CN103744974A - 局部兴趣点选取的方法及设备 - Google Patents
局部兴趣点选取的方法及设备 Download PDFInfo
- Publication number
- CN103744974A CN103744974A CN201410012810.9A CN201410012810A CN103744974A CN 103744974 A CN103744974 A CN 103744974A CN 201410012810 A CN201410012810 A CN 201410012810A CN 103744974 A CN103744974 A CN 103744974A
- Authority
- CN
- China
- Prior art keywords
- local interest
- importance
- interest points
- local
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003657 Likelihood-ratio test Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010428 oil painting Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
Abstract
本发明提供一种局部兴趣点选取的方法及设备,其中,获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;根据属性的重要性获取每一局部兴趣点的重要性;根据局部兴趣点的重要性,采用预设的选取规则选取待检测图像的至少一个局部兴趣点。其中,属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;预设的选取规则为所述局部兴趣点的重要性大于设定阈值,局部兴趣点的数量满足设定范围。上述方法选取的局部兴趣点能够反映图像的特征,且能够提高图像检索和图像匹配的准确率,同时可利用选取的局部兴趣点对应的局部特征描述子进一步聚合成全局特征描述子,从而提高全局特征描述子在图像检索和匹配中的准确率。
Description
技术领域
本发明涉及计算机技术,尤其涉及一种局部兴趣点选取方法及设备。
背景技术
随着智能终端的发展,移动视觉搜索应用越来越多。当然,移动视觉搜索中局部兴趣点的选取方式成为研究热点。举例来说,现有的可以实现的局部兴趣点的选取方式是:先获取图像的所有兴趣点,然后利用分类器模型在所有兴趣点中选取固定个数的局部兴趣点,进而采用选取的局部兴趣点实现图像检索和图像匹配。
然而,当前选取局部兴趣点的方案没有考虑到不同类型图像对兴趣点个数的要求,且不能为不同类型图像选择合适数量的兴趣点。并且,基于上述方式选择的局部兴趣点进行图像检索或图像匹配,导致准确性下降。
由此,如何选取反映图像特征的局部兴趣点成为当前亟待解决的问题。
发明内容
针对上述缺陷,本发明提供一种局部兴趣点的选取方法,实现选取的兴趣点能够反映图像特征,且较好提高图像检索和匹配中的准确率。
本发明的第一个方面是提供一种局部兴趣点的选取方法,包括:
获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
根据属性的重要性获取所述每一局部兴趣点的重要性;
根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
其中,所述属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;
所述预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或,所述局部兴趣点的数量满足设定范围。
可选地,所述根据属性的重要性获取所述每一局部兴趣点的重要性,包括:所述属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
可选地,所述根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点,包括:
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
在所有的局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
可选地,所述属性包括下述的一项或多项:
尺度、方向、高斯差分的峰值、到图像中心的距离。
可选地,所述设定范围为大于等于300小于等于600。
可选地,所述属性的重要性具体为通过统计学习方式训练预设的多个图像中每一图像的每一局部兴趣点的属性,并对所述多个图像对应的属性进行建模得到的重要性。
本发明实施例的局部兴趣点选取的方法,通过获取待检测图像的每一局部兴趣点的重要性,进而选取满足设定范围的局部兴趣点作为待检测图像的局部兴趣点集合。本发明选取的局部兴趣点能够反映待检测图像的特征,且能够提高图像匹配和图像检索中的准确率,同时可以利用选取的局部兴趣点对应的局部特征描述子进一步聚合成全局特征描述子,如:词包模型(Bag ofWords)、Fisher向量(Fisher Vector)等,从而有效提高全局特征描述子在图像检索或匹配中的准确率。
本发明的第二个方面是提供一种通信设备,该通信设备实现选取的兴趣点能够反映图像特征,且较好提高图像检索和匹配中的准确率。
本实施例提供的通信设备包括:第一获取单元,用于获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
第二获取单元,用于根据属性的重要性获取所述每一局部兴趣点的重要性;
选取单元,用于根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
其中,所述属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;
所述预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或所述局部兴趣点的数量满足设定范围。
可选地,所述第二获取单元,具体用于
所述属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
