论文部分内容阅读
随着智能手机等移动设备的日渐普及,人们对于随时随地拍照并进行相关信息检索的需求也与日俱增。在这个背景下,移动视觉检索应运而生。作为一种新兴的移动应用形式,它得到了业内专业人士以及相关学者的热烈研究。多数的移动视觉检索系统都采用服务器-客户端的框架模式,而在此框架中,由于无线网络的带宽限制引起的数据传输延时是待研究的主要问题。为了克服传输延时高的缺点,现阶段学者们主要着重于设计低比特的图像特征描述符,极少有工作去研究如何减少特征描述符的数量。为了进一步的减少传输延时,本文提出了基于支配特征描述符选取的移动视觉检索框架。首先,本文采用基于近邻传播聚类的方法对给定图像特征数据进行支配特征描述符选取,只需传输支配特征描述符到服务器端进行特征匹配即可。此外,考虑到不同的特征描述符的权重应有不同,本文采取了加权特征匹配的方法。在本文提出的移动检索框架下,不但可以减少系统的传输延时,更通过减少无用数据的传输,达到了提高检索精度的效果。其次,在图像检索时,我们可能会遇到一些带有大量特征描述符数据的复杂图像,此时进行支配特征描述符选取则需要大量的计算资源和存储资源,这些资源在在移动设备中都是非常有限的。因此,本文接着提出一种融合基于稀疏表示分类的模型进行改进,对于此类复杂图像的特征描述符,本文先对其进行若干采样,对采样点用先前方法进行支配特征描述符选取。对于非采样点,我们利用基于稀疏表示分类的方法将其归类。用此模型我们可以有效地降低计算的时间、空间复杂度。在Stanford的移动视觉检索数据集上的实验表明,选用CHOG描述子时,本文提出的框架较现有框架可减少40%数据量并提高了5%的平均检索精度。而在Oxford数据库中的实验结果表明,改进后的算法模型在面对复杂图像时,能在更少的时间、空间消耗下,同时有效地选取支配特征描述符,并保持有竞争力的检索正确率。