CN106776856B - 一种融合颜色特征与词汇树的车辆图像检索方法 - Google Patents

一种融合颜色特征与词汇树的车辆图像检索方法 Download PDF

Info

Publication number
CN106776856B
CN106776856B CN201611069889.4A CN201611069889A CN106776856B CN 106776856 B CN106776856 B CN 106776856B CN 201611069889 A CN201611069889 A CN 201611069889A CN 106776856 B CN106776856 B CN 106776856B
Authority
CN
China
Prior art keywords
image
color
feature
features
visual word
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611069889.4A
Other languages
English (en)
Other versions
CN106776856A (zh
Inventor
陈莹
郭佳宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Hongyue Information Technology Co ltd
Shenzhen Jilong Technology Co ltd
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN201611069889.4A priority Critical patent/CN106776856B/zh
Publication of CN106776856A publication Critical patent/CN106776856A/zh
Application granted granted Critical
Publication of CN106776856B publication Critical patent/CN106776856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种融合颜色特征与词汇树的车辆图像检索方法，首先提取训练图像的车辆部分，然后对车辆部分提取局部特征，利用分层k‑means方法将特征量化为视觉单词词汇树，然后将测试图像提取车身部分局部特征，再将该特征分配到对应的视觉单词，并采用感知哈希的原理，将视觉单词分别映射为哈希码，得到图像的哈希码序列，然后提取车身图像的颜色特征，量化并统一为一个特征度，按照颜色差异由小到大排序，根据排序结果建立颜色特征权重，计算图像哈希码序列之间汉明距离，将颜色特征权重作为汉明距离的加权系数，计算图像的最终相似度，该方法有效节约车辆图像检索时间，提高车辆图像的检索准确率，可满足实际应用要求。

