CN106844726A - 一种基于词汇树检索与暴力匹配的图像识别方法 - Google Patents

一种基于词汇树检索与暴力匹配的图像识别方法 Download PDF

Info

Publication number
CN106844726A
CN106844726A CN201710073113.8A CN201710073113A CN106844726A CN 106844726 A CN106844726 A CN 106844726A CN 201710073113 A CN201710073113 A CN 201710073113A CN 106844726 A CN106844726 A CN 106844726A
Authority
CN
China
Prior art keywords
image
orb
description
tree
violence
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.)
Granted
Application number
CN201710073113.8A
Other languages
English (en)
Other versions
CN106844726B (zh
Inventor
施茂燊
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.)
Chengdu Mizhi Technology Co ltd
Original Assignee
Qianhai Shenzhen Da Cheng Technology Co Ltd
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 Qianhai Shenzhen Da Cheng Technology Co Ltd filed Critical Qianhai Shenzhen Da Cheng Technology Co Ltd
Priority to CN201710073113.8A priority Critical patent/CN106844726B/zh
Publication of CN106844726A publication Critical patent/CN106844726A/zh
Application granted granted Critical
Publication of CN106844726B publication Critical patent/CN106844726B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

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

Abstract

本发明公开了一种基于词汇树检索与暴力匹配的图像识别方法，包括以下步骤，图像获取步骤：获取图像，并对该图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成该图像的ORB描述子序列；图像上传步骤：将该ORB描述子序列上传到云端图像数据库中；图像识别步骤：云端图像数据库利用检索词汇树的检索算法对图像进行匹配识别并返回匹配得分靠前的N张候选图像；暴力匹配步骤：在云端图像数据库中找到候选图像，并对候选图像和图像的ORB描述子序列做一对一的暴力匹配以确定最佳匹配图像。其通过对图像描述子的提取实现检索匹配，网络较差对识别的速度影响小，且在词汇树结构大小有限的情况下检索精度高。

