[发明专利]基于全局关系一致性约束的局部特征点验证方法

说明书

本发明公开了一种基于全局关系一致性约束的局部特征点验证方法。本发明包括三部分：离线学习、局部特征点量化和特征点投票验证。离线学习用于视觉词汇词典的构建。局部特征点量化包括三步骤：1.局部特征点的提取。2.特征描述子的量化。3.主方向、尺度和方位量化；视觉词汇验证部分所使用的方法包括两种，一种是弱关系一致性验证，一种是强几何验证。两种方法均采用投票的机制验证候选特征点，步骤类似：1.候选图像与候选特征点的获取。2.通过投票验证候选特征点。本发明能够适应图像裁剪、旋转、尺度缩放等变换带来的影响，可用于基于视觉词汇的图像检索和分类等应用中。

技术领域

本发明属于计算机图像处理和机器视觉领域，涉及两种基于视觉词汇的局部特征点验证。

背景技术

基于局部特征的图像检索是目前较为主流的拷贝图像检索方式，将局部特征点描述子量化为视觉词汇并采用词袋模型来表示图像，是当前图像检索的一类重要方法。但是通过局部特征的描述子量化得到的视觉词汇相对于自然语言中的词汇并没有明确的意义，容易受到噪声的影响。为了能够保证视觉词汇的区分能力要求，词典中视觉词汇数量越多越好。但是越多的视觉词汇导致了其抗噪能力变弱，并且在局部特征量化为视觉词汇时需要耗费更多的计算量。针对局部特征量化为视觉词汇后导致的多义问题，有部分的研究者关注到了该问题，并提出了部分的解决方法。

为增加局部特征匹配的准确性，减少视觉词汇歧义现象，有研究者在着力于增加视觉词汇的信息量，以提高视觉词汇的识别度。多个字典用于量化局部特征的方法可以提高图像检索的召回率，但多个字典量化会有交集，这些交集属于冗余数据。大量的冗余数据不仅无助于提高检索效果，而且会影响检索效率。为解决这一问题，Zheng提出了一种基于多个字典的贝叶斯合并方法用于降低字典的关联度，减少冗余数据。Mortensen在每个局部特征点上增加全局纹理向量，使局部特征具有全局属性。该方法可用于提高视觉词汇的区别能力，但该方法在图像的尺度变换上鲁棒性不够好。

有研究者希望通过建模视觉词汇(局部特征)的空间依赖关系来提高视觉词汇的描述能力。Yao提出了一种视觉词汇的上下文描述子生成方法，该方法考虑特征点与近邻特征点之间的关系，在图像检测的过程中计算视觉词汇之间的上下文相似性关系判断视觉词汇是否正确匹配。Liu基于局部特征提出了两种方法，分别以局部特征点之间一对一以及一对多的关系为特征点进行编码。上述的两种方法属于先验证的方法，在图像检测之前为特征点建立好关系，在检索速度上有着明显的优势。采用类似的基于近邻局部特征的方法，往往忽略了特征点之间的全局性关系。

为兼顾到全局性，近年来也有学者考虑局部特征的全局性约束。Zheng发现，在图像检索过程中，查询图像与候选图像中正确匹配的视觉短语具有相对稳定的位置关系，如匹配的视觉短语的坐标相减，正确匹配的点会落入相对集中的位置。Zhou采用了紧致的空间编码方法来描述视觉词汇的相互位置关系。但该方法对图像的旋转变换支持不是很理想，需要通过构建多个方向的位置关系来提高对旋转变换的鲁棒性。

针对局部特征量化为视觉词汇后导致的多义现象而造成的匹配准确率较低的问题，本发明的两种方法提出利用基于局部特征的全局关系增强视觉词汇区分能力。该方法满足了紧致性和鲁棒性两方面要求，可以应对图像的各种编辑和变换，并有较好的效果；

发明内容

本发明的目的是针对现有技术的不足，提供了两种基于全局关系一致性约束的局部特征点验证方法。

本发明解决其技术问题所采用的技术方案如下：

1.基于全局关系一致性约束的局部特征点验证方法，其特征在于包括如下三部分：(1)离线学习部分，(2)特征点量化部分，(3)特征点投票验证部分；离线学习部分用于构建视觉词汇词典；特征点量化部分根据离线学习所得到的视觉词汇词典对局部特征进行量化；特征点投票验证部分用于对候选图像中的特征点验证，具体实现如下：

步骤(1)离线学习，对大量样本分组聚类得到视觉词汇词典。