基于移动平台下大规模目标识别的方法

摘要

一种基于移动平台下大规模目标识别的方法，属于图像识别领域。本发明的目的是用哈希算法快速有效地将SIFT特征点编码为具有保持局部敏感性的二进制编码，为移动平台检索提供一种快速有效的基于移动平台下大规模目标识别的方法。本发明的步骤是：数据库图像SIFT特征X的标签信息‘0’‘1’构成，归一化距离相似性以及量化误差，寻找使得NS+MD值最小的数据点的二进制标签，得到弱哈希函数，组合弱哈希函数，得到强哈希函数。本发明是一种快速有效的移动平台检索方法，移动设备还可根据网络状况调整检索方案，使得在不同的网络状况下均能及时给出响应。

主权项

一种基于移动平台下大规模目标识别的方法，其特征在于：其步骤是：a、获得训练图像数据库的SIFT特征点X = { x₁,…x_n }；b、得到数据库图像SIFT特征 X的标签信息，这些标签信息由‘0’‘1’构成；c、为了使得所得到的二进制标签之间的汉明距离近似代替X在欧式空间中的欧式距离，在计算它们之间的二进制标签时，定义如下约束条件：归一化距离相似性以及量化误差；①数据点之间的归一化欧式距离D’= { d₁₁’,…d_nn’ }, d_ij’表示数据点x_i与x_j之间的归一化的欧式距离；归一化过程如下式所示，每一个欧式距离d_ij均减去本集合中的最小值，再与本集合中最大值与最小值之间的距离差值作比，得到的比值，即为归一化距离值；②相应的，得到汉明距离集合中每一个汉明距离所对应的归一化的汉明距离，其汉明距离集合表示为： DH’ = {dh₁₁’,…dh_nn’}；③归一化距离相似性要求NS具有最小值；NS定义如下式所示：；④得到一些具有代表性的点，这些点自身拥有二进制标签，这些点被称为编码中心点C = {c₁,…c_t}；每一个数据点x_i被编码为与它距离最近的编码中心点相同的二进制编码；为了保证在欧式空间内距离较近的点能被编码为相同的二进制标签，这一过程要求MD的值最小；c(x_i)是与x_i具有相同二进制编码的编码中心；；d、使用迭代梯度下降法，寻找使得NS+MD值最小的数据点的二进制标签；①初始化时，随机从X中选取2^m个点作为初始的编码中心点，并任意赋值互不相同的m位二进制标签，其中m为最终得到的二进制标签的编码位数；②每一个编码中心点的位置由与它具有相同二进制标签的数据点决定的；根据梯度下降法，找到下一个最优的编码中心点，使得NS+MD值最小；③重新计算每一个数据点与每一个编码中心之间的距离；将与这些数据点距离最近的编码中心点的二进制标签赋值给这些数据点；④重复执行步骤②和③共一百次或直至收敛，此时得到编码中心点以及其所对应的二进制标签认为是最优的；e、得到弱哈希函数；用于映射得到j位二进制编码值的映射平面，是由只有第j位不同其余位均相同的二进制编码的数据点分布特性决定的；①根据该特性，在计算二进制编码第j位所对应的映射平面时，所有的数据点可被分成2^m/2组；每一组内所包含的数据除了第j位不同外，其余位均相同；②每一组数据内含有两个编码中心点，选择可垂直平分这两个编码中心点连线的平面，作为映射平面；③根据①和②，可求得对应于第j位的映射平面为：{ h_j¹,…,h_j^t } t=2^m/2；f、组合弱哈希函数，得到强哈希函数；①初始化所有点的权重为w_1,1,i=1/n，n是数据点的数量；②计算弱哈希函数系数时，首先归一化所有点的权重：；③计算所有弱哈希函数的误差率ε_j^k；④计算对应于弱哈希函数h_j^k的系数∂_j^k；⑤根据当前弱哈希函数对数据点的分类结果，更新数据点的权重值；⑥重复步骤③到步骤⑤，得到所有弱哈希函数以及其对应的系数值，将其组合起来，得到对应于第j位的强哈希函数；⑦重复步骤②到⑥得到对应其他位的强哈希函数；g、由步骤f得到的哈希函数，将{y₁,…y_p}编码为二进制编码{B₁,…B_p}对于数据点y_i所对应的二进制编码B_i={b_i1,…,b_im}可由哈希函数{H₁,…H_m}一一对应求得：。