Description

一种融合颜色特征与词汇树的车辆图像检索方法
技术领域
本发明涉及一种融合颜色特征与词汇树的车辆图像检索方法，属于图像处理与分析在智能交通系统上的应用。
背景技术
车辆图像检索是智能交通系统的重要组成部分，是公安系统破获车辆被盗等相关案件的重要手段。所以面对城市交通中的海量卡口高清图像，车辆图像检索的准确性和高效性对及时破案极为关键。基于词袋模型的图像检索机制是近几年来图像检索领域的主流方法,该方法将大量训练图像特征(通常是SIFT特征)通过k-means聚类映射为视觉单词的集合,构成视觉单词词典。然后将测试图像的特征逐个匹配量化到视觉单词词典中,得到了图像的视觉单词直方图。由于将大量特征量化到视觉单词这个过程时间耗损过大,为此,Nistér等人提出了利用分层k-means聚类的方法生成视觉单词词汇树,有效解决了搜索非层次化单词带来的量化过程太慢的问题,生成的视觉单词由TF-IDF模型(词频-逆文档频率)加权。由于视觉词汇树模型采用的SIFT特征只采用了灰度信息，而忽略了图像的全局颜色特征，因此，本发明将车辆图像的颜色信息作为图像全局权值融入到视觉单词匹配模型中去，从而提高车辆图像的检索精度，同时本发明引入感知哈希算法原理，能有效节约大规模车辆图像检索时间。
发明内容
本发明所要解决的技术问题是提供一种融合颜色特征与词汇树的车辆图像检索方法，本发明检索时间缩短，并在一定程度上提高检索精度，能够满足现实使用中对准确性和实时性的要求。
为解决上述技术问题，本发明所采用的技术方案是：一种融合颜色特征与词汇树的车辆图像检索方法，其特征在于，包括以下部分：
S01、词汇树的创建：对训练图像库中的每幅图像先提取车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征,这样就得到了一个特征集合F＝{f(i)}。然后对特征集合F进行分层k-means聚类。初始时,在词汇树的第一层上对特征集合F进行第一次k-means聚类,计算出每个聚类的中心向量Ci。类似的,对新产生的每个聚类再用k-means聚类聚成k个簇集,不断地重复上述操作直到树的深度达到预先设定的L值,每个簇集定义为一个视觉单词,得到视觉单词词汇树；
S02、用权值向量来表示图像：提取测试图像库中图像的车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征，分别将每个SIFT特征分配给词汇树中最为接近的视觉单词，然后依据每幅图像中视觉单词出现的次数以及视觉单词与图像的相关程度来计算图像的视觉单词权值；
S03、颜色特征权重的计算：提取图像车身部分HSV颜色空间模型，采用均匀分段的方法对特征进行量化，再将特征向量统一到一个特征度中，计算查询图像与待检索图像之间的特征度欧式距离排序并标号，根据颜色标号建立颜色特征权重；
S04、感知哈希进制数的选择：为提高大规模图像的检索效率，本发明采用感知哈希算法原理，将视觉单词分别量化给不同的哈希码，在综合考虑本发明的量化时间与检索正确率之后，本发明的进制数选取为4；
S05、图像相似度计算：通过汉明距离计算图像哈希序列的感知距离，再将颜色特征权重作为汉明距离的加权系数得到最终查询图像与待检索图像的相似度sim(q,d)＝CqdHqd，将最为相似图像输出。
作为本发明的进一步说明，所述步骤S02具体为：
(1)对测试库中每一幅图像首先提取车身部分，对车身部分提取SIFT特征，这样就得到了一个特征集合F＝{f(i)}以及相应的图像ID集合imgID＝{id(i)}；
(2)根据距离最近原则将SIFT特征分配给词汇树中最邻近的视觉单词，这样每幅图像的SIFT特征就转化成了视觉单词；
(3)wi,j则表示图像dj中视觉单词Fi的权值,即视觉单词Fi与图像dj的相关程度。权值是按照TF-IDF的原理定义的,mi,j表示视觉单词Fi在图像dj中出现的次数,它可以用来衡量视觉单词用来描述图像的好坏程度。N表示图像库中图像的总数,ni表示包含视觉单词Fi的图像数目。逆文献频率定义为idfi＝lg(N/ni),它表示的含义是视觉单词对于区分相似图像和不相似图像的作用大小。所以,wi,j可以表示为
Figure BDA0001165001080000021
(4)图像dj可以用视觉单词的权值向量来表示为dj＝[w1,j,w2,j,L,wt,j]，测试图像库中的所有图像可以用矩阵表示为
Figure BDA0001165001080000022
作为本发明的进一步改进，所述步骤S03具体为：
(1)对图像直接提取HSV空间颜色特征向量，为了降低计算复杂程度，采用均匀分段的方法对颜色特征进行量化，为了降低计算复杂程度，采用均匀分段的方法对颜色特征进行量化，在根据公式L＝HQSQV+SQV+V将特征向量统一到一个特征度中，其中QS、QV分别表示饱和度和亮度分量的量化级数；
(2)计算查询图像与待检索图像之间的特征度欧式距离，根据欧式距离由小到大进行排序并标号，颜色最相似的标号为1，第二相似标号为2，以此类推；
