全局特征描述子的聚合方法
【技術領域】
[0001] 本發(fā)明涉及計算機技術，尤其涉及一種全局特征描述子的聚合方法。
【背景技術】
[0002] 目前，移動視覺搜索應用越來越多，業(yè)內(nèi)人士通過局部特征描述子聚合成全局特 征描述子用于圖像檢索或圖像分類。Fisher向量（FisherVector)就是一種常用的由局部 特征描述子聚合成的全局特征描述子，而且FisherVector在圖像檢索和分類中都獲得了 比較好的性能。
[0003] 現(xiàn)有技術中，F(xiàn)isher向量的獲取方式為：提取圖像的局部特征描述子，并將所有 局部特征描述子聚合成Fisher向量。但是，現(xiàn)有技術中描述子聚合的時間復雜度較高，并 且得到的Fisher向量會受到一些噪聲局部點的干擾。舉例來說，一般一幅圖像的局部特征 描述子的數(shù)目不少于1〇〇〇個，若直接使用所有的局部特征描述子參與到聚合過程，則聚合 的時間復雜度非常高；另外，局部特征描述子中還存在一些噪音，若參與到Fisher向量的 聚合中，則會影響全局特征描述子的鑒別能力，導致了全局特征描述子不具有良好的魯棒 性，從而影響圖像檢索或者分類的性能。

【發(fā)明內(nèi)容】

[0004] 為解決現(xiàn)有技術中的缺陷，本發(fā)明提供一種全局特征描述子的聚合方法，降低現(xiàn) 有技術中全局特征描述子聚合過程中的時間復雜度，提高全局特征描述子的鑒別力和魯棒 性。
[0005] 第一方面，本發(fā)明提供一種全局特征描述子的聚合方法，包括：
[0006] 獲取待處理圖像的局部特征描述子；
[0007] 根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進行排序，獲得排 序后的局部特征描述子；
[0008] 根據(jù)截斷閾值，從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子 的若干個局部特征描述子；
[0009] 采用高斯混合模型對所述若干個局部特征描述子進行聚合，獲得待處理圖像的全 局特征描述子；
[0010] 其中，所述截斷閾值是針對局部特征描述子個數(shù)的閾值，為訓練預設的圖像數(shù)據(jù) 集中每類圖像的檢索結(jié)果得到的。
[0011] 可選地，根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進行排序， 獲得排序后的局部特征描述子，包括：
[0012] 利用統(tǒng)計方式對所述局部特征描述子的重要性進行定量表示，即用一個具體的數(shù) 值表示所述局部特征描述子的重要性；
[0013] 根據(jù)所述局部特征描述子的重要性對應的數(shù)值的大小，將所有的局部特征描述子 進行降序排列，得到排序后的局部特征描述子；
[0014] 其中，所述局部特征描述子的重要性為所述局部特征描述子用于聚合全局特征描 述子時，對全局特征描述子的區(qū)分能力的影響。
[0015] 可選地，所述圖像數(shù)據(jù)集包括：三維物體圖像和平面物體圖像；
[0016] 所述截斷閾值為位于230至270之間的一個整數(shù)。
[0017] 可選地，所述截斷閾值為250 ;
[0018] 根據(jù)截斷閾值，從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子 的若干個局部特征描述子，包括：
[0019] 從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子的250個局部 特征描述子；
[0020] 若所述排序后的局部特征描述子的個數(shù)小于250個，則將所述排序后的局部特征 描述子全部用作聚合全局特征描述子的局部特征描述子。
