CN104081435A - 一种基于级联二值编码的图像匹配方法 - Google Patents

一种基于级联二值编码的图像匹配方法 Download PDF

Info

Publication number
CN104081435A
CN104081435A CN201480000156.8A CN201480000156A CN104081435A CN 104081435 A CN104081435 A CN 104081435A CN 201480000156 A CN201480000156 A CN 201480000156A CN 104081435 A CN104081435 A CN 104081435A
Authority
CN
China
Prior art keywords
hash
image
candidate feature
hamming distance
point
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.)
Pending
Application number
CN201480000156.8A
Other languages
English (en)
Inventor
程健
冷聪
吴家祥
卢汉清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Publication of CN104081435A publication Critical patent/CN104081435A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
    • 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
    • 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
    • G06F16/5854—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 shape and object relationship
    • 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
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于级联二值编码的图像匹配方法，所述方法包括：步骤S1，利用基于多个哈希表的哈希查找方法对图像中的候选特征点进行粗筛选，得到候选特征点的候选子集；步骤S2，将所述候选特征点的候选子集映射到高维汉明空间；步骤S3，建立汉明距离-数据地址的哈希表；查询所述汉明距离-数据地址的哈希表，从而得到最佳匹配特征点。本发明图像匹配方法，处理速度快，效果好，可实现高效和准确的图像匹配。

