[发明专利]一种高效的遮挡鲁棒的大规模图像搜索方法

说明书

本发明公开了图像处理技术领域的一种高效的遮挡鲁棒的大规模图像搜索方法，包括如下步骤：S1:提取特征点和描述子；S2:基于颜色信息对特征点进行划分；S3；对应类别码本量化特征点；S4；将量化索引聚合成特征向量；步骤S1和步骤S2归类为HxW的模板图像，步骤S3和步骤S4归类为KXD/K的模板特征向量。本发明的有益效果是：通过对目标图片的颜色及空间结构分析，从而生成特征点，并将特征点进行量化，根据量化结果完成搜索，从而提高搜索的准确性；通过有别于现有技术的搜索方法，提高被遮挡图像的搜索精度，缩减搜索时间，提高图像搜索的时效性；因采用不同搜索方法，使得本图像搜索方法适用面更加广泛，实用性更强。

技术领域

本发明涉及图像处理技术领域，具体是一种高效的遮挡鲁棒的大规模图像搜索方法。

背景技术

当前绘本/童书阅读已成为幼儿教育中的一种至关重要的学习手段。在教育电子产品中引入人工智能中的图像搜索(以图搜图)技术，可快速让智能设备识别用户(孩子)当前所阅读的书本页面，从而与用户进行更加丰富的交互。

而当前的电子产品进行图像搜索时，其技术主要实现过程可分为两步。第一步是特征提取，即将图像表达为高维特征向量；第二步则是特征搜索，即将在模板特征库中搜索某张图像所对应特征向量最相似的特征向量。

根据特征提取的不同，当前主要将图像搜索技术分为两类，简介如下：

基于传统视觉的方法：首先提取图像中的特征点和特征点所对应的特征描述子，然后再将所有的特征描述子聚合为图像全局特征向量，如BOW词袋模型(Fei-Fei,L.andPerona,P.,A Bayes ian Hei rarcical Mode l for Learning Natura l SceneCategor ies,Proc.CVPR,2005.)。

基于深度学习的方法：首先采用大规模数据集训练神经网络模型，然后将图像输入到神经网络模型中，输出即为该图像的特征向量。

特征搜索可以看作一个高维特征的最近邻查找问题，对于大规模搜索时，通常考虑搜索效率因素，往往只追求一个近似最近邻结果。此类问题，当前的主流方式是对特征数据库进行建模，如层次树(KD-TREE)，图结构(HNSW)等，利用模型中数据结构的特点支撑快速的搜索。

现有技术存在如下缺点：大规模特征搜索运算时间久，无法满足智能桌面和人机交互等场景对实时性的要求；特征提取过程中，大多只考虑图像的全局特征，对遮挡或拍摄不全的适应性不好，而此现象往往发生在桌面场景中。

发明内容

本发明的目的在于提供一种高效的遮挡鲁棒的大规模图像搜索方法，本方法可通过对图像的颜色及空间结构建立对应的特征点，并将特征点进行量化，从而实现图像的精准搜索和匹配，此种图像所搜方法，速度快，实时性高。速度提高的同时，不降低搜索准确率，适用于桌面成像场景中经常存在的遮挡现象，以解决上述提出的大规模特征搜索运算时间久，无法满足智能桌面和人机交互等场景对实时性的要求；特征提取过程中，大多只考虑图像的全局特征，对遮挡或拍摄不全的适应性不好，而此现象往往发生在桌面场景中的问题。

为实现上述目的，本发明提供如下技术方案：一种高效的遮挡鲁棒的大规模图像搜索方法，包括如下步骤：

S1:提取特征点和描述子；

S2:基于颜色信息对特征点进行划分；

S3；对应类别码本量化特征点；

S4；将量化索引聚合成特征向量；