随着信息科学技术的发展,数字图像数据呈现井喷式发展的态势,如何从这些海量数据中查询到我们想要的图片已经成为了当下研究的热门话题。特别是在移动智能设备领域,由于计算能力和存储性能的限制,在这些设备上运行图像检索算法会面临诸多困难,尤其是性能较强的深度学习方法很难方便的应用于移动设备领域。为了解决这些问题,本文在传统算法的基础上探索一种存储空间不大计算速度快同时精确度较高的图像检索方法应用于移动智能设备领域。图像检索流程的关键在于特征提取和特征编码,然而目前的一些主流算法还存在一些问题。因此本文从这两方面入手,结合我们确定的移动智能设备方向展开研究。主要研究工作如下:1、针对二进制描述符ORB(Oriented FAST and Rotated BRIEF)算法在实时性领域效果依然不佳的情况,本文在研究FAST(Features from Accelerated Segment Test)算法的基础上提出了筛选搜索域的ROI-FAST(Region of Interest-FAST)算法。由于大多数图片都存在灰度变化不明显的区域,这些区域通常情况下提取到的特征点很少,为了减少FAST检测算子的搜寻区域,本文根据分类的思想将这些区域从FAST的搜索范围中去除掉,只留下感兴趣区域用于特征点提取。实验证明,在不影响图像匹配精确率的前提下,改进后的ORB特征提取算法有效提高了整个匹配系统的效率。2、针对ORB特征数量在图片环境对比度变化时抖动的问题,本文在研究FAST算法的基础上提出了一种可调半径FAST算法。经过测试发现,当我们使用不同尺寸的检测模板时检测到的特征点数量也不同,因此本文将检测尺寸与图像的环境对比度组合成线性关系,使其随着对比度的变化而变化,以应对复杂的外部环境。最后实验证明了本文改进算法的有效性。3、针对图像检索过程中图片颜色信息被丢弃的问题,本文在传统VLAD(Vector of Locally Aggregated Descriptors)算法基础上提出了一种基于结合颜色信息的新VLAD编码方法。首先将图像转换为RGB和灰度图像两种图像,再根据转换算法得到Opponent对立颜色空间三个颜色通道上的图像矩阵,然后在特征编码阶段加入以三通道颜色矩阵为基础生成的二进制颜色编码,最后将ORB算法与新VLAD编码算法结合形成完整的图像检索方法。实验证明,该方法有效提升了图片颜色信息的利用率,能够满足我们对图像检索的要求。该论文有图43幅,表8个,参考文献80篇。