可选地,所述选取单元,具体用于
所述根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点,包括:
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
在所有的局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
本发明实施例的通信设备,通过第一获取单元获取待检测图像的所有局部兴趣点和每一局部兴趣点的属性,第二获取单元获取每一局部兴趣点的重要性,进而选取单元选取满足设定范围的局部兴趣点作为待检测图像的局部兴趣点集合。本发明通信设备选取的局部兴趣点能够反映待检测图像的特征,且能够提高图像匹配和图像检索中的准确率,同时可以利用选取的局部兴趣点对应的局部特征描述子进一步聚合成全局特征描述子,如:词包模型、Fisher向量等,从而有效提高全局特征描述子在图像检索和匹配中的准确率。
附图说明
图1为本发明一实施例提供的局部兴趣点选取的方法的流程示意图;
图2为本发明一实施例提供的通信设备的结构示意图。
具体实施方式
当前的移动视觉搜索应用,常常会对图像的局部兴趣点进行选择。通过对局部兴趣点进行选择,一方面可以减少局部兴趣点的个数,从而适应无线网络的传输带宽,减少延迟;另一方面可以保留判别性较高的局部兴趣点,去除不稳定的以及判别力差的局部兴趣点,进而提升基于局部兴趣点的图像检索和图像匹配的性能,也可以由这些判别性较高的局部兴趣点对应的局部特征描述子聚合成判别性较高的新特征描述子。
由此,本发明实施例提供一种局部兴趣点选取的方法,进而实现选取待检测图像中判别性较高的局部兴趣点。
图1示出了本发明一实施例提供的局部兴趣点选取的方法的流程示意图,如图1所示,本实施例的局部兴趣点选取的方法如下所述。
101、获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
举例来说,上述提及的待检测图像可以是任意一幅图像,例如,可以是具有文件的照片,手绘的图片,油画图片,从视频中截取的帧,地标图片或者人物图片等,本实施例不限定上述待检测图像的类型和图像的内容。
在本实施例中,局部兴趣点是指从图像局部区域检测到的具有一定代表性的点,在实际中,这些点不仅具有空间位置,还包含一个空间覆盖范围,即通过分析其邻域得到的。
特别地,获取待检测图像所有的局部兴趣点的方式均为现有的方式,举例来说,上述的局部兴趣点的检测方式可为高斯差分(Difference of Gaussian,简称:DoG),或者上述的局部兴趣点的检测方式可为拉普拉斯高斯(Laplacianof Gaussian,简称LoG),或者,其他局部兴趣点的检测方式。
通常,在获取图像所有的局部兴趣点的同时可获取每一局部兴趣点的属性。举例来说,DoG检测到的局部兴趣点的属性包括:尺度、方向、高斯差分的峰值、到图像中心的距离等。当前,每一个属性对应一个具体的数值(即属性值)。
应了解的是,本实施例中采用现有的DoG或LoG方式检测局部兴趣点,本实施例不对其进行赘述。
102、根据属性的重要性获取所述每一局部兴趣点的重要性;
其中,所述属性的重要性可为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到。当同一属性对应的属性值不同时,所述属性的重要性也不同。
在具体的应用中,该步骤中属性的重要性可具体为通过统计学习方式训练预设的多个图像中每一图像的每一局部兴趣点的属性,并对所述多个图像对应的属性进行建模得到的重要性。
例如,局部兴趣点的属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;局部兴趣点的属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,局部兴趣点的属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,局部兴趣点的属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
当然,也可以使用其他计算方法根据属性的重要性计算每个局部兴趣点的重要性。总之,计算得到的局部兴趣点的重要性应该满足如下条件,即对应的属性的重要性越高局部兴趣点的重要性也应该越高。
103、根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
其中,所述预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或所述局部兴趣点的数量满足设定范围。
举例来说,上述步骤103可包括:将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
当然,在待检测图像的所有局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
可以理解的是,本实施例中的局部兴趣点选取的方法是自适应的。例如,采用上述方法,可使的地标图像选取的局部兴趣点的个数大约是600个,油画图像选取的局部兴趣点的个数大约是300个。不同类型的图像选取的局部兴趣点的个数将取决于图像实际的内容。上述局部兴趣点的个数是举例来说的。
通常,若待检测图像为分辨率640×480的VGA图像时,可将前述的设定范围设为大于等于300小于等于600。当待检测图像的分别率变化或考虑到实际应用场景时,前述的设定范围可以做相应调整,本实施例不具体限定设定范围。
由上述实施例可知,本实施例的方法,通过检测图像所有的局部兴趣点,获取每个局部兴趣点对应的属性,由每个局部兴趣点对应的属性的重要性计算每个局部兴趣点的重要性,选取符合选取规则的局部兴趣点。上述方法通过局部兴趣点固有的属性的重要性判定局部兴趣点的重要性,并且局部兴趣点的重要性越高表示该局部兴趣点的辨别能力越高、稳定性越好,因此根据局部兴趣点的重要性选取判别性高的局部兴趣点,排除不稳定的以及表达能力差的局部兴趣点,最终选取的局部兴趣点用于图像检索和图像匹配,可以获得更好的性能。
特别地,上述方法可以为不同类型的图像选取适当个数的局部兴趣点,避免了由于兴趣点个数选择不当造成的图像检索和图像匹配的性能的下降。
应说明的是,本实施例中的局部兴趣点选取的方法可以在任一设备上进行,本实施例不限制其执行主体为客户端还是服务器端。