Description

一种基于词汇树检索与暴力匹配的图像识别方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种基于词汇树检索与暴力匹配的图像识别方法。
背景技术
实时图像搜索是一种可以支持用户自定义的，超大规模的图像数据库的实时图像识别技术。它可以实现对移动端设备的图像输入内容进行实时的识别。整个识别过程是在云端进行的，这样可以使用户无需将庞大的图像数据库下载到本地，并且也可以充分地利用云端计算资源对数据库进行高速的检索。
然而，目前基于云端的实时图像识别技术其通过上传本地图片到服务器，服务器将带识别的图片与存储的图片逐一进行比较，其存在以下缺陷：在无线网络较差的情况下，用户实时上传图像的速度会受到很大影响。
发明内容
本发明为了解决上述技术问题提供一种基于词汇树检索与暴力匹配的图像识别方法。
本发明通过下述技术方案实现：
一种基于词汇树检索与暴力匹配的图像识别方法，包括以下步骤，
图像获取步骤：获取目标图像，并对目标图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成该目标图像的ORB描述子序列；
图像上传步骤：将该ORB描述子序列上传到基于描述子样本的云端图像数据库中；
图像识别步骤：云端图像数据库利用检索词汇树的检索算法对图像进行匹配识别并返回匹配度靠前的N张候选图像，其中N为大于1的自然数；
暴力匹配步骤：在云端图像数据库中找到候选图像，并利用字符串匹配算法对候选图像和目标图像的ORB描述子序列做一对一的暴力匹配以确定最佳匹配图像。
本发明通过提取目标图像的ORB特征点以生成ORB描述子序列，并将ORB描述子序列上传至基于描述子样本的云端图像数据库中进行检索匹配，相比于上传目标图像的方式，描述子的数据量小，减小对网络的要求，即网络较差对识别的速度影响小。在词汇树检索完成之后利用字符串匹配算法识别最佳匹配图像，保证了快速检索的同时极大提高检索的精度。
所述云端图像数据库的生成方法包括以下步骤：
描述子生成步骤：收集图像，提取每张图像的ORB特征点，并对每个ORB特征点生成相应的描述子以得到描述子样本；
树状模型生成步骤：根据描述子样本生成图像数据库的树状模型；
数据库生成步骤：向树状模型中添加图像，建立树状结构的图像数据库。
现有的图像匹配是图像和图像之间的匹配，检索的时间的增加随着图像的增加线性增长。一个特征描述子到数据库里匹配所有特征描述子，数据库里的描述子越多，匹配的时间就越长，因为暴力匹配是一一匹配，最后寻找距离最短的匹配组。在保证一定准确度的前提下，其检索速度和广度存在矛盾，这两点都与云端图像数据库的大小密切相关。而采用上述方法，由于数据库中的描述子已经进行树状分类，在进行匹配的时候，待匹配的描述子会寻找与其最相似的分支，而不需要遍历真个数据库，即树状检索结构可以让待匹配的特征描述子不用一一匹配所有的描述子，检索时间主要跟经过的节点数有关系，数据库中的描述子多不代表检索经过的节点数越多。所以检索时间不是按数据库的大小线性增加，而是对数增长，解决检索广度与速度之间的矛盾。而对于新加入图像描述子会加入相应的分支，而不是单纯的增加，因此在广度上也能很好的解决大数据库的检索情况。
所述描述子生成步骤具体为：收集图像，分别对每张图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子。
所述树状模型生成步骤为：利用描述子之间的欧式距离作为判据，对描述子样本用K-means算法做聚合分类，生成图像数据库的树状模型。
所述树状模型生成步骤具体为：
A1、定义一个树状结构，其最大层数为L，每层最大子节点数为K；
A2、对描述子样本用K-means算法做聚合分类，得到子节点分类结果，将每个子节点内所有描述子的平均描述子作为该子节点的描述子；
A3、若该子节点内描述子样本的数量大于K的两倍，则对该子节点内的描述子样本作进一步的K-means分类，重复该步骤，直至树状结构的最大层数小于等于L或者没有子节点的描述子样本数量大于K的两倍；
A4、对所有的子节点依次排序标号，生成图像数据库的树状模型。
所述数据库生成步骤为：
B1、给图像一个唯一的编号；
B2、对该图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子；
B3、将该图像的所有描述子利用树状模型进行分类，并将每个描述子的分类结果关联在其分配到的子节点上；
B4、对每一张图像做B1至B3的步骤，得到具有树状结构的图像数据库。
作为优选，所述最佳匹配图像为暴力匹配中描述子序列的字符串匹配度最高的那张。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明得图像数据库基于描述子样本构建，在识别目标图像时，通过对目标图像描述子的提取实现检索匹配，相比于图像，描述子的数据量小，网络较差对识别的速度影响小。
2、本发明在词汇树检索完成之后利用字符串匹配算法识别最佳匹配图像，保证了快速检索的同时极大提高检索的精度。
3、本发明的方法基于树状检索结构，其可让待匹配的特征描述子不用一一匹配所有的描述子，检索时间主要跟经过的节点数有关系，随着图片数量的增加，其检索时间不是按数据库的大小线性增加，而是对数增长，大大提高检索速度。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
本实施例公开一种基于描述子样本的云端图像数据库的生成方法，包括以下步骤：
描述子生成步骤：收集图像，提取每张图像的ORB特征点，并对每个ORB特征点生成相应的描述子以得到描述子样本；
树状模型生成步骤：根据描述子样本生成图像数据库的树状模型；
数据库生成步骤：向树状模型中添加图像，建立树状结构的图像数据库。
具体的：
在描述子生成步骤中，收集的图像数量要多且来自各种场景，一般需要几万张，其存放在一个文件夹内，常用的图像格式均可，譬如JPG、JPEG、JPE、JFIF、BMP；分别对每张图像进行一定的缩放比例以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子。对收集到的每个图像均做该步骤的处理，ORB特征点的描述子是一个128位的二进制序列。
在树状模型生成步骤中，利用描述子之间的欧式距离作为判据，对描述子样本用K-means算法做聚合分类，生成图像数据库的树状模型。树状模型生成后一般不做改动。较为详细的，可采用下述步骤方法：
A1、定义一个树状结构，其最大层数为L，每层最大子节点数为K；
A2、对描述子样本用K-means算法做聚合分类，得到子节点分类结果，将每个子节点内所有描述子的平均描述子作为该子节点的描述子；
A3、若该子节点内描述子样本的数量大于K的两倍，则对该子节点内的描述子样本作进一步的K-means分类，重复该步骤，直至树状结构的最大层数小于等于L或者没有子节点的描述子样本数量大于K的两倍；
A4、在所有的K-means分类结束后，对所有的子节点从左到右依次排序标号，生成图像数据库的树状模型。
