[发明专利]基于多种特征的图像匹配方法

说明书

技术领域

本发明涉及一种图像匹配方法，更具体地涉及一种基于多种图像特征对图像库图像快速匹配的方法。

背景技术

近年来，随着人们对图像检索需求的日益增加，相关的图像检索技术不断涌现。图像检索的目的就是在大规模的图像库中找到满足检索者要求的图像，两者在内容上一般有很大的相关性或相似性。因此相关学者提出了基于内容的图像检索。基于内容的图像检索技术就是根据图像的内容信息建立表征其特征的描述子，使用描述子在图像库中查找具有相似特征描述子的图像。

在传统的图像检索系统中，使用的图像特征描述子有很多种，它们主要表征了图像的颜色、纹理、形状等特征信息。虽然有很多的特征描述子，但是这些描述子就单个而言往往仅在某一个或一些方面有效，它们或多或少在某些方面有一些缺陷，不具有有效性。即没有哪个单独的特征描述子可以很有效地描述图像的特征，从而使得获得十分有效的检索结果。因此，为增强识别和检索的准确度，基于内容的图像检索领域面临的首要问题就是如何基于许多单个的图像描述子建立一个有效和稳健的图像描述子。将多个单个的图像描述子进行适当地组合，充分地使得它们进行优势互补，以形成一个新的更加全面的图像描述性特征向量是上述问题的一种很好的解决方案。

对于多个描述子进行组合成特征描述向量是为了提高识别和检索的准确度考虑的。怎样对多个图像描述子进行组合一直以来是一个未能很好解决的问题。

发明内容

技术问题：为了解决上述问题，本发明的目的是提供一种新的图像匹配的方法——基于多种特征的图像匹配方法。

技术方案：为实现本发明的目的，基于多种特征的图像匹配方法在于基于多种图像特征组合对图像库进行图像匹配，具体包括如下步骤：

步骤101：确定图像的多种特征组成特征集，记为FS＝F₁，F₂，...，F_n；

步骤102：输入要求匹配的误检率、漏检率、时间性能指标，确定相关和不相关图像两类输入训练样本，提取出它们在特征集FS中的所有备选特征，图像匹配的级数k初始化为k＝1；

步骤103：对于FS中的每一个特征F_K，使用步骤2中的输入训练样本采用统计方法获得FS中每一特征的性能参数；其中K＝1、2、…n；

步骤104：根据步骤103从特征集FS中选取其子集为FS_k，对FS_k使用自适应自举学习算法-AdaBoost训练出分类器，作为图像匹配的第k级；新的特征集为剩余特征组成的集合，即FS＝FS-FS_k；

步骤105：若未达到要求的图像匹配的性能指标，k＝k+1，继续步骤104～步骤105；

步骤106：使用训练好的k级结构进行图像库图像的匹配。

所述采用统计方法获得FS中每一特征的性能参数包括：计算复杂度、时间、漏检率、误检率、阈值选择和匹配检索准确度之间的关系。

所述从特征集FS中选取其子集为FS_k包括：根据步骤103中统计出的每个单一特征的时间复杂度、漏检率和误检率性能参数选取子集FS_k；选取子集中的特征应满足的条件为：漏检率、误检率、时间复杂度低于事先设定好的阈值；在满足上述条件之后，优先选择的指标为漏检率和时间复杂度，即它们越低越好：由于最终训练出的是多级结构，对于不同级中子集FS_k的选择，其特征选择方法为：k越大要求其误检率越低越好，在最大降低误检率的前提下尽可能地减少漏检率的增加。

所述步骤104中对FS_k使用自适应自举学习算法-AdaBoost训练出分类器包括：

步骤201：为步骤102中的两类训练样本初始化权值；

步骤202：FS_k中的每一个特征对应一个弱分类器，从FS_k中将所有当前未被选定的特征利用与其对应的弱分类器，根据当前的权值，输入训练样本进行训练；

步骤203：考虑所有未入选的特征，利用单个特征训练分类器，使加权错误率最小；

步骤204：根据训练结果将错误率最小的弱分类器对应特征选定为当前轮次的特征挑选结果；

步骤205：更新所有训练样本的权值，重新执行步骤202～205，执行完预定的轮次；

步骤206：将所述每一轮次选定的特征挑选结果的特征加权组合作为最后的特征向量，输出该分类器。