Description

一种基于级联二值编码的图像匹配方法
技术领域
本发明涉及图像处理领域，尤其涉及一种基于级联二值编码的图像匹配方法。
背景技术
图像匹配是计算机视觉、图像处理等领域的关键技术，在三维重建、图像拼接、目标识别等方面具有广泛的应用。特别是在大范围场景的三维重建问题中，由于大规模图像之间的匹配需要耗费大量时间，导致三维重建的速度非常慢。因此，快速、准确的图像匹配是亟待解决的问题。
图像匹配技术大致可以分为三类：点匹配，线匹配和区域匹配。由于其对光照变化、仿射变换和视角变化的鲁棒性，点匹配的重视程度较高，许多有效的算法被提出。然而，点匹配通常是非常耗时的，一对图像匹配的计算时间复杂性为O(N2)，其中N为平均每幅图像的特征点个数。在暴力匹配情况下，特征点匹配问题可以被看作是一个最近邻查找问题。作为替代方案，提出了近似最邻近查找，其中比较著名的是基于树的模型，在这种模型下，数据被非常有效地存储，从而取得非常快的搜索速度。但是所有基于树的方法在高维情况其搜索效率大大下降，有时候甚至不如简单的线性查找。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于级联二值编码的图像匹配方法，可以实现高效和准确的图像匹配。
为实现上述目的，本发明提供了一种基于级联二值编码的图像匹配方法，
所述方法包括：
步骤S1，利用基于多个哈希表的哈希查找方法对图像中的候选特征点进行粗筛选，得到候选特征点的候选子集；
步骤S2，将所述候选特征点的候选子集映射到高维汉明空间；
步骤S3，建立汉明距离-数据地址的哈希表；查询所述汉明距离-数据地址的哈希表，从而得到最佳匹配特征点。
进一步的，所述步骤S1具体为：步骤S11，通过短的哈希码做粗哈希查询，图像中的所有特征点通过局部位置敏感哈希方法映射成m位的哈希函数的哈希码。
进一步的，所述步骤S11具体为：对于第一图像I中的第一特征点p，用m位哈希码建立一个哈希查找表，第二图像J中所有和第一特征点p落到同一个哈希桶中的特征点被返回；
其中，通过局部位置敏感哈希生成L个不同的哈希函数
gl(q)＝(h1,l(q),h2,l(q),…,hm,l(q)),l=1,2,…，L，对应于每个哈希函数，建立一个哈希表，将第一图像I中的第一特征点p投入到哈希桶gl(p)中，其中，l=1,2,…，L。
进一步的，所述步骤S2具体为：通过n位哈希函数(n>m)将这些候选特征点映射到高维汉明空间中，然后在所述高维汉明空间中进行汉明距离的计算并排序。
进一步的，所述步骤S3具体为：
计算查询点与候选特征点之间的第一汉明距离；
以所述第一汉明距离为键，以候选特征点的内存地址为值建哈希表；
遍历所述汉明距离-数据地址的哈希表的数据库，并建立汉明距离-数据地址哈希表；
从键值最小的桶开始查找，直到找满预设个候选特征点为止，找到的预设个候选特征点是与查询点汉明距离最小的预设个候选特征点。
本发明图像匹配方法，其匹配采用了一个三层的哈希结构，通过逐层筛选的过程实现快速准确的特征点匹配，处理速度快，效果好，可实现高效和准确的图像匹配。
附图说明
图1为本发明一种基于级联二值编码的图像匹配方法的流程图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明图像匹配方法提出了一种由粗到细的级联二值编码方法，综合了哈希方法的查询和排序两种查找策略，大大提升了图像特征点匹配的速度，匹配采用了一个三层的哈希结构，通过逐层筛选的过程实现快速准确的特征点匹配。
图1为本发明一种基于级联二值编码的图像匹配方法的流程图，如图所示，本发明具体包括如下步骤：
步骤101，利用基于多个哈希表的哈希查找方法对图像中的候选特征点进行粗筛选，得到候选特征点的候选子集；
本步骤是基于多哈希表的候选特征点查询。
具体的，通过短的哈希码做一次最粗略的哈希查询，即哈希查找(HashingLookup)。其中，图像中的所有特征点通过局部位置敏感哈希方法映射成m位的哈希码。对于图像I中的特征点p，为了找到它在图像J中的匹配点，需要用这些m位哈希码建立一个哈希查找表。图像J中所有和点p落到同一个哈希桶中的特征点将被返回。
哈希查找具有常数的时间复杂度，在本发明中，采用一种基于多个哈希表的哈希查找方法。具体的，通过局部位置敏感哈希(LSH)生成L个不同的哈希函数gl(q)＝(h1,l(q),h2,l(q),…,hm,l(q)),l=1,2,…，L，对应于每个哈希函数，可以建立一个哈希表。对于图像I中的特征点p，将其投入到哈希桶gl(p)中，其中，l=1,2,…，L。
因为越长的哈希码判别力越强，从而使得相似点落到同一个桶中的概率P1和相异点落到同一个桶的概率P2的差距变大。当m增大时，p1将减少，即要使L充分大从而保证真正的近邻至少有一次和查询点落在同一个桶中。具体的，这个概率为1-(1-P1)L。
需要为不同的应用选择不同的参数m和L。例如在三维重建中的图像匹配，分别选择参数m＝8或10，L＝6。
步骤102，将候选特征点的候选子集映射到高维汉明空间；
在步骤101的粗搜索之后，可以在步骤102中对步骤101得到的候选子集进行精确搜索，例如计算每一个候选特征点与查询点之间的欧氏距离。但是，因为候选子集的规模仍然很大，直接计算欧式距离需要很大的计算量，本发明采用通过更长的n位哈希函数(n>m)将这些候选特征点映射到高维汉明空间中，然后就可以在这个空间中进行汉明距离的计算并排序。
步骤103，建立汉明距离-数据地址的哈希表；查询汉明距离-数据地址的哈希表，从而得到最佳匹配特征点。
