[发明专利]云计算环境下基于倒排LSH的高维近似图象检索方法

权利要求书

1.一种云计算环境下基于倒排LSH的高维近似图象检索方法，其特征在于，包括步骤：

移动客户端通过摄像头采集并提取图片特征，与云中心服务系统通信；

云中心服务系统建立基于倒排位置敏感哈希索引并查询得到与采集图片对应的近邻图像；

所述查询是建立基于位置敏感哈希分布式倒排索引的kNN查询，步骤是：

设定网格单元大小为ɡ*ɡ，给定一个查询点q，用Aq表示q点所在网格，以r为半径，q为圆心作圆，对于特定的哈希函数，给定一点q，求其相邻点时，首先利用函数分成若干个Hash桶，将Hash桶作为Key，Hash桶内的点集作为Value，Hash桶代指特定关系存在区域，用hv1、hv2、hv3······hvN表示，然后函数利用数据与哈希函数之间的关系对应哈希到特定的桶内，同时会使q与其有对应关系的桶内数据进行碰撞，筛选出与q碰撞次数较高的数据进行整合，则就得到某一特定点的相似数据；对于图片的索引，需要更多的特征才能确定某一具体图片，需要求出其他特征的相似数据，给定另一点P，同样建立在同一数据表格中，以R为半径，ｐ为圆心，找出其近邻数据点，p与q点的最近邻中可能出现同一点M，则M为索引的特征数据点的概率就特别大，以此类推，进行哈希，直至找出最终数据；

筛选出与q碰撞次数较高的数据的方法如下：

设高维数据集合为S，S是图象检索系统中已有大规模图象库，查询对象集合为Q，Q是查询图象对象，先进行高维特征提取后，形成特征集,对于每个查询对象q属于Q,初始化关联函数h,h属于G，G是一个哈希族，LSH是一个多轮哈希的算法，不同的哈希函数，会得到不同的哈希结果，h对应q的相似点集合，半径集合R=getCandidates(hashvalue)，hashvalue是哈希值，不同的哈希值，得到不同的哈希结果，R是桶宽；在某一半径为r的区域内进行有关哈希函数的哈希冲突碰撞，哈希的每个对象为hashvalue=Computer(q,h)，每一个hasvalue是通过哈希计算函数得到的，多次碰撞直至将数据全部哈希，筛选出碰撞次数相对比较高的对象d=computer(q,c),对象d为对象q的临近点的概率最高，对象d是碰撞可能性最高的对象，用碰撞计数统计代替实际的值，统计碰撞的次数作为最后的排序结果，减小中间数据量，从加快MapReduce的处理速度。

2.如权利要求1所述的云计算环境下基于倒排LSH的高维近似图象检索方法，其特征在于，碰撞区域给定一个误差校准范围（1+θ）r，在进行哈希冲突碰撞时，对于哈希函数F(h)，统计碰撞的次数，作为最后排序依据，碰撞次数越多则排序越靠前，由于系统误差的存在，碰撞需进行多次来筛选最终结果，碰撞发生在q与相邻数据之间，同时也会有少部分不相邻数据与之碰撞，然后进行第二次碰撞、第三次碰撞直至将数据全部哈希，然后筛选出碰撞次数相对比较高的点d=computer(q,c),这些点为q的临近点的概率最高，将这些数据整理出来进行整合。

3.如权利要求1所述的云计算环境下基于倒排LSH的高维近似图象检索方法，其特征在于，客户端提取图片高维特征，生成图片高维特征数据，并将图片高维特征数据传输至云中心服务系统。

4.如权利要求1所述的云计算环境下基于倒排LSH的高维近似图象检索方法，其特征在于，客户端还用于接收云中心服务系统返回的与采集图片对应的近邻图像。