(3)根据颜色的标号建立颜色特征权重，查询图像q和图像d的颜色特征权重计算公式为
Figure BDA0001165001080000031
其中Rqd表示在查询图像为q时，图像d的标号。
作为本发明的进一步说明，所述步骤S04具体为：
(1)鉴于本发明的进制数为4，计算同一视觉单词在各个图像中权值的和，平均将它分为四段，每一段表示一个哈希码，得到四个哈希码区间；
(2)将每个视觉单词与其对应的视觉单词的哈希码区间进行比较，分别将各个视觉单词映射给哈希码，得到图像的哈希码序列。
本发明的有益效果是，将图像的颜色特征作为全局权值加入到视觉单词的权值匹配中去，将全局特征与局部特征综合考虑，并引入感知哈希算法原理，在有效节约检索时间的基础上，也一定程度提高了车辆图像检索的准确率。
附图说明
图1为本发明所提供的一种融合颜色特征与词汇树的车辆图像检索方法流程图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。
针对当前基于词袋模型以及词汇树的车辆图像检索方法采用的SIFT特征只基于灰度信息，忽略了图像的颜色信息，本发明提出了一种融合颜色特征与词汇树的车辆图像检索方法，下面进行详细说明：
在本实施方式中，一种融合颜色特征与词汇树的车辆检索方法，其包括以下部分：
S01、词汇树的创建：对训练图像库中的每幅图像先提取车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征,这样就得到了一个特征集合F＝{f(i)}。然后对特征集合F进行分层k-means聚类。初始时,在词汇树的第一层上对特征集合F进行第一次k-means聚类,计算出每个聚类的中心向量Ci。类似的,对新产生的每个聚类再用k-means聚类聚成k个簇集,不断地重复上述操作直到树的深度达到预先设定的L值,每个簇集定义为一个视觉单词,得到视觉单词词汇树；
S02、用权值向量来表示图像：提取测试图像库中图像的车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征，分别将每个SIFT特征分配给词汇树中最为接近的视觉单词，然后依据每幅图像中视觉单词出现的次数以及视觉单词与图像的相关程度来计算图像的视觉单词权值；
所述步骤S02具体为：
(1)对测试库中每一幅图像首先提取车身部分，对车身部分提取SIFT特征，这样就得到了一个特征集合F＝{f(i)}以及相应的图像ID集合imgID＝{id(i)}；
(2)根据距离最近原则将SIFT特征分配给词汇树中最邻近的视觉单词，这样每幅图像的SIFT特征就转化成了视觉单词；
(3)wi,j则表示图像dj中视觉单词Fi的权值,即视觉单词Fi与图像dj的相关程度。权值是按照TF-IDF的原理定义的,mi,j表示视觉单词Fi在图像dj中出现的次数,它可以用来衡量视觉单词用来描述图像的好坏程度。N表示图像库中图像的总数,ni表示包含视觉单词Fi的图像数目。逆文献频率定义为idfi＝lg(N/ni),它表示的含义是视觉单词对于区分相似图像和不相似图像的作用大小。所以,wi,j可以表示为
Figure BDA0001165001080000041
(4)图像dj可以用视觉单词的权值向量来表示为dj＝[w1,j,w2,j,L,wt,j]，测试图像库中的所有图像可以用矩阵表示为
Figure BDA0001165001080000042
S03、颜色特征权重的计算：提取图像车身部分HSV颜色空间模型，采用均匀分段的方法对特征进行量化，再将特征向量统一到一个特征度中，计算查询图像与待检索图像之间的特征度欧式距离排序并标号，根据颜色标号建立颜色特征权重；
所述步骤S03具体为：
(1)对图像直接提取HSV空间颜色特征向量，为了降低计算复杂程度，采用均匀分段的方法对颜色特征进行量化，为了降低计算复杂程度，采用均匀分段的方法对颜色特征进行量化，在根据公式L＝HQSQV+SQV+V将特征向量统一到一个特征度中，其中QS、QV分别表示饱和度和亮度分量的量化级数；
(2)计算查询图像与待检索图像之间的特征度欧式距离，根据欧式距离由小到大进行排序并标号，颜色最相似的标号为1，第二相似标号为2，以此类推；
(3)根据颜色的标号建立颜色特征权重，查询图像q和图像d的颜色特征权重计算公式为
Figure BDA0001165001080000051
其中Rqd表示在查询图像为q时，图像d的标号。
S04、感知哈希进制数的选择：为提高大规模图像的检索效率，本发明采用感知哈希算法原理，将视觉单词分别量化给不同的哈希码，在综合考虑本发明的量化时间与检索正确率之后，本发明的进制数选取为4；
所述步骤S04具体为：
(1)鉴于本发明的进制数为4，计算同一视觉单词在各个图像中权值的和，平均将它分为四段，每一段表示一个哈希码，得到四个哈希码区间；
(2)将每个视觉单词与其对应的视觉单词的哈希码区间进行比较，分别将各个视觉单词映射给哈希码，得到图像的哈希码序列。
S05、图像相似度计算：通过汉明距离计算图像哈希序列的感知距离，再将颜色特征权重作为汉明距离的加权系数得到最终查询图像与待检索图像的相似度sim(q,d)＝CqdHqd，将最为相似图像输出。