为了进行最精确的查找，需要找到汉明空间中的前K个近邻，并且在其中找到欧氏距离最近的前两名来判断是否匹配。
通常来说，为了找到前K个近邻，需要遍历数据库K次，当数据库非常大时，这个过程也是很耗时的。在本发明中，提出一种基于哈希的前K名的查找方法，仅需要遍历数据库一次就可以定位前K名。
具体的，在遍历数据库的过程中，首先计算查询点与候选特征点之间的汉明距离，与此同时，以这个汉明距离为键，以候选特征点的内存地址为值建哈希表。于是，在遍历整个数据库一次之后能够完整的建立一个“汉明距离-数据地址”的哈希表。
为了定位前K名，只要从键值最小的桶开始查找，如果第一个桶中的候选点个数少于K，则到第二个桶中查找，以此类推，直到找满K个候选点为止。通过这个过程找到的K个候选点一定是与查询点汉明距离最小的K个点。
综上，本发明图像匹配方法在图像特征点提取与表示阶段，首先对两幅待匹配的图像(I1和I2)分别进行特征点检测，然后对检测到的特征点进行特征向量表示。例如，可以用SIFT方法检测图像的特征点，并表示成128维的特征向量。
在基于级联二值编码的特征点匹配阶段，采用三层的级联二值编码方法，对待匹配图像I1和I2中重叠区域上的特征点进行一对一的匹配。对于图像I1中的任何一个特征点xi，首先采用一种基于多个哈希表的哈希查找方法，按照汉明距离大小，对图像中I1的所有特征点yj进行粗略筛选，得到一个候选子集然后把候选子集中的所有特征点映射到高维汉明空间；最后从候选子集中快速查询到前K个最近匹配点，这里的K可以根据不同应用设置不同的数目，例如，三维重建中的图像匹配往往设置K＝2。
对于两幅待匹配的图像(分别记为I1和I2)，假设每幅图像中的特征点的数量均为N。计算欧式距离的时间复杂度记为TE，计算汉明距离的时间复杂度记为TH。需要说明的是，在现代CPU架构下，计算128维0-1向量的汉明距离仅需1个时钟周期，因此汉明距离的计算开销TH是远小于欧式距离的计算开销TE的。
基于暴力搜索的匹配算法是为确定图像I1中每个特征点的匹配结果，需要对图像I2中的所有特征点进行遍历，逐个计算欧式距离，从而确定最近邻与次近邻，因此最终的总时间复杂度为O(N2·TE)。
基于树的匹配算法是对于图像I1中每个特征点，在图像I2的特征点集合中寻找最近邻和次近邻的搜索过程是基于树的，平均情况下需要计算logN次欧式距离，因此总时间复杂度为O(NlogN·TE)。
本发明的匹配算法是对于图像I1中每个特征点，经过第一轮的基于多个哈希表的哈希查询(该步骤的时间开销可忽略)，平均会有LN/2m个特征点进入候选集合；对于候选集合中每个特征点，需要逐个计算汉明距离，并选出距离最小的k个元素，时间复杂度为O(LN/2m·TH)；对于距离最小的k个元素，需要分别计算欧式距离，时间复杂度为O(k·TE)；因此，总时间复杂度为O(LN2/2m·TH+Nk·TE)。
通过上述时间复杂度分析可以看出，基于暴力搜索的匹配算法的时间复杂度最高；基于树的匹配算法与基于哈希的暴力匹配算法相比，在图像中特征点数量较多时，时间复杂度较低，但在大多数情况下两者较为接近；而本发明提出的匹配方法，如果参数选择得当(m和L较小的情况下，如m＝8，L＝6)，匹配速度可以达到基于KdTree的匹配算法的10倍以上。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于级联二值编码的图像匹配方法，其特征在于，所述方法包括：
步骤S1，利用基于多个哈希表的哈希查找方法对图像中的候选特征点进行粗筛选，得到候选特征点的候选子集；
步骤S2，将所述候选特征点的候选子集映射到高维汉明空间；
步骤S3，建立汉明距离-数据地址的哈希表；查询所述汉明距离-数据地址的哈希表，从而得到最佳匹配特征点。
2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体为：
步骤S11，通过短的哈希码做粗哈希查询，图像中的所有特征点通过局部位置敏感哈希方法映射成m位的哈希函数的哈希码。
3.根据权利要求2所述的方法，其特征在于，所述步骤S11具体为：对于第一图像I中的第一特征点p，用m位哈希码建立一个哈希查找表，第二图像J中所有和第一特征点p落到同一个哈希桶中的特征点被返回；
其中，通过局部位置敏感哈希生成L个不同的哈希函数gl(q)＝(h1,l(q),h2,l(q),…,hm,l(q)),l＝1,2,…,L,对应于每个哈希函数，建立一个哈希表，将第一图像I中的第一特征点p投入到哈希桶gl(p)中，其中，l＝1,2,…，Ｌ。
4.根据权利要求1所述的方法，其特征在于，所述步骤S2具体为：
通过n位哈希函数(n>m)将这些候选特征点映射到高维汉明空间中，然后在所述高维汉明空间中进行汉明距离的计算并排序。
5.根据权利要求1所述的方法，其特征在于，所述步骤S3具体为：
计算查询点与候选特征点之间的第一汉明距离；
以所述第一汉明距离为键，以候选特征点的内存地址为值建哈希表；
遍历所述汉明距离-数据地址的哈希表的数据库，并建立汉明距离-数据地址哈希表；
从键值最小的桶开始查找，直到找满预设个候选特征点为止，找到的预设个候选特征点是与查询点汉明距离最小的预设个候选特征点。
CN201480000156.8A 2014-04-29 2014-04-29 一种基于级联二值编码的图像匹配方法 Pending CN104081435A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2014/076474 WO2015165037A1 (zh) 2014-04-29 2014-04-29 一种基于级联二值编码的图像匹配方法