举例来说,本实施例中可根据第一图像数据集训练得到不同属性的重要性,由每个局部兴趣点对应的属性的重要性计算每个局部兴趣点的重要性。
需要注意的是,第一图像数据集是与上述步骤101中的待检测图像不相关的图像数据集,包含若干不同类型的图像以及图像之间匹配和非匹配关系的记录。
A01、分别检测若干匹配图像对和非匹配图像对的局部兴趣点。
其中,匹配图像对是指包含同一个物体或同一个场景的两幅图像,非匹配图像对是指包含不同物体或不同场景的两幅图像。这些匹配图像对和非匹配图像对不包括上述步骤101中的待检测的图像。
用于检测局部兴趣点的方式可以是上述步骤101所举例的DoG或者LoG。
A02、利用局部特征描述子对所述局部兴趣点进行描述,并获得匹配的局部兴趣点点对。
特别地,上述的局部特征描述子可为尺度不变描述子(Scale InvariantFeature Transform,简称:SIFT),或者,上述的局部特征描述子可为快速鲁棒的尺度不变特征描述子(Speeded Up Robust Features,简称:SURF),或其他局部特征描述子。通常,SIFT的维度为128维,SURF的维度为64维。
应了解的是,SIFT或SURF的提取方式可为现有的提取方式,本实施例不再详述。
利用局部特征描述子获得匹配的局部兴趣点点对的方式可以是现有的方式,本实施例不再详述。
A03、通过统计,获得所述局部兴趣点的不同属性在正确匹配的局部兴趣点和误匹配的局部兴趣点中的概率分布。
举例来说,DoG检测到的局部兴趣点的不同属性包括:尺度、方向、高斯差分的峰值、到图像中心的距离等,实际应用中可以选择上述一项或多项属性,但不限于所列举的属性。
A04、基于概率分布,计算待检测图像的所述每一局部兴趣点的每一属性处于某一取值范围时,该待检测图像的局部兴趣点正确匹配的概率,将所述概率作为该局部兴趣点的属性的重要性。
可以理解的是,本实施例中同一属性处于的取值范围不同时,所述待检测图像的局部兴趣点正确匹配的概率也不同,所述属性的重要性也不同。
在实际应用中,也可以采用其他局部兴趣点重要性的计算方法,不限于上述举例的步骤A01至步骤A04。例如,也可以使用Naive Bayes、似然比检验、RankSVM等分类器模型估计局部兴趣点正确匹配的概率,并作为局部兴趣点的重要性。
特别地,上述步骤A01和步骤A03是可以预先获取的,即离线获取然后存储在任一执行本实施例中方法的设备中。
采用本实施例中的局部兴趣点选取的方法,可以实现利用选取的局部兴趣点对应的局部特征描述子进一步聚合成全局特征描述子,如:词包模型(Bagof Words)、Fisher向量(Fisher Vector)等,从而有效提高全局特征描述子在图像检索和/或匹配中的准确率。
图2示出了本发明一实施例提供的通信设备的结构示意图,如图2所示,本实施例的通信设备可包括第一获取单元21、第二获取单元22和选取单元23;
其中,第一获取单元21用于获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
第二获取单元22用于根据属性的重要性获取所述每一局部兴趣点的重要性;
选取单元23用于根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
前述的属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;
前述的预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或所述局部兴趣点的数量满足设定范围。
可选地,前述属性的重要性可具体为:通过统计学习方式训练预设的多个图像中每一图像的每一局部兴趣点的属性,并对所述多个图像对应的属性进行建模得到的重要性。
在具体的应用过程中,前述的第二获取单元22具体用于
所述属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
在另一可选的应用场景中,前述的选取单元23可具体用于根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点,包括:
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
在所有的局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
上述的通信设备可以是用户设备如智能手机、IPAD、客户端计算设备等;通信设备还可以是服务器如大型集群服务器等。
本实施例的通信设备,通过第一获取单元获取待检测图像的所有局部兴趣点和每一局部兴趣点的属性,第二获取单元获取每一局部兴趣点的重要性,进而选取单元选取满足设定范围的局部兴趣点作为待检测图像的局部兴趣点集合。本发明通信设备选取的局部兴趣点能够反映待检测图像的特征,且能够提高图像匹配和图像检索中的准确率,同时可以利用选取的局部兴趣点对应的局部特征描述子进一步聚合成全局特征描述子,如:词包模型、Fisher向量等,从而有效提高全局特征描述子在图像检索和匹配中的准确率。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种局部兴趣点选取的方法,其特征在于,包括:
获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
根据属性的重要性获取所述每一局部兴趣点的重要性;
根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
其中,所述属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;
所述预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或,所述局部兴趣点的数量满足设定范围。
2.根据权利要求1所述的方法,其特征在于,所述根据属性的重要性获取所述每一局部兴趣点的重要性,包括:所述属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
3.根据权利要求1所述的方法,其特征在于,所述根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点,包括:
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
在所有的局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
4.根据权利要求1至3任一所述的方法,其特征在于,所述属性包括下述的一项或多项:
尺度、方向、高斯差分的峰值、到图像中心的距离。
5.根据权利要求1所述的方法,其特征在于,所述设定范围为大于等于300小于等于600。
6.根据权利要求1所述的方法,其特征在于,所述属性的重要性具体为通过统计学习方式训练预设的多个图像中每一图像的每一局部兴趣点的属性,并对所述多个图像对应的属性进行建模得到的重要性。
7.一种通信设备,其特征在于,包括:
第一获取单元,用于获取待检测图像所有的局部兴趣点以及每一局部兴趣点的属性;
第二获取单元,用于根据属性的重要性获取所述每一局部兴趣点的重要性;
选取单元,用于根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点;
其中,所述属性的重要性为通过训练预设的多个图像中每一图像的每一局部兴趣点的属性得到;
所述预设的选取规则为所述局部兴趣点的重要性大于设定阈值,和/或所述局部兴趣点的数量满足设定范围。
8.根据权利要求7所述的设备,其特征在于,所述第二获取单元,具体用于
所述属性的项数为一项时,所述属性的重要性为所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相乘,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的所有属性的重要性相加,得到所述每一局部兴趣点的重要性;
或者,
所述属性的项数为多项时,将每一局部兴趣点的每一属性与对应的权重相乘再相加,得到所述每一局部兴趣点的重要性。
9.根据权利要求7所述的设备,其特征在于,所述选取单元,具体用于
所述根据所述局部兴趣点的重要性,采用预设的选取规则选取所述待检测图像的至少一个局部兴趣点,包括:
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,将选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量超过设定范围,则在所述重要性大于设定阈值的局部兴趣点中去除重要性较低的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
将所有的局部兴趣点按照重要性进行排序,选取所述重要性大于设定阈值的局部兴趣点,若选取的局部兴趣点的数量未达到设定范围,则在所述重要性小于等于设定阈值的局部兴趣点中选取重要性较高的局部兴趣点,使最终选取的局部兴趣点的数量满足所述设定范围,最终选取的局部兴趣点组成所述待检测图像的局部兴趣点集合;
或者,
在所有的局部兴趣点的数量未达到设定范围时,将所有的局部兴趣点组成所述待检测图像的局部兴趣点集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410012810.9A CN103744974B (zh) | 2014-01-10 | 2014-01-10 | 局部兴趣点选取的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410012810.9A CN103744974B (zh) | 2014-01-10 | 2014-01-10 | 局部兴趣点选取的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103744974A true CN103744974A (zh) | 2014-04-23 |
CN103744974B CN103744974B (zh) | 2017-04-12 |
Family
ID=50501992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410012810.9A Active CN103744974B (zh) | 2014-01-10 | 2014-01-10 | 局部兴趣点选取的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103744974B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615610A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN104615613A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 全局特征描述子的聚合方法 |
CN104615614A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN104615611A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取全局特征描述子的方法 |
CN106017490A (zh) * | 2016-04-29 | 2016-10-12 | 玉环看知信息科技有限公司 | 一种地图显示方法、导航服务器和导航*** |
CN107688816A (zh) * | 2016-08-04 | 2018-02-13 | 北京大学 | 一种图像特征的池化方法及装置 |
CN110851726A (zh) * | 2019-11-18 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 兴趣点选择方法、装置以及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987456A (en) * | 1997-10-28 | 1999-11-16 | University Of Masschusetts | Image retrieval by syntactic characterization of appearance |
CN102063472B (zh) * | 2010-12-10 | 2012-08-22 | 北京大学 | 图片搜索方法、图片搜索***、客户端和服务器 |