以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种融合颜色特征与词汇树的车辆图像检索方法，其特征在于，包括以下步骤：
S01、词汇树的创建：对训练图像库中的每幅图像先提取车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征，这样就得到了一个特征集合F＝{f(i)}，然后对特征集合F进行分层k-means聚类，初始时，在词汇树的第一层上对特征集合F进行第一次k-means聚类，计算出每个聚类的中心向量Ci，类似的，对新产生的每个聚类再用k-means聚类聚成k个簇集，不断地重复上述操作直到树的深度达到预先设定的L值，每个簇集定义为一个视觉单词，得到视觉单词词汇树；
S02、用权值向量来表示图像：提取测试图像库中图像的车身部分，对于剔除掉背景部分的车辆图像提取SIFT特征，分别将每个SIFT特征分配给词汇树中最为接近的视觉单词，然后依据每幅图像中视觉单词出现的次数以及视觉单词与图像的相关程度来计算图像的视觉单词权值；
S03、颜色特征权重的计算：提取图像车身部分HSV颜色空间模型，采用均匀分段的方法对特征进行量化，再将特征向量统一到一个特征度中，计算查询图像与待检索图像之间的特征度欧式距离排序并标号，根据颜色标号建立颜色特征权重；
S04、感知哈希进制数的选择：为提高大规模图像的检索效率，采用感知哈希算法原理，将视觉单词分别量化给不同的哈希码，在综合考虑量化时间与检索正确率之后，进制数选取为4；
S05、图像相似度计算：通过汉明距离计算图像哈希序列的感知距离，再将颜色特征权重作为汉明距离的加权系数得到最终查询图像与待检索图像的相似度sim(q,d)＝CqdHqd，将最为相似图像输出，其中Cqd表示图像q和图像d的颜色特征权重，Hqd表示图像q和图像d的汉明距离。
2.根据权利要求1所述的融合颜色特征与词汇树的车辆图像检索方法，所述步骤S02包括：
(1)对测试库中每一幅图像首先提取车身部分，对车身部分提取SIFT特征，这样就得到了一个特征集合F＝{f(i)}以及相应的图像ID集合imgID＝{id(i)}；
(2)根据距离最近原则将SIFT特征分配给词汇树中最邻近的视觉单词，这样每幅图像的SIFT特征就转化成了视觉单词；
(3)wi,j则表示图像dj中视觉单词Fi的权值，即视觉单词Fi与图像dj的相关程度，权值是按照TF-IDF的原理定义的，mi,j表示视觉单词Fi在图像dj中出现的次数，它用来衡量视觉单词用来描述图像的好坏程度，N表示图像库中图像的总数，ni表示包含视觉单词Fi的图像数目，逆文献频率定义为idfi＝lg(N/ni)，它表示的含义是视觉单词对于区分相似图像和不相似图像的作用大小，所以，wi,j表示为
Figure FDA0002380877690000021
(4)图像dj用视觉单词的权值向量来表示为dj＝[w1,j,w2,j,…,wt,j]，测试图像库中的所有图像用矩阵表示为
Figure FDA0002380877690000022
3.根据权利要求1所述的融合颜色特征与词汇树的车辆图像检索方法，所述步骤S03包括：
(1)对图像直接提取HSV空间颜色特征向量，为了降低计算复杂程度，采用均匀分段的方法对颜色特征进行量化，在根据公式L＝HQSQV+SQV+V将特征向量统一到一个特征度中，其中QS、QV分别表示饱和度和亮度分量的量化级数；
(2)计算查询图像与待检索图像之间的特征度欧式距离，根据欧式距离由小到大进行排序并标号，颜色最相似的标号为1，第二相似标号为2，以此类推；
(3)根据颜色的标号建立颜色特征权重，查询图像q和图像d的颜色特征权重计算公式为
Figure FDA0002380877690000023
其中Rqd表示在查询图像为q时，图像d的标号。
4.根据权利要求1所述的融合颜色特征与词汇树的车辆图像检索方法，所述步骤S04包括：
(1)鉴于进制数为4，计算同一视觉单词在各个图像中权值的和，平均将它分为四段，每一段表示一个哈希码，得到四个哈希码区间；
(2)将每个视觉单词与其对应的视觉单词的哈希码区间进行比较，分别将各个视觉单词映射给哈希码，得到图像的哈希码序列。
CN201611069889.4A 2016-11-29 2016-11-29 一种融合颜色特征与词汇树的车辆图像检索方法 Active CN106776856B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611069889.4A CN106776856B (zh) 2016-11-29 2016-11-29 一种融合颜色特征与词汇树的车辆图像检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611069889.4A CN106776856B (zh) 2016-11-29 2016-11-29 一种融合颜色特征与词汇树的车辆图像检索方法