Publications (1)

Publication Number Publication Date
CN104081435A true CN104081435A (zh) 2014-10-01

Family

ID=51601306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480000156.8A Pending CN104081435A (zh) 2014-04-29 2014-04-29 一种基于级联二值编码的图像匹配方法

Country Status (3)

Country Link
US (1) US9996764B2 (zh)
CN (1) CN104081435A (zh)
WO (1) WO2015165037A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751459A (zh) * 2015-03-27 2015-07-01 东南大学 多维特征的相似性度量优化方法及图像匹配方法
CN104778675A (zh) * 2015-04-28 2015-07-15 中国矿业大学 一种采煤综掘工作面动态视频图像融合方法
CN105550368A (zh) * 2016-01-22 2016-05-04 浙江大学 一种高维数据的近似最近邻检索方法及检索***
CN105844667A (zh) * 2016-03-25 2016-08-10 中国矿业大学 一种紧凑颜色编码的结构化目标跟踪方法
CN106126668A (zh) * 2016-06-28 2016-11-16 北京小白世纪网络科技有限公司 一种基于哈希重建的图像特征点匹配方法
CN106886785A (zh) * 2017-02-20 2017-06-23 南京信息工程大学 一种基于多特征哈希学习的航拍图像快速匹配算法
CN107341507A (zh) * 2017-06-20 2017-11-10 华中科技大学 一种基于gpu与级联哈希的快速图像sift特征匹配方法
CN108959441A (zh) * 2018-06-13 2018-12-07 新华智云科技有限公司 一种基于局部敏感哈希的近相似快速查找方法
US20190065819A1 (en) * 2017-08-30 2019-02-28 Fujitsu Limited Biological-image processing unit and method and program for processing biological image
CN109416689A (zh) * 2018-01-16 2019-03-01 深圳力维智联技术有限公司 海量特征向量数据的相似检索方法及设备、存储介质
WO2019047245A1 (zh) * 2017-09-11 2019-03-14 深圳市柔宇科技有限公司 图像处理方法、电子装置和计算机可读存储介质
CN109840525A (zh) * 2017-11-27 2019-06-04 中国科学院沈阳计算技术研究所有限公司 圆周二进制特征的提取与匹配搜索方法
CN110083762A (zh) * 2019-03-15 2019-08-02 平安科技（深圳）有限公司 房源搜索方法、装置、设备及计算机可读存储介质
CN112102475A (zh) * 2020-09-04 2020-12-18 西北工业大学 一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法
CN115935200A (zh) * 2023-01-12 2023-04-07 北京三维天地科技股份有限公司 一种基于哈希和海明距离的海量数据相似性计算方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104081435A (zh) * 2014-04-29 2014-10-01 中国科学院自动化研究所 一种基于级联二值编码的图像匹配方法
CN109949218B (zh) * 2017-12-21 2023-04-18 富士通株式会社 图像处理装置和方法
CN109376256B (zh) * 2018-09-29 2021-03-26 京东方科技集团股份有限公司 图像搜索方法及装置
CN109598726A (zh) * 2018-10-26 2019-04-09 哈尔滨理工大学 一种基于slic的自适应图像目标区域分割方法
CN110297879B (zh) * 2019-05-15 2023-05-30 平安科技（深圳）有限公司 一种基于大数据的数据去重的方法、装置及存储介质
CN111046715B (zh) * 2019-08-29 2023-03-14 郑州大学 一种基于图像检索的人体动作对比分析方法
CN110851633B (zh) * 2019-11-18 2022-04-22 中山大学 一种实现同时定位和哈希的细粒度图像检索方法
US11423028B2 (en) 2020-08-21 2022-08-23 Cyborg Inc. System and method for encrypted search using hash vectorization models
CN112614187B (zh) * 2020-12-31 2024-03-26 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697232A (zh) * 2009-09-18 2010-04-21 浙江大学 面向近重复图像匹配的sift特征裁减方法
CN101877143A (zh) * 2009-12-09 2010-11-03 中国科学院自动化研究所 一种二维图像组的三维场景重建方法
US20130254191A1 (en) * 2011-12-06 2013-09-26 The Trustees Of Columbia University In The City Of New York Systems and methods for mobile search using bag of hash bits and boundary reranking
CN103593838A (zh) * 2013-08-01 2014-02-19 华中科技大学 一种快速互相关灰度图像匹配方法与装置
CN103632362A (zh) * 2012-08-28 2014-03-12 中国电信股份有限公司 图像匹配处理方法、装置及***

