[发明专利]一种云端图像数据库生成及识别方法

说明书

技术领域

本发明涉及图像识别技术领域，具体涉及一种云端图像数据库生成及识别方法。

背景技术

实时图像搜索是一种可以支持用户自定义的，超大规模的图像数据库的实时图像识别技术。它可以实现对移动端设备的图像输入内容进行实时的识别。整个识别过程是在云端进行的，这样可以使用户无需将庞大的图像数据库下载到本地，并且也可以充分地利用云端计算资源对数据库进行高速的检索。

然而，目前基于云端的实时图像识别技术其通过上传本地图片到服务器，服务器将带识别的图片与存储的图片逐一进行比较，其存在以下缺陷：

其一，在无线网络较差的情况下，用户实时上传图像的速度会受到很大影响；

其二，在对云端数据库进行检索时，在保证一定准确度的前提下，其检索速度和广度存在矛盾，这两点都与云端图像数据库的大小密切相关；

其三，当数据库中的图像增多时，搜索广度会增加，而随之线性增加则是每次搜索所需要的时间，这样就使得实时图像搜索系统无法很好的支持超大规模的图像数据库。

发明内容

本发明为了解决上述技术问题提供一种云端图像数据库生成及识别方法。

本发明通过下述技术方案实现：

一种云端图像数据库生成方法，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。

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。

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。

所述树状模型生成步骤具体为：

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。

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；

B4、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。

一种云端图像数据库识别方法，包括以下步骤，

图像获取步骤：获取目标图像，并对该目标图像使用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描述子序列上传到上述方法生成的云端图像数据库中；

图像识别步骤：云端图像数据库利用检索词汇树的检索算法对图像进行匹配并返回ID结果。

传统的图像匹配是图像和图像之间的匹配，检索的时间的增加随着图像的增加线性增长。一个特征描述子到数据库里匹配所有特征描述子，传统图像的暴力匹配，数据库里的描述子越多，匹配的时间就越长，因为暴力匹配是一一匹配，最后寻找距离最短的匹配组。采用本方法，由于数据库中的描述子已经进行树状分类，在进行匹配的时候，待匹配的描述子会寻找与其最相似的分支，而不需要遍历真个数据库。因此能极大的解决检索速度的问题。对于新加入图像描述子会加入相应的分支，而不是单纯的增加，因此在广度上也能很好的解决大数据库的检索情况。

所述图像识别步骤具体为：利用检索词汇树的检索算法在图像数据库中寻找该图像的最佳匹配，并返回最佳匹配的编号。

本发明与现有技术相比，具有如下的优点和有益效果：