[发明专利]一种图像特征点匹配方法

说明书

本发明公开了一种图像特征点匹配方法，包括以下步骤，入库图片特征点提取：提取入库图像的特征并构成入库特征向量，对其维度进行降维；向量入库：分割降维后的入库特征向量，并对分割后的每部分先做乘积量化再做向量量化，构成乘积量化器、向量量化器，并建立检索树和哈希表；待匹配图片特征点提取：提取待匹配图像的特征并构成待匹配特征向量，对其维度进行降维；向量匹配：分割降维后的待匹配特征向量，找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心，根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集，采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片；其速度快且精度高。

技术领域

本发明涉及图片搜索技术领域，具体涉及一种图像特征点匹配方法。

背景技术

在图像搜索领域，特征匹配是非常重要的一个环节，特点的匹配效率和精度决定着最终搜索速度和精度。现有图片搜索时，其采用以下步骤：第一步通过大量样本数据训练一个转换矩阵，通过哈希函数转二进制码，二进制码分段，生成多个哈希表，得到的分段二进制码直接作为哈希表的入口。第二步，当待查询向量达到时，通过同样的方式转为二进制码，映射到对应的哈希表入口及其距离为r的其他入口中，入口中的所有图片作为候选集。第三步，将候选集中所有的图片特征向量与待查询向量做完整的海明距离计算，重排距离即可。在浮点特征向量转二进制码时，由于哈希函数的存在，导致向量的精度丢失，并且在最后的重新排序过程当中，依然使用基于二进制码的海明距离计算，虽然速度很快，但是由于二进制码的表示精度不如浮点向量，因此召唤率会有一定程度降低。

随着互联网的飞速发展，目前互联网上的图片已经达到了百亿级别甚至更高。采用现有的特征点匹配方法，其已经不能适应现有快速增长的图片库模式。在海量图片检索树中怎样进行高效、高精度的搜索成为了热点。

发明内容

本发明为了解决上述技术问题提供一种图像特征点匹配方法，其匹配精度高且速度快。

本发明通过下述技术方案实现：

一种图像特征点匹配方法，包括以下步骤，

入库图片特征点提取：提取入库图像的特征并构成入库特征向量，对其维度进行降维；

向量入库：分割降维后的入库特征向量，并对分割后的每部分先做乘积量化再做向量量化，构成乘积量化器、向量量化器，并建立检索树和哈希表；

待匹配图片特征点提取：提取待匹配图像的特征并构成待匹配特征向量，对其维度进行降维；

向量匹配：分割降维后的待匹配特征向量，找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心，根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集，采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片。

本方案的方法不使用类似迭代量化的算法计算二进制码，采用降维聚类构建检索树和哈希表，在第一层次的聚类时，不对其完全相关的数据进行聚类，而是对其进行分割，各部分数据完全独立，可采用多线程并行处理方式进行加速，将量化器的训练时间大大减少。匹配检索的整个过程分两段进行，第一段为选取候选集，第二段使用浮点向量整体进行距离计算，在候选集范围较大的前提下，再进行浮点距离计算，检索结果的召回率和暴力匹配的差距很小，不超过1个百分点。比海明距离排序更精确。

如果数据库中有N条记录，暴力匹配需要做N次距离计算，而采用本方案的方法，根据所选参数的不同，候选集中的记录数为N/100～N/10，大大减少了计算了，大大提高了匹配速度。且在构建检索树的过程中，第一阶段聚类的数据分割成多个部分，多个部分的聚类过程是完全独立的，因此可以使用多线程技术进行聚类，提高聚类速度。

作为优选，向量入库的方法为：

将入库特征向量分割成不相交的P个部分；