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5776662A (en) * 1980-10-31 1982-05-13 Toshiba Corp Erasure system for picture information
US5021971A (en) * 1989-12-07 1991-06-04 Unisys Corporation Reflective binary encoder for vector quantization
US5457371A (en) * 1993-08-17 1995-10-10 Hewlett Packard Company Binary locally-initializing incremental encoder
US5398239A (en) * 1993-12-08 1995-03-14 The United States Of America As Represented By The Secretary Of The Navy Crosspoint analog data selector
CA2219809A1 (en) * 1997-10-31 1999-04-30 Shen-En Qian System for interactive visualization and analysis of imaging spectrometry datasets over a wide-area network
GB2397672B (en) * 2000-01-27 2004-09-22 Automatic Parallel Designs Ltd Method and apparatus for binary encoding logic circuits
US7594162B2 (en) * 2005-05-13 2009-09-22 Texas Instruments Incorporated Viterbi pretraceback for partial cascade processing
CN100530196C (zh) * 2007-11-16 2009-08-19 北京交通大学 一种基于分层匹配的快速音频广告识别方法
US9842090B2 (en) * 2007-12-05 2017-12-12 Oracle International Corporation Efficient streaming evaluation of XPaths on binary-encoded XML schema-based documents
CN101710334B (zh) * 2009-12-04 2012-01-25 大连理工大学 基于图像哈希的大规模图像库检索方法
CN101887457B (zh) * 2010-07-02 2012-10-03 杭州电子科技大学 基于内容的复制图像检测方法
CN102508910A (zh) * 2011-11-11 2012-06-20 大连理工大学 基于多哈希表映射误差最小化的图像检索方法
CN103020321B (zh) * 2013-01-11 2015-08-19 广东图图搜网络科技有限公司 近邻搜索方法与***
CN103345496B (zh) * 2013-06-28 2016-12-28 新浪网技术(中国)有限公司 多媒体信息检索方法和***
CN104081435A (zh) * 2014-04-29 2014-10-01 中国科学院自动化研究所 一种基于级联二值编码的图像匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101697232A (zh) * 2009-09-18 2010-04-21 浙江大学 面向近重复图像匹配的sift特征裁减方法
CN101877143A (zh) * 2009-12-09 2010-11-03 中国科学院自动化研究所 一种二维图像组的三维场景重建方法
US20130254191A1 (en) * 2011-12-06 2013-09-26 The Trustees Of Columbia University In The City Of New York Systems and methods for mobile search using bag of hash bits and boundary reranking
CN103632362A (zh) * 2012-08-28 2014-03-12 中国电信股份有限公司 图像匹配处理方法、装置及***
CN103593838A (zh) * 2013-08-01 2014-02-19 华中科技大学 一种快速互相关灰度图像匹配方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIAN CHENG ET AL: "Fast and Accurate Image Matching with Cascade Hashing for 3D Reconstruction", 《CVPR 2014》, 1 April 2014 (2014-04-01) *
STEREOHOMOLOGY: "CVPR papers", 《HTTP://BLOG.CSDN.NET/STEREOHOMOLOGY/ARTICLE/DETAILS/22717149》, 1 April 2014 (2014-04-01) *
何周灿等: "一种用于图像匹配的快速有效的二分哈希搜索算法", 《西北工业大学学报》, vol. 28, no. 4, 31 August 2010 (2010-08-31) *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751459B (zh) * 2015-03-27 2017-05-17 东南大学 多维特征的相似性度量优化方法及图像匹配方法
CN104751459A (zh) * 2015-03-27 2015-07-01 东南大学 多维特征的相似性度量优化方法及图像匹配方法
CN104778675A (zh) * 2015-04-28 2015-07-15 中国矿业大学 一种采煤综掘工作面动态视频图像融合方法
CN104778675B (zh) * 2015-04-28 2017-07-28 中国矿业大学 一种采煤综掘工作面动态视频图像融合方法
CN105550368A (zh) * 2016-01-22 2016-05-04 浙江大学 一种高维数据的近似最近邻检索方法及检索***
CN105844667A (zh) * 2016-03-25 2016-08-10 中国矿业大学 一种紧凑颜色编码的结构化目标跟踪方法
CN106126668B (zh) * 2016-06-28 2019-07-19 北京小白世纪网络科技有限公司 一种基于哈希重建的图像特征点匹配方法
CN106126668A (zh) * 2016-06-28 2016-11-16 北京小白世纪网络科技有限公司 一种基于哈希重建的图像特征点匹配方法
CN106886785A (zh) * 2017-02-20 2017-06-23 南京信息工程大学 一种基于多特征哈希学习的航拍图像快速匹配算法
CN107341507A (zh) * 2017-06-20 2017-11-10 华中科技大学 一种基于gpu与级联哈希的快速图像sift特征匹配方法
CN107341507B (zh) * 2017-06-20 2020-01-21 华中科技大学 一种基于gpu与级联哈希的快速图像sift特征匹配方法
US20190065819A1 (en) * 2017-08-30 2019-02-28 Fujitsu Limited Biological-image processing unit and method and program for processing biological image
US10755073B2 (en) * 2017-08-30 2020-08-25 Fujitsu Limited Biological-image processing unit and method and program for processing biological image
WO2019047245A1 (zh) * 2017-09-11 2019-03-14 深圳市柔宇科技有限公司 图像处理方法、电子装置和计算机可读存储介质
CN109840525A (zh) * 2017-11-27 2019-06-04 中国科学院沈阳计算技术研究所有限公司 圆周二进制特征的提取与匹配搜索方法
CN109840525B (zh) * 2017-11-27 2022-09-20 中国科学院沈阳计算技术研究所有限公司 圆周二进制特征的提取与匹配搜索方法
CN109416689A (zh) * 2018-01-16 2019-03-01 深圳力维智联技术有限公司 海量特征向量数据的相似检索方法及设备、存储介质
CN108959441A (zh) * 2018-06-13 2018-12-07 新华智云科技有限公司 一种基于局部敏感哈希的近相似快速查找方法
CN110083762A (zh) * 2019-03-15 2019-08-02 平安科技（深圳）有限公司 房源搜索方法、装置、设备及计算机可读存储介质
CN110083762B (zh) * 2019-03-15 2023-01-24 平安科技（深圳）有限公司 房源搜索方法、装置、设备及计算机可读存储介质
CN112102475A (zh) * 2020-09-04 2020-12-18 西北工业大学 一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法
CN115935200A (zh) * 2023-01-12 2023-04-07 北京三维天地科技股份有限公司 一种基于哈希和海明距离的海量数据相似性计算方法
CN115935200B (zh) * 2023-01-12 2023-09-08 北京三维天地科技股份有限公司 一种基于哈希和海明距离的海量数据相似性计算方法