向树状模型中添加所有需要的图像数据以形成图像数据库，将需要添加到树状模型中的图像存放在同一文件夹里，具体的可采用下述步骤：
B1、向树状模型中添加一张图像的时，给该图像一个唯一的编号；
B2、对该图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，这样就获得了可以代表这张图像特征的一个ORB描述子序列；
B3、将该图像的所有描述子利用树状模型进行分类，并将每个描述子的分类结果关联在其分配到的子节点上；分类完成后，树状模型的每一个子节点上就会记录该编号的图像所具有的描述子在各节点分别出现了几次，而该编号图像也会存储其描述子在那些序号的子节点上分别出现了多少次；
B4、对每一张图像做B1至B3的步骤，得到具有树状结构的图像数据库。使用者可根据自身的需求，随时任意的向数据库中增加或删除图像。
按上述步骤方法生成了云端图像数据库，用户需要对图像进行识别时，可采用下列方法。
实施例2
一种基于词汇树检索与暴力匹配的图像识别方法，包括以下步骤，
图像获取步骤：获取目标图像，并对目标图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成该目标图像的ORB描述子序列；
图像上传步骤：将该ORB描述子序列上传到基于描述子样本的云端图像数据库中；
图像识别步骤：云端图像数据库利用检索词汇树的检索算法对图像进行匹配识别并返回匹配度靠前的N张候选图像，其中N为大于1的自然数；譬如N为10；
暴力匹配步骤：在云端图像数据库中找到候选图像，并利用字符串匹配算法对候选图像和目标图像的ORB描述子序列做一对一的暴力匹配以确定最佳匹配图像，并返回结果。
在词汇树检索完成之后加入极小规模的暴力匹配，以保证检索的精度。
具体的，用户在使用实时图像识别系统时，用户的移动端设备每采集到一帧目标图像，会先对采集到的目标图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成该目标图像的ORB描述子序列，并将此序列发送到云端。与采集到的目标图像相比，ORB描述子序列的数据量会小非常多。
云端收到ORB描述子序列后，即开始利用检索词汇树的检索算法，在已生成的树形图像数据库中寻找该图像匹配得分靠前的N张候选图像，譬如10张。每一次检索，可以生成一个可自定义长度的按照匹配得分高低排列匹配结果编号序列，即利用词汇树图像数据库检索快捷的特性，迅速地找出与目标图像类似的若干张候选图像。
根据候选图像编号，从图像数据库中找到这些图像，并将这N张图像与目标图像的描述子序列做一对一的暴力匹配，通过暴力匹配的得分来最终确定那一张图像才是最佳匹配，最佳匹配图像即为暴力匹配中描述子序列的字符串匹配度最高的那张。用暴力匹配可以弥补在词汇树结构大小有限的情况下检索精度的不足，并且，由于已经通过检索词汇树将最佳匹配可能存在的范围缩小到若干张候选图像中，所以对剩余的最佳匹配候选图像进行暴力匹配将是十分迅速的。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，包括以下步骤，图像获取步骤：获取目标图像，并对该目标图像使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子，生成该目标图像的ORB描述子序列；图像上传步骤：将该ORB描述子序列上传到基于描述子样本的云端图像数据库中；图像识别步骤：云端图像数据库利用检索词汇树的检索算法对图像进行匹配识别并返回匹配度靠前的N张候选图像，其中N为大于1的自然数；
暴力匹配步骤：在云端图像数据库中找到候选图像，并利用字符串匹配算法对候选图像和目标图像的ORB描述子序列做一对一的暴力匹配以确定最佳匹配图像。
2.根据权利要求1所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，所述云端图像数据库的生成方法包括以下步骤：
描述子生成步骤：收集图像，提取每张图像的ORB特征点，并对每个ORB特征点生成相应的描述子以得到描述子样本；
树状模型生成步骤：根据描述子样本生成图像数据库的树状模型；
数据库生成步骤：向树状模型中添加图像，建立树状结构的图像数据库。
3.根据权利要求2所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，所述描述子生成步骤具体为：收集图像，分别对每张图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子。
4.根据权利要求2所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，利用描述子之间的欧式距离作为判据，对描述子样本用K-means算法做聚合分类，生成图像数据库的树状模型。
5.根据权利要求4所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，所述树状模型生成步骤具体为：
A1、定义一个树状结构，其最大层数为L，每层最大子节点数为K；
A2、对描述子样本用K-means算法做聚合分类，得到子节点分类结果，将每个子节点内所有描述子的平均描述子作为该子节点的描述子；
A3、若该子节点内描述子样本的数量大于K的两倍，则对该子节点内的描述子样本作进一步的K-means分类，重复该步骤，直至树状结构的最大层数小于等于L或者没有子节点的描述子样本数量大于K的两倍；
A4、对所有的子节点依次排序标号，生成图像数据库的树状模型。
6.根据权利要求2所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，所述数据库生成步骤为：
B1、给图像一个唯一的编号；
B2、对该图像进行缩放以建立一个图像金字塔，对图像的各个尺度使用ORB算法提取所有ORB特征点，并对每一个ORB特征点生成相应的描述子；
B3、将该图像的所有描述子利用树状模型进行分类，并将每个描述子的分类结果关联在其分配到的子节点上；
B4、对每一张图像做B1至B3的步骤，得到具有树状结构的图像数据库。
7.根据权利要求1所述的一种基于词汇树检索与暴力匹配的图像识别方法，其特征在于，所述最佳匹配图像为暴力匹配中描述子序列的字符串匹配度最高的那张。
CN201710073113.8A 2017-02-10 2017-02-10 一种基于词汇树检索与暴力匹配的图像识别方法 Active CN106844726B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710073113.8A CN106844726B (zh) 2017-02-10 2017-02-10 一种基于词汇树检索与暴力匹配的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710073113.8A CN106844726B (zh) 2017-02-10 2017-02-10 一种基于词汇树检索与暴力匹配的图像识别方法

