面向移動視覺搜索的緊湊聚合描述子研究.pdf

1、移動視覺搜索作為一個新興的研究領域，催生了許多新的問題和挑戰(zhàn)，如:在海量圖像數據中搜索，將面臨搜索準確率差、搜索時間長的困難;移動互聯網由于帶寬有限和不穩(wěn)定，上行傳輸圖像將面臨嚴重的延遲問題;移動設備計算能力和內存有限，視覺特征提取實時性有困難等。為此，MPEG標準組織開始著手制定視覺搜索緊湊描述子標準Compact Descriptors of Visual Search(CDVS)，期望從描述子緊湊性、可區(qū)分性、可伸縮性以及低復雜度

2、等四個方面應對上述挑戰(zhàn)。
　　本文以MPEG CDVS技術框架為基礎，針對聚合描述子進行了重點研究，取得了如下創(chuàng)新性成果:
　　1.提出了一種基于局部特征興趣點排序的選擇性聚合描述子方法。本方法從局部特征興趣點可區(qū)分性的角度，通過興趣點排序淘汰噪聲局部特征，在顯著降低局部特征聚合計算復雜度的同時，大大增強了聚合描述子的區(qū)分力。實驗結果表明，本方法在現有聚合描述子的基礎上，檢索性能有了大幅度提升。另外，實驗驗證本方法對于低質量

3、JPEG壓縮圖像具有較好的魯棒性。
　　2.提出了一種基于多碼本學習的BoW緊湊零階聚合描述子。為了解決BoW模型視覺詞典規(guī)模過大、內存消耗過高、描述子大小無法可伸縮等問題，本方法通過離線學習的多個小規(guī)模碼本對局部特征空間進行多次劃分，在降低局部特征量化誤差的同時，實現低內存消耗的視覺詞典;然后利用多碼本生成一個自適應于查詢圖像的查詢碼本，并用來對局部特征進行編碼，從而得到大小可伸縮的低比特BoW緊湊描述子。在MPEG CDVS的

4、多個標準數據集上，與現有算法對比結果顯示，本方法在獲取可伸縮低比特描述子的同時，視覺詞典內存消耗更低，且檢索性能更高。
　　3.提出了一種基于率失真優(yōu)化的Fisher緊湊高階聚合描述子。本方法首次將描述子可伸縮性作為優(yōu)化目標之一，使用比特約束標量量化算法自適應調整描述子大小，從而滿足不同無線網絡帶寬的需求。同時，不同大小的緊湊描述子之間支持快速漢明距離度量，滿足描述子互操作性。特別地，本方法量化過程計算復雜度很低。與現有算法的實驗