Also Published As

Publication number Publication date
WO2015165037A1 (zh) 2015-11-05
US9996764B2 (en) 2018-06-12
US20170053182A1 (en) 2017-02-23

Similar Documents

Publication Publication Date Title
CN104081435A (zh) 一种基于级联二值编码的图像匹配方法
CN104035949B (zh) 一种基于局部敏感哈希改进算法的相似性数据检索方法
Ju et al. Depth-aware salient object detection using anisotropic center-surround difference
CN103207898B (zh) 一种基于局部敏感哈希的相似人脸快速检索方法
Zheng et al. Packing and padding: Coupled multi-index for accurate image retrieval
CN104991959B (zh) 一种基于内容检索相同或相似图像的方法与***
CN106355577B (zh) 基于特征状态与全局一致性的快速图像匹配方法及***
Favorskaya et al. Verification of smoke detection in video sequences based on spatio-temporal local binary patterns
CN102819582A (zh) 一种海量图片快速检索方法
CN103955543A (zh) 基于多模态的服装图像检索方法
TWI536186B (zh) 三維圖檔搜尋方法與三維圖檔搜尋系統
Wang et al. Duplicate discovery on 2 billion internet images
JP2010055621A (ja) 検索方法及び検索システム
Chebbout et al. Comparative study of clustering based colour image segmentation techniques
CN106611030A (zh) 基于视频的对象相似度比较方法和检索方法及其***
Liu et al. Research of commodity recommendation workflow based on LSH algorithm
Liu et al. Video copy detection by conducting fast searching of inverted files
CN112102475A (zh) 一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法
CN108268533B (zh) 一种用于图像检索的图像特征匹配方法
Hu et al. Feature reduction of multi-scale LBP for texture classification
CN106557533B (zh) 一种单目标多图像联合检索的方法和装置
CN106528552B (zh) 图像搜索方法及***
Zhong et al. Background modelling using discriminative motion representation
Heesch et al. Video retrieval within a browsing framework using keyframes
Chen et al. Research on taproots identification technology in panax notoginseng quality intelligent management system

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20141001

RJ01 Rejection of invention patent application after publication