Publications (2)

Publication Number Publication Date
CN106776856A CN106776856A (zh) 2017-05-31
CN106776856B true CN106776856B (zh) 2020-07-03

Family

ID=58905345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611069889.4A Active CN106776856B (zh) 2016-11-29 2016-11-29 一种融合颜色特征与词汇树的车辆图像检索方法

Country Status (1)

Country Link
CN (1) CN106776856B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729379B (zh) * 2017-09-15 2021-01-12 中原智慧城市设计研究院有限公司 基于深度学习算法的特定车辆检索方法
CN108108657B (zh) * 2017-11-16 2020-10-30 浙江工业大学 基于多任务深度学习的修正局部敏感哈希车辆检索方法
CN109634953B (zh) * 2018-11-07 2021-08-17 宁波大学 一种面向高维大数据集的加权量化哈希检索方法
CN110458175B (zh) * 2019-07-08 2023-04-07 中国地质大学（武汉） 一种基于词汇树检索的无人机影像匹配对选择方法及系统
CN110490789B (zh) * 2019-07-15 2023-03-28 上海电力学院 一种基于颜色与结构特征的图像摘要获取方法
CN112784632B (zh) * 2019-11-06 2023-05-30 济南信通达电气科技有限公司 一种输电线路安全隐患检测方法及装置
CN110968721A (zh) * 2019-11-28 2020-04-07 上海冠勇信息科技有限公司 一种海量图像侵权检索方法、系统及其计算机可读存储介质
CN110969202B (zh) * 2019-11-28 2023-12-19 上海观安信息技术股份有限公司 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统
CN112232428B (zh) * 2020-10-23 2021-11-16 上海电力大学 一种基于三维特征和能量变化特征的图像哈希获取方法
CN113626629B (zh) * 2021-08-17 2023-09-29 北京计算机技术及应用研究所 一种利用尺度不变特征计算图像哈希值的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020111A (zh) * 2012-10-29 2013-04-03 苏州大学 基于词汇树层次语义模型的图像检索方法
CN104199922A (zh) * 2014-09-01 2014-12-10 中国科学院自动化研究所 一种基于局部相似哈希算法的大规模图像库检索方法
CN106021251A (zh) * 2015-09-16 2016-10-12 展视网（北京）科技有限公司 一种基于背景知识的层次语义模型图像检索方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8891908B2 (en) * 2012-11-14 2014-11-18 Nec Laboratories America, Inc. Semantic-aware co-indexing for near-duplicate image retrieval

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020111A (zh) * 2012-10-29 2013-04-03 苏州大学 基于词汇树层次语义模型的图像检索方法
CN104199922A (zh) * 2014-09-01 2014-12-10 中国科学院自动化研究所 一种基于局部相似哈希算法的大规模图像库检索方法
CN106021251A (zh) * 2015-09-16 2016-10-12 展视网（北京）科技有限公司 一种基于背景知识的层次语义模型图像检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于颜色特征的图像检索技术";王娟等;《计算机系统应用》;20110715;第20卷(第7期);第161页第3节，第162页第3节 *

Also Published As

Publication number Publication date
CN106776856A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106776856B (zh) 一种融合颜色特征与词汇树的车辆图像检索方法
US10102443B1 (en) Hierarchical conditional random field model for labeling and segmenting images
Niu et al. Context aware topic model for scene recognition
Zheng et al. Coupled binary embedding for large-scale image retrieval
US8150854B2 (en) Image search apparatus and image search method
CN107273458B (zh) 深度模型训练方法及装置、图像检索方法及装置
JP5565190B2 (ja) 学習モデル作成プログラム、画像識別情報付与プログラム、学習モデル作成装置及び画像識別情報付与装置
CN102693299A (zh) 一种并行视频拷贝检测系统和方法
CN103839074A (zh) 一种基于素描线段信息和空间金字塔匹配的图像分类方法
CN107045520B (zh) 一种基于位置信息加权词汇树的车辆图像检索方法
CN103177105A (zh) 一种图像检索方法及装置
CN109857892B (zh) 基于类标传递的半监督跨模态哈希检索方法
CN114842507A (zh) 一种基于组优化奖励的强化行人属性识别方法
CN107527058A (zh) 一种基于加权局部特征聚合描述符的图像检索方法
Lin et al. LLC encoded BoW features and softmax regression for microscopic image classification
CN113157739B (zh) 跨模态检索方法、装置、电子设备及存储介质
CN104166855B (zh) 视觉语音识别方法
CN104166837B (zh) 采用最相关的兴趣点的各组的选择的视觉语音识别方法
CN113255828B (zh) 特征检索方法、装置、设备及计算机存储介质
Husain et al. Robust and scalable aggregation of local features for ultra large-scale retrieval
Hao et al. Improved bags-of-words algorithm for scene recognition
JP2014146207A (ja) コンテンツをバイナリ特徴ベクトルの集合で表現することによって高速に検索する検索装置、プログラム及び方法
CN103530656B (zh) 基于隐结构学习的图像摘要生成方法
KR101559457B1 (ko) 시각 단어 기반 이미지 검색을 위한 클래스별 가중치 학습 방법 및 장치
Zhang et al. A probabilistic analysis of sparse coded feature pooling and its application for image retrieval

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240606

Address after: 518000, 3rd Floor, Building 23, Science Park West, No.1 Kezhi West Road, Science Park Community, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province, China 355

Patentee after: Shenzhen Jilong Technology Co.,Ltd.

Country or region after: China

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Hongyue Information Technology Co.,Ltd.

Country or region before: China

Effective date of registration: 20240606

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Information Technology Co.,Ltd.

Country or region after: China

Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province

Patentee before: Jiangnan University

Country or region before: China