Publications (2)

Publication Number Publication Date
CN106844726A true CN106844726A (zh) 2017-06-13
CN106844726B CN106844726B (zh) 2020-11-10

Family

ID=59122242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710073113.8A Active CN106844726B (zh) 2017-02-10 2017-02-10 一种基于词汇树检索与暴力匹配的图像识别方法

Country Status (1)

Country Link
CN (1) CN106844726B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166336A (zh) * 2018-10-19 2019-01-08 福建工程学院 一种基于区块链技术的实时路况信息采集推送方法
CN110458175A (zh) * 2019-07-08 2019-11-15 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
CN111125412A (zh) * 2019-12-25 2020-05-08 珠海迈科智能科技股份有限公司 一种基于特征的图像匹配方法及系统
CN112084365A (zh) * 2020-09-11 2020-12-15 上海幻维数码创意科技有限公司 基于OpenCV和CUDA加速的网络相机的实时图像检索方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253993A (zh) * 2011-07-08 2011-11-23 北京航空航天大学 一种基于词汇树的音频片段检索算法
CN102426019A (zh) * 2011-08-25 2012-04-25 航天恒星科技有限公司 一种无人机景象匹配辅助导航方法及系统
CN102831405A (zh) * 2012-08-16 2012-12-19 北京理工大学 基于分布式和暴力匹配的室外大规模物体识别方法和系统
CN103745240A (zh) * 2013-12-20 2014-04-23 许雪梅 一种基于Haar分类器和ORB特征的人脸检索方法及系统
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法
US8891908B2 (en) * 2012-11-14 2014-11-18 Nec Laboratories America, Inc. Semantic-aware co-indexing for near-duplicate image retrieval
CN104216974A (zh) * 2014-08-28 2014-12-17 西北工业大学 基于词汇树分块聚类的无人机航拍图像匹配的方法
CN104778284A (zh) * 2015-05-11 2015-07-15 苏州大学 一种空间图像查询方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253993A (zh) * 2011-07-08 2011-11-23 北京航空航天大学 一种基于词汇树的音频片段检索算法
CN102426019A (zh) * 2011-08-25 2012-04-25 航天恒星科技有限公司 一种无人机景象匹配辅助导航方法及系统
CN102831405A (zh) * 2012-08-16 2012-12-19 北京理工大学 基于分布式和暴力匹配的室外大规模物体识别方法和系统
US8891908B2 (en) * 2012-11-14 2014-11-18 Nec Laboratories America, Inc. Semantic-aware co-indexing for near-duplicate image retrieval
CN103745240A (zh) * 2013-12-20 2014-04-23 许雪梅 一种基于Haar分类器和ORB特征的人脸检索方法及系统
CN104008174A (zh) * 2014-06-04 2014-08-27 北京工业大学 一种海量图像检索的隐私保护索引生成方法
CN104216974A (zh) * 2014-08-28 2014-12-17 西北工业大学 基于词汇树分块聚类的无人机航拍图像匹配的方法
CN104778284A (zh) * 2015-05-11 2015-07-15 苏州大学 一种空间图像查询方法和系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吕强等: "移动云计算——移动增强现实技术和服务", 《中兴通讯技术》 *
张婷等: "基于ISODATA聚类的词汇树图像检索算法", 《计算机科学》 *
张月辉等: "基于词汇树层次语义模型的图像检索算法", 《微电子学与计算机》 *
陈晓宁: "一种基于词汇树结构的图像检索方法研究", 《电子世界》 *
陈赟等: "基于词汇树的图片搜索", 《计算机工程》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166336A (zh) * 2018-10-19 2019-01-08 福建工程学院 一种基于区块链技术的实时路况信息采集推送方法
CN109166336B (zh) * 2018-10-19 2020-08-07 福建工程学院 一种基于区块链技术的实时路况信息采集推送方法
CN110458175A (zh) * 2019-07-08 2019-11-15 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
CN111125412A (zh) * 2019-12-25 2020-05-08 珠海迈科智能科技股份有限公司 一种基于特征的图像匹配方法及系统
CN112084365A (zh) * 2020-09-11 2020-12-15 上海幻维数码创意科技有限公司 基于OpenCV和CUDA加速的网络相机的实时图像检索方法