[0021] 可選地，所述獲取待處理圖像的局部特征描述子中，所述局部特征描述子為采用 預設的降維矩陣對每一局部特征描述子進行降維后，得到的低維的局部特征描述子；
[0022] 其中，所述降維矩陣為訓練預設的圖像數(shù)據(jù)集得到的矩陣。
[0023] 第二方面，本發(fā)明還提供一種全局特征描述子的聚合裝置，包括：
[0024] 獲取單元，用于獲取待處理圖像的局部特征描述子；
[0025] 排序單元，用于根據(jù)所述局部特征描述子的重要性，將所有的局部特征描述子進 行排序，獲得排序后的局部特征描述子；
[0026] 選擇單元，用于根據(jù)截斷閾值，從所述排序后的局部特征描述子中選擇用于聚合 全局特征描述子的若干個局部特征描述子；
[0027] 聚合單元，用于采用高斯混合模型對所述若干個局部特征描述子進行聚合，獲得 待處理圖像的全局特征描述子；
[0028] 其中，所述截斷閾值是針對局部特征描述子個數(shù)的閾值，且為訓練預設的圖像數(shù) 據(jù)集中每類圖像的檢索結(jié)果得到的。
[0029] 可選地，所述排序單元，具體用于
[0030] 利用統(tǒng)計方式對所述局部特征描述子的重要性進行定量表示，即用一個具體的數(shù) 值表示所述局部特征描述子的重要性；
[0031] 根據(jù)所述局部特征描述子的重要性對應的數(shù)值的大小，將所有的局部特征描述子 進行降序排列，得到排序后的局部特征描述子；
[0032] 其中，所述局部特征描述子的重要性為所述局部特征描述子用于聚合全局特征描 述子時，對全局特特征描述子的區(qū)分能力的影響。
[0033] 可選地，所述圖像數(shù)據(jù)集包括：三維物體圖像和平面物體圖像；
[0034] 所述截斷閾值為位于230至270之間的一個整數(shù)。
[0035] 可選地，在所述截斷閾值為250時，所述選擇單元，具體用于
[0036] 從所述排序后的局部特征描述子中選擇用于聚合全局特征描述子的250個局部 特征描述子；
[0037] 若所述排序后的局部特征描述子的個數(shù)小于250個，則將所述排序后的局部特征 描述子全部用作聚合全局特征描述子的局部特征描述子。
[0038] 可選地，所述獲取單元獲取的局部描述子為采用預設的降維矩陣對每一局部特征 描述子進行降維后，得到的低維的局部特征描述子；
[0039] 其中，所述降維矩陣為訓練預設的圖像數(shù)據(jù)集得到的矩陣。
[0040] 由上述技術方案可知，本發(fā)明的全局特征描述子的聚合方法，通過將待處理圖像 的局部特征描述子進行重要性的排序，且在排序后的局部特征描述子中選取若干個局部特 征描述子，進而采用選取的若干個局部特征描述子進行聚合，獲得待處理圖像的全局特征 描述子，進而可降低現(xiàn)有技術中全局特征描述子聚合過程的時間復雜度，進一步提高全局 特征描述子的鑒別力和魯棒性。
【附圖說明】
[0041] 圖1為本發(fā)明一實施例提供的全局特征描述子的聚合方法的流程示意圖；
[0042] 圖2為本發(fā)明一實施例提供的梯度方向直方圖向量的示意圖；
[0043] 圖3為本發(fā)明一實施例提供的全局特征描述子的聚合裝置的結(jié)構示意圖。
【具體實施方式】
[0044]圖1示出了本發(fā)明一實施例提供的全局特征描述子的聚合方法的流程示意圖，如 圖1所示，本實施例的全局特征描述子的聚合方法如下所述。
[0045]101、獲取待處理圖像的局部特征描述子。
[0046] 可理解的是，根據(jù)獲取待處理圖像局部特征描述子的方式，所述局部特征描述子 是對所述興趣點的一種視覺表達，所述興趣點也具有所述不同屬性，也可以計算重要性，如 統(tǒng)計重要性。
[0047] 舉例來說，獲取待處理圖像的局部特征描述子中，所述局部特征描述子為采用預 設的降維矩陣對每一局部特征描述子進行降維后，得到的低維的局部特征描述子；
[0048] 其中，所述降維矩陣為訓練預設的圖像數(shù)據(jù)集得到的矩陣。
[0049] 102、根據(jù)