[发明专利]一种并行分布式的大规模图像识别方法

摘要

本发明公开了一种并行分布式的大规模图像识别方法，包括以下步骤：1）第一调度节点将大类别图像数据库部署在SIFT计算节点提取SIFT特征矢量；2）第二调度节点将SIFT特征矢量构建高斯混合模型，并发回每个Fisher计算节点提取Fisher特征矢量；3）第三调度节点收集所有Fisher计算节点的特征矢量，数据进行分段和发往给每个Training计算节点；4）每一Training计算节点对每一类别同步训练一个一对多的SVM子分类器，并由第三调度节点根据权重整合所有子分类器模板参数生成最终分类器模板；5）分类测试利用SVM分类器得到类别输出。此方法具有大幅提高了海量图像数据的处理速度等优点。

主权项

一种并行分布式的大规模图像识别方法,其特征在于，包括如下步骤：步骤1、由第一调度节点将大类别图像数据库平均部署在SIFT特征提取计算节点上；步骤2、每个特征提取计算节点对图像数据先进行高斯平滑预处理，再密集采样和生成SIFT特征矢量；步骤3、第一调度节点随机生成图像索引序号，发往SIFT计算节点；SIFT计算节点依据索引序号挑选出索引序号对应图像的SIFT特征矢量后，再统一将这些特征矢量发送给第二调度节点，第二调度节点再将这些特征矢量构建高斯混合模型，并将高斯混合模型发送回每个Fisher计算节点；步骤4、每个Fisher计算节点基于高斯混合模型对图像提取Fisher特征矢量；步骤5、每个Fisher计算节点将图像数据库中所有训练图像的特征矢量发送给第三调度节点，第三调度节点收集所有Fisher计算节点的特征矢量，并将所有特征矢量进行数据分段，然后计算各段所对应的权重后，最后将分段特征矢量发往每个Training计算节点，此时每个Training计算节点分别存储分段特征矢量数据，使每个Training计算节点只需对各自分段特征矢量数据进行机器学习和训练；步骤6、训练时，在每一Training计算节点上，以类别为单位对每一类别同步训练一个一对多的SVM子分类器，并由第三调度节点根据权重整合所有子分类器模板参数生成最终分类器模板，并将最终分类器模板更新分类测试计算节点的分类器模板；步骤7、分类测试计算节点对当前测试图像，先提前SIFT特征矢量，接着基于高斯混合模型提取图像的Fisher特征矢量，然后利用更新分类器模板的SVM分类器得到当前图像的类别输出，以完成当前测试图像的分类判断。