[发明专利]一种图像检索方法

权利要求书

1.一种图像检索方法，其特征在于，包括训练和检索两个部分；

所述训练部分包括以下步骤：

步骤1，特征点的提取：对图像数据库中的每一幅图像进行特征点的检测和描述，得到一组特征点集；特征点集中每一个特征点包含：点在图像中的位置坐标和一个128维的描述子矢量；

步骤2，特征点的补充和匹配关系的确定：对基于同一场景的各图像的特征点集进行补充，并找到同一场景中不同图像特征点间的匹配关系，具有匹配关系的点对应不同图像中的同一物理点；

步骤3，同类点集的生成：将所述在不同图像中且对应同一场景的同一物理点的特征点放入一个同类特征点集中；

步骤4，特征点集聚类：对同类特征点集的描述子矢量进行聚类，并确定各个聚类中心；

步骤5，图像数据库中每幅图像特征矢量的生成：确定每幅图像特征点集的描述子矢量所属的聚类，统计各个聚类的频数，根据所述频数生成一个长度为聚类数的特征矢量；

所述步骤2具体包括以下步骤：

步骤21，在同一场景的所有图像点集中，对于N个属于同一场景的图像点集，选取一个特征点最多的图像点集作为基准特征点集N_a；

步骤22，对基准特征点集N_a之外的每个图像特征点集N_i中的每个特征点F_i，在基准特征点集N_a中求取该特征点F_i基于描述子矢量欧拉距离的最近邻特征点F_i’和次近邻特征点F_i”；将特征点F_i和基准特征点集N_a中的最近邻特征点F_i’的对应关系(F_i，F_i’)作为新的匹配关系加入特征点集N_i和基准特征点集N_a的匹配关系集中；并用特征点F_i与基准特征点点集N_a中的最近邻特征点F_i’及次近邻特征点F_i”的描述子矢量欧拉距离的比值阈值过滤超出阈值范围的匹配关系；

步骤23，对步骤22中得到的特征点集N_i和基准特征点集N_a的匹配关系集中各匹配特征点对所对应的各坐标对，确定匹配坐标子集和对应的线性映射关系矩阵，匹配坐标指匹配的坐标点所指示的不同图像上的位置对应物理上同一物体或同一场景上的同一点；

步骤24，对所述图像点集N_i中每一个未匹配到的特征点G_i，使用所述线性映射矩阵计算其在基准特征点集N_a对应图像中的匹配坐标点，如果该匹配坐标超出图像大小，则表示在基准特征点集N_a对应的图像中找不到特征点G_i对应的匹配，否则计算匹配坐标的特征点描述子矢量，形成新的特征点G_i’；如果所述新的特征点G_i’的描述子矢量与特征点G_i的描述子矢量的欧拉距离小于设定的阈值，则将所述新的特征点G_i’点加入基准特征点集N_a中并将已知的图像点集N_i中的特征点G_i和新的特征点G_i’的对应关系(G_i，G_i’)作为新的匹配关系放入图像点集N_i和基准特征点集N_a的匹配关系集中，否则特征点G_i的匹配特征点在基准特征点集N_a对应的图像中不存在，舍弃新的特征点G_i’；

步骤25，对每个所述图像点集N_i中所有未匹配特征点返回执行步骤24，得到基准特征点集N_a基于特征点N_i补充后的特征点集N_ai和更新的匹配关系集；

步骤26，将所述基准特征点集N_a基于特征点集N₁至特征点集N_i补充后的特征点集N_a1至特征点集N_ai合并为最终基准特征点集N_a’，并且使相似的特征点只保留一个在最终基准特征点集N_a’中；相似特征点通过特征点的坐标差阈值和描述子矢量的距离小于设定的阈值来判定；将步骤22至步骤25中得到的所述各图像特征点集N_i与原基准特征点集N_a的匹配关系集更新为各图像点集N_i与新的基准特征点集N_a’的匹配关系集；

步骤27，对在每个所述图像点集N_i中未找到匹配点的最终基准特征点集N_a’中的特征点M_i，返回步骤24求得其在图像点集N_i对应图像中的对应坐标和相应的特征点描述子矢量，生成新的特征点M_i’；将该特征点M_i’加入图像点集N_i并将它和新基准特征点集N_a’中的特征点M_i的对应关系(M_i’，M_i)保存到图像点集N_i和基准特征点集N_a’的匹配关系集中；

步骤28，基于步骤23至步骤27得到的匹配关系集，找到同一场景的几幅图像中对应同一物理点的特征点，即同类点；如果经过步骤23至步骤27，基准特征点集N_a’中的特征点m_a分别同图像点集N_i中的特征点m_i匹配，即得到的匹配关系为(m₁，m_a)，…，(m_a-1，m_a)，(m_a+1，m_a)…，则m₁，…，m_a-1，m_a，m_a+1，…为同类点，否则m₁，…，m_a-1，m_a，m_a+1，…不为同类点；

所述步骤4具体包括以下步骤：

步骤41，计算各个同类点集的描述子矢量的质心向量c_i和其包含的点的个数m_i；

步骤42，对集合(c_i，m_i)用加权的聚类方法进行聚类，确定各聚类的聚类中心；

步骤43，设定质心为向量c_i的同类特征点所属聚类为质心向量c_i所属聚类；

步骤44，对图像数据库中的每幅图像计算其特征点所属各聚类的频数n_i；

步骤45，计算每个聚类在图像数据库中出现的概率对数w_i，w_i＝ln(N/N_i)，其中N为图像总数，N_i为当前聚类所出现的图像的个数；

步骤46，对图像数据库中每幅图像，基于特征点所属聚类的频数n_i和各聚类的概率对数w_i生成一个特征矢量并单位化；

所述检索部分包括以下步骤：

步骤6，提取待检索图片的特征点，生成特征点集；

步骤7，计算各个特征点描述子向量到各个聚类中心的距离，以最小距离确定当前特征点所属聚类；

步骤8，计算待检索图片的特征点所属各个聚类的频数n_i；

步骤9，基于待检索图片的特征点所属聚类的频数n_i和所述的各聚类的概率对数w_i生成一个特征矢量并单位化；

步骤10，计算待检索图片的特征矢量到图片库各图像特征矢量的欧拉距离，选取距离最小的图像输出为检索结果。