[发明专利]基于词汇树检索与相似度验证的云端图像识别方法

权利要求书

1.基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，包括以下步骤，图像获取步骤：获取目标图像，并对目标图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成目标图像的ORB描述子序列；

图像上传步骤：将该ORB描述子序列上传到基于描述子样本的云端图像数据库中；

图像识别步骤：云端图像数据库利用基于词汇树的检索算法对图像进行匹配识别并返回匹配度靠前的N张候选图像，其中N为大于1的自然数；

相似度验证步骤：在云端图像数据库中找到候选图像，得到目标图像和候选图像的128维向量，分别计算目标图像与各候选图像之间的距离，并找出距离最短的候选图像。

2.根据权利要求1所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，所述云端图像数据库的生成包括以下步骤，

描述子生成步骤：收集图像，提取每张图像的ORB特征点，并对每个ORB特征点生成相应的描述子以得到描述子样本；

树状模型生成步骤：根据描述子样本生成图像数据库的树状模型；

数据库生成步骤：向树状模型中添加图像，建立树状结构的图像数据库。

3.根据权利要求2所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，所述描述子生成步骤具体为：收集图像，分别对每张图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子。

4.根据权利要求2所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，所述树状模型生成步骤为：利用描述子之间的欧式距离作为判据，对描述子样本用K-means算法做聚合分类，生成图像数据库的树状模型。

5.根据权利要求4所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，A1、定义一个树状结构，其最大层数为L，每层最大子节点数为K；A2、对描述子样本用K-means算法做聚合分类，得到子节点分类结果，将每个子节点内所有描述子的平均描述子作为该子节点的描述子；A3、若该子节点内描述子样本的数量大于K的两倍，则对该子节点内的描述子样本作进一步的K-means分类，重复该步骤，直至树状结构的最大层数小于等于L或者没有子节点的描述子样本数量大于K的两倍；

A4、对所有的子节点依次排序标号，生成图像数据库的树状模型。

6.根据权利要求2所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，所述数据库生成步骤为：

B1、给图像一个唯一的编号；

B2、对该图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子；

B3、将该图像的所有描述子利用树状模型进行分类，并将每个描述子的分类结果关联在其分配到的子节点上；

B3、对每一张图像做B1至B3的步骤，得到具有树状结构的图像数据库。

7.根据权利要求1所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，获得目标图像和候选图像的128维向量在相似度验证系统中进行。

8.根据权利要求7所述的基于词汇树检索与相似度验证的云端图像识别方法，其特征在于，所述相似度验证系统生成方法包括以下步骤，

C1、将图像库中的图像输入神经网络模型，得到每张图对应的1024维的经过归一化的描述子；

C2、将图像库中的图像进行三字节的学习，建立正样本与正样本之间的紧密距离、正样本与负样本之间的疏远距离。