CN102521618B (zh) * | 2011-11-11 | 2013-10-16 | 北京大学 | 局部描述子的提取方法、图片检索方法及图像匹配方法 |
CN102968632A (zh) * | 2012-10-15 | 2013-03-13 | 北京大学 | 获取图像的紧凑全局特征描述子的方法及图像检索方法 |
-
2014
- 2014-01-10 CN CN201410012810.9A patent/CN103744974B/zh active Active
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615610A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN104615613A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 全局特征描述子的聚合方法 |
CN104615614A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN104615611A (zh) * | 2014-04-30 | 2015-05-13 | 北京大学 | 获取全局特征描述子的方法 |
CN104615614B (zh) * | 2014-04-30 | 2018-04-13 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN104615613B (zh) * | 2014-04-30 | 2018-04-17 | 北京大学 | 全局特征描述子的聚合方法 |
CN104615610B (zh) * | 2014-04-30 | 2018-10-02 | 北京大学 | 获取可伸缩全局特征描述子的方法 |
CN106017490A (zh) * | 2016-04-29 | 2016-10-12 | 玉环看知信息科技有限公司 | 一种地图显示方法、导航服务器和导航*** |
CN106017490B (zh) * | 2016-04-29 | 2018-12-18 | 玉环看知信息科技有限公司 | 一种地图显示方法、导航服务器和导航*** |
CN107688816A (zh) * | 2016-08-04 | 2018-02-13 | 北京大学 | 一种图像特征的池化方法及装置 |
CN110851726A (zh) * | 2019-11-18 | 2020-02-28 | 百度在线网络技术(北京)有限公司 | 兴趣点选择方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103744974B (zh) | 2017-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103744974B (zh) | 局部兴趣点选取的方法及设备 | |
CN111368893B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN103226589B (zh) | 获取图像的紧凑全局特征描述子的方法及图像检索方法 | |
US10740885B2 (en) | Object based image processing | |
US20200175062A1 (en) | Image retrieval method and apparatus, and electronic device | |
US20170060867A1 (en) | Video and image match searching | |
CN109360028B (zh) | 用于推送信息的方法和装置 | |
US11049256B2 (en) | Image processing apparatus, image processing method, and storage medium | |
US8948518B2 (en) | Scalable query for visual search | |
CN107423306B (zh) | 一种图像检索方法及装置 | |
EP2712453B1 (en) | Image topological coding for visual search | |
CN105069424A (zh) | 面部快速识别***和方法 | |
WO2019007253A1 (zh) | 图像识别方法、装置及设备、可读介质 | |
CN107169503B (zh) | 一种室内场景的分类方法及装置 | |
WO2015039575A1 (en) | Method and system for performing image identification | |
CN115062186B (zh) | 一种视频内容检索方法、装置、设备以及存储介质 | |
US8755605B2 (en) | System and method for compact descriptor for visual search | |
CN105608423A (zh) | 一种视频匹配方法及装置 | |
EP2975576A1 (en) | Method of determination of stable zones within an image stream, and portable device for implementing the method | |
CN115393755A (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN104615611A (zh) | 获取全局特征描述子的方法 | |
CN114821596A (zh) | 文本识别方法、装置、电子设备和介质 | |
KR101758869B1 (ko) | 멀티미디어 콘텐츠 분류장치 및 이를 이용한 분류방법 | |
CN103235806B (zh) | 基于时空关系的互联网视频片段间关系识别方法 | |
CN113518201B (zh) | 视频处理方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |