2]]>
    lb用于过滤非近邻聚类重心,减少在高维原始特征空间计算欧式距离的次数。对应地,将特征向量x与聚类重心y之间欧式距离减去x的模||x||2定义为x与y之间的距离:
    d~(x,y)2=d(x,y)2-||x||2=||y||2-2<x,y>]]>
    给定一个待量化特征向量x和码书C={ci}i=1,2,...,k(ci表示一个聚类重心),在算法开始之前,需要进行一些预处理,包括:计算码书C中各聚类重心的期望标准差以及待量化图像视觉特征x的期望μx和σx。
    算法3为利用下限过滤的方法在k个聚类重心中寻找特征向量x的精确最近邻聚类重心的过程。对应于ERVQ量化,则为在某一层码书中寻找输入误差向量的精确最近邻聚类重心。在开始循环查找前,从k个聚类重心中随机选择一个聚类重心作为x的初始最近邻聚类重心(种子点)并将距离作为对应的最小距离min_d(第1-2行)。在整个算法过程中,用cnearest记录特征向量x的当前最新精确最近邻聚类重心(第3-15行)。当特征向量x与某个聚类重心ci的距离下限满足时,就说明 该聚类重心ci到x的欧式距离一定满足因此ci肯定不是精确最近邻聚类重心而被过滤掉,无需计算反之,则需要进一步计算并与min_d进行比较。

    (2.2)插入倒排索引
    图2同样展示了将图像特征向量x插入倒排索引过程,图像特征向量x经ERVQ量化得到编码后,根据对应的标识向量IDx=(IDx,1,...,IDx,M,...,IDx,L)中前M层标识(IDx,1,...,IDx,M),将其插入到倒排索引结构中(IDx,1,...,IDx,M)对应的倒排列表。倒排列表中保存是x的特征编号ID和ERVQ编码的剩余L-M层标识(IDx,M+1,...,IDx,L),其原因在于x的前M层标识可以通过对应倒排列表的索引关键字获得。
    (3)图像视觉特征检索
    对于查询图像视觉特征q,具体的查询步骤如下:
    (3.1)计算q与所有倒排列表对应的索引关键字之间的距离,计算公式如下:
    d(x,y^)2=||x||2+||y||2-2<x,y^>=||x||2+||y^||2-2<x,Σl=1My^1>=||x||2+||y^||2-2Σl=1M<x,cl,IDy,l>]]>
    其中,为查询特征向量x和关键词对应的前M层聚类重心的内积;
    (3.2)将距离最近{d1,d2,…,dw}的w(w≥1)个关键字对应的倒排列表中的图像视觉特征作为查询结果候选集RSq={y1,y2,...ym};
    (3.3)为q构造一个以其为球心的超球体,半径的计算公式为:
    Rq=λ×1wΣi=1wdi]]>
    其中,λ为比例系数,用于调整超球体半径的大小,本实施例中的取值为1;
    (3.4)利用(3.1)中公式计算q与RSq中所有图像特征之间的距离并与Rq比较,只保留满足以下不等式的查询结果,得到新的查询结果RSqnew={y′1,y′2,...y′b},图4为自适应超球体过滤的示意图。
    ||q-yi||≤Rq(i=1,2,...,m)
    (3.5)根据RSqnew中图像视觉特征与q之间的距离对其进行排序,返回距离最小的knn个特征点作为最终的查询结果。
    本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的?;し段е??!  ∧谌堇醋宰ɡ鴚ww.www.4mum.com.cn转载请标明出处

    关于本文
    本文标题:面向大规模图像视觉特征的多维倒排索引与快速检索算法.pdf
    链接地址://www.4mum.com.cn/p-6134194.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 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 冰球图片大全 辉煌棋牌下载软件 cs真人游戏室 龙王捕鱼龙王炮 广西快乐双彩开奖走势 湖南体彩幸运赛车视频 足彩半全场规则 海王捕鱼机厂 华东15选5开奖情况 内蒙古11选5预测 韩国快乐8官网现场开奖结果 足球手抄报比赛方案 pk10牛牛玩法介绍 排三试机号一年的历史记录 极速时时彩规则 排列三走势图彩吧助手