Also Published As

Publication number Publication date
CN106844726B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN106874445A (zh) 基于词汇树检索与相似度验证的云端图像识别方法
Yu et al. Attention GANs: Unsupervised deep feature learning for aerial scene classification
CN109241317B (zh) 基于深度学习网络中度量损失的行人哈希检索方法
CN106844726A (zh) 一种基于词汇树检索与暴力匹配的图像识别方法
CN110263659B (zh) 一种基于三元组损失和轻量级网络的指静脉识别方法及系统
CN108197538A (zh) 一种基于局部特征和深度学习的卡口车辆检索系统及方法
CN106815362A (zh) 一种基于kpca多表索引图像哈希检索方法
CN104361348B (zh) 一种智能终端上的花卉识别方法
CN107169106A (zh) 视频检索方法、装置、存储介质及处理器
CN108319518A (zh) 基于循环神经网络的文件碎片分类方法及装置
CN107423309A (zh) 基于模糊哈希算法的海量互联网相似图片检测系统及方法
CN107229710A (zh) 一种基于局部特征描述符的视频分析方法
CN112434553A (zh) 一种基于深度字典学习的视频鉴别方法及系统
CN109800314A (zh) 一种利用深度卷积网络生成用于图像检索的哈希码的方法
CN105183746A (zh) 从多相关图片中挖掘显著特征实现图像检索的方法
CN113254634A (zh) 一种基于相空间的档案分类方法及系统
CN106570166A (zh) 一种基于多个局部敏感哈希表的视频检索方法及装置
CN104156362B (zh) 一种大规模图像特征点匹配方法
CN108764258B (zh) 一种用于群体图像插入的最优图像集选取方法
CN104778272B (zh) 一种基于区域挖掘和空间编码的图像位置估计方法
CN109918529A (zh) 一种基于树形聚类矢量量化的图像检索方法
CN107133348B (zh) 大规模图片集中基于语义一致性的近似搜索方法
CN110110120A (zh) 一种基于深度学习的图像检索方法和装置
CN106844725A (zh) 一种云端图像数据库生成及识别方法
CN104391987B (zh) 基于移动平台下大规模目标识别的方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen Qianhai Rui Fu Technology Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: SHENZHEN DARSEEK TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180801

Address after: 610000 12, A District, 4 building 200, Tianfu five street, hi tech Zone, Chengdu, Sichuan.

Applicant after: Chengdu Mizhi Technology Co.,Ltd.

Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant before: Shenzhen Qianhai Rui Fu Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant