CN110019874A - 索引文件的生成方法、装置及系统 - Google Patents
索引文件的生成方法、装置及系统 Download PDFInfo
- Publication number
- CN110019874A CN110019874A CN201711469741.4A CN201711469741A CN110019874A CN 110019874 A CN110019874 A CN 110019874A CN 201711469741 A CN201711469741 A CN 201711469741A CN 110019874 A CN110019874 A CN 110019874A
- Authority
- CN
- China
- Prior art keywords
- target image
- subindex
- node
- feature vector
- file
- 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
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
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及索引文件的生成方法、装置及系统。该方法包括:提取目标图像的局部特征;对所述目标图像的局部特征进行聚类,得到聚类结果;根据所述聚类结果确定所述目标图像的特征向量;将所述目标图像的特征向量发送至子索引节点,以使所述子索引节点将所述目标图像的特征向量加入子索引文件中。本公开通过特征运算节点确定目标图像的特征向量,通过子索引节点将目标图像的特征向量加入子索引文件中,并由汇总索引节点合并各个子索引文件,由此能够提高索引文件的生成速度,从而能够辅助、加速图像检索的进程。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种索引文件的生成方法、装置及系统。
背景技术
近年来,随着多媒体技术和计算机网络的飞速发展,全世界的数字图像的数量正以惊人的速度在增长。为了使这些庞杂的图像中所包含的信息被有效地访问和利用,必然需要一种能够快速且准确地查找访问图像的技术,即图像的检索技术。随着大规模数字图像库的出现,传统的依赖于人工标注进行的基于文本的图像检索技术已经无法满足用户日益增长的需求,CBIR(Content Based Image Retrieval,基于内容的图像检索)技术便应运而生。CBIR的一般做法是先提取出图像的特征建立特征数据库,这样就把图像库中的一个实例转换成了特征空间中的一个点。而图像特征一般都是高维的矢量数据,所以对图像基于内容的相似检索就转换为对高维特征矢量的最邻近检索。与此同时,对于大规模的图像数据库而言,其特征数据库也是大规模的。因此,传统的顺序扫描方式无法满足用户的检索要求,迫切需要有合适的索引机制来辅助、加速图像检索的进程。
发明内容
有鉴于此,本公开提出了一种索引文件的生成方法、装置及系统。
根据本公开的第一方面,提供了一种索引文件的生成方法,所述方法应用于特征运算节点中,所述方法包括:
提取目标图像的局部特征;
对所述目标图像的局部特征进行聚类,得到聚类结果;
根据所述聚类结果确定所述目标图像的特征向量;
将所述目标图像的特征向量发送至子索引节点,以使所述子索引节点将所述目标图像的特征向量加入子索引文件中。
在一种可能的实现方式中,根据所述聚类结果确定所述目标图像的特征向量,包括:
根据所述聚类结果中的各个聚类中心,确定类中心向量;
对所述类中心向量进行降维处理,得到所述目标图像的特征向量。
在一种可能的实现方式中,所述方法还包括:
对目标视频进行镜头分割,确定所述目标视频的各个镜头;
从所述各个镜头包含的视频帧中,确定所述各个镜头的封面;
将所述各个镜头的封面作为目标图像。
根据本公开的第二方面,提供了一种索引文件的生成方法,所述方法应用于子索引节点中,所述方法包括:
从特征运算节点中获取目标图像的特征向量;
将所述目标图像的特征向量加入子索引文件中;
将所述子索引文件发送至汇总索引节点,以使所述汇总索引节点合并各个子索引文件。
在一种可能的实现方式中,所述目标图像包括目标视频的各个镜头的封面。
根据本公开的第三方面,提供了一种索引文件的生成装置,所述装置包括:
提取模块,用于提取目标图像的局部特征;
聚类模块,用于对所述目标图像的局部特征进行聚类,得到聚类结果;
第一确定模块,用于根据所述聚类结果确定所述目标图像的特征向量;
第一发送模块,用于将所述目标图像的特征向量发送至子索引节点,以使所述子索引节点将所述目标图像的特征向量加入子索引文件中。
在一种可能的实现方式中,所述第一确定模块包括:
确定子模块,用于根据所述聚类结果中的各个聚类中心,确定类中心向量;
降维子模块,用于对所述类中心向量进行降维处理,得到所述目标图像的特征向量。
在一种可能的实现方式中,所述装置还包括:
镜头分割模块,用于对目标视频进行镜头分割,确定所述目标视频的各个镜头;
第二确定模块,用于从所述各个镜头包含的视频帧中,确定所述各个镜头的封面;
第三确定模块,用于将所述各个镜头的封面作为目标图像。
根据本公开的第四方面,提供了一种索引文件的生成装置,所述装置包括:
获取模块,用于从特征运算节点中获取目标图像的特征向量;
加入模块,用于将所述目标图像的特征向量加入子索引文件中;
第二发送模块,用于将所述子索引文件发送至汇总索引节点,以使所述汇总索引节点合并各个子索引文件。
在一种可能的实现方式中,所述目标图像包括目标视频的各个镜头的封面。
根据本公开的第五方面,提供了一种索引文件的生成系统,包括多个特征运算节点、多个子索引节点和汇总索引节点;
其中,每个特征运算节点用于执行上述第一方面的方法;
每个子索引节点用于执行上述第二方面的方法;
所述汇总索引节点用于合并各个子索引文件,得到总索引文件。
根据本公开的第六方面,提供了一种索引文件的生成装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述第一方面的方法。
根据本公开的第七方面,提供了一种索引文件的生成装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述第二方面的方法。
根据本公开的第八方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述第一方面的方法。
根据本公开的第九方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述第二方面的方法。
本公开的各方面的索引文件的生成方法、装置及系统通过特征运算节点确定目标图像的特征向量,通过子索引节点将目标图像的特征向量加入子索引文件中,并由汇总索引节点合并各个子索引文件,由此能够提高索引文件的生成速度,从而能够辅助、加速图像检索的进程。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开一实施例的索引文件的生成系统的框图。
图2示出根据本公开一实施例的索引文件的生成方法的流程图。
图3示出根据本公开一实施例的索引文件的生成方法步骤S23的一示例性的流程图。
图4示出根据本公开一实施例的索引文件的生成方法的一示例性的流程图。
图5示出根据本公开一实施例的索引文件的生成方法的流程图。
图6示出根据本公开一实施例的索引文件的生成装置的框图。
图7示出根据本公开一实施例的索引文件的生成装置的一示例性的框图。
图8示出根据本公开一实施例的索引文件的生成装置的框图。
图9是根据一示例性实施例示出的一种用于索引文件的生成的装置1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的索引文件的生成系统的框图。如图1所示,该系统包括多个特征运算节点、多个子索引节点和汇总索引节点。其中,特征运算节点可以用于确定目标图像的特征向量;子索引节点可以用于将目标图像的特征向量加入子索引文件中,以建立子索引文件;汇总索引节点可以用于合并各个子索引文件,得到总索引文件。各个特征运算节点和各个子索引节点中的具体方法流程将在下文进行介绍,在此不再赘述。
其中,特征运算节点的数量可以为千级,特征运算节点可以分布式布局。由于图像数量巨大,因此,通过大量的特征运算节点提取图像的特征向量,能够提高图像的特征提取的效率,节省图像的特征提取的时间。
本实施例通过特征运算节点确定目标图像的特征向量,通过子索引节点将目标图像的特征向量加入子索引文件中,并由汇总索引节点合并各个子索引文件,由此能够提高索引文件的生成速度,从而能够辅助、加速图像检索的进程。本实施例生成的索引文件可以用于检索图像,也可以在检索到图像之后,获取图像所属的视频。
在一种可能的实现方式中,可以通过分布式消息队列负责该系统中特征运算节点、子索引节点和汇总索引节点之间的任务协作。该分布式消息队列可以采用高性能数据库分库分表实现,可以承载万亿级的任务分发。
在一种可能的实现方式中,汇总索引节点可以将总索引文件同步到各个查询节点,以使查询节点在接收到查询请求时,可以根据查询请求检索总索引文件。
在一种可能的实现方式中,汇总索引节点可以具有热备机制,从而能够避免由于单点故障导致总索引文件不可用。
图2示出根据本公开一实施例的索引文件的生成方法的流程图。该方法应用于特征运算节点中。其中,特征运算节点可以为任意类型的服务器。如图2所示,该方法包括步骤S21至步骤S24。
在步骤S21中,提取目标图像的局部特征。
其中,目标图像可以表示可被检索的图像,也可以表示从可被检索的视频中抽取的图像等,在此不作限定。
在一种可能的实现方式中,目标图像的局部特征可以为SIFT(Scale-InvariantFeature Transform,尺度不变特征变换)特征。
在另一种可能的实现方式中,目标图像的局部特征可以为SURF(Speeded UpRobust Features,加速稳健特征)。
在另一种可能的实现方式中,目标图像的局部特征可以为KAZE特征。
需要说明的是,尽管以以上实现方式介绍了目标图像的局部特征如上,但本领域技术人员能够理解,本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活选择目标图像的局部特征的具体类型。
在步骤S22中,对目标图像的局部特征进行聚类,得到聚类结果。
在一种可能的实现方式中,在目标图像的局部特征为SIFT特征的情况下,可以对SIFT特征进行聚类,得到聚类结果。
在步骤S23中,根据聚类结果确定目标图像的特征向量。
在一种可能的实现方式中,目标图像的特征向量可以为VLAD(Vector of LocallyAggregated Descriptors,局部特征聚合描述符)特征向量。例如,可以根据SIFT特征的聚类结果,生成VLAD特征向量,并将该VLAD特征向量作为目标图像的特征向量。
在另一种可能的实现方式中,目标图像的特征向量可以为VLAT(Vector ofLocally Aggregated Tensors,局部特征聚合张量)。
在另一种可能的实现方式中,目标图像的特征向量可以为LLC(Locality-constrained Linear Coding,局部约束线性编码)特征向量。
在另一种可能的实现方式中,目标图像的特征向量可以为LSH(LocalitySensitive Hashing,基于局部敏感哈希)特征向量。
在步骤S24中,将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中。
在本实施例中,可以将目标图像的特征向量作为该目标图像对应的索引项。
本实施例通过特征运算节点提取目标图像的局部特征,对目标图像的局部特征进行聚类,得到聚类结果,根据聚类结果确定目标图像的特征向量,并将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中,由此能够通过大量的特征运算节点同时确定大量图像的特征向量,提高图像的特征提取的速度,从而有助于提高索引文件的生成速度,能够辅助、加速图像检索的进程。
图3示出根据本公开一实施例的索引文件的生成方法步骤S23的一示例性的流程图。如图3所示,步骤S23可以包括步骤S231和步骤S232。
在步骤S231中,根据聚类结果中的各个聚类中心,确定类中心向量。
在步骤S232中,对类中心向量进行降维处理,得到目标图像的特征向量。
在一种可能的实现方式中,可以对类中心向量进行PCA(Principal ComponentAnalysis,主成分分析)降维,得到目标图像的特征向量。
图4示出根据本公开一实施例的索引文件的生成方法的一示例性的流程图。如图4所示,该方法可以包括步骤S41至步骤S47。
在步骤S41中,对目标视频进行镜头分割,确定目标视频的各个镜头。
其中,目标视频可以表示可被检索的视频。
在一种可能的实现方式中,可以提取目标视频的各个关键帧的特征,计算相邻关键帧的特征之间的距离,并在该距离大于阈值的情况下,确定该相邻关键帧之间存在镜头切换,从而可以在该相邻关键帧之间进行镜头分割。
在步骤S42中,从该各个镜头包含的视频帧中,确定该各个镜头的封面。
在一种可能的实现方式中,对于目标视频的任意一个镜头,可以将该镜头的第一个关键帧作为该镜头的封面。
在另一种可能的实现方式中,对于目标视频的任意一个镜头,可以获取该镜头中的所有关键帧的清晰度、对比度和饱和度,并可以根据清晰度、对比度和饱和度,对该镜头中的各个关键帧进行打分。其中,关键帧的分数与清晰度正相关,与对比度正相关,与饱和度正相关。可以将该镜头中的各个关键帧分数最高的关键帧作为该镜头的封面。
在步骤S43中,将该各个镜头的封面作为目标图像。
在步骤S44中,提取目标图像的局部特征。
其中,对步骤S44参见上文对步骤S21的描述。
在步骤S45中,对目标图像的局部特征进行聚类,得到聚类结果。
其中,对步骤S45参见上文对步骤S22的描述。
在步骤S46中,根据聚类结果确定目标图像的特征向量。
其中,对步骤S46参见上文对步骤S23的描述。
在步骤S47中,将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中。
其中,对步骤S47参见上文对步骤S24的描述。
在本实施例中,特征运算节点将目标视频的各个镜头的封面作为目标图像,提取目标图像的特征向量,并将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中,由此能够实现以图搜视频或者以图搜视频片段。
图5示出根据本公开一实施例的索引文件的生成方法的流程图。该方法应用于子索引节点中。其中,子索引节点可以为任意类型的服务器。如图5所示,该方法包括步骤S51至步骤S53。
在步骤S51中,从特征运算节点中获取目标图像的特征向量。
在步骤S52中,将目标图像的特征向量加入子索引文件中。
其中,子索引文件可以为二叉树结构。
在本实施例中,可以将目标图像的特征向量作为目标图像对应的索引项,加入子索引文件的索引表中。
在步骤S53中,将子索引文件发送至汇总索引节点,以使汇总索引节点合并各个子索引文件。
本实施例中子索引节点从特征运算节点中获取目标图像的特征向量,将目标图像的特征向量加入子索引文件中,并将子索引文件发送至汇总索引节点,以使汇总索引节点合并各个子索引文件,由此能够通过多个子索引节点提高索引文件的生成速度,能够辅助、加速图像检索的进程。
在一种可能的实现方式中,目标图像可以包括目标视频的各个镜头的封面。
图6示出根据本公开一实施例的索引文件的生成装置的框图。如图6所示,该装置包括:提取模块61,用于提取目标图像的局部特征;聚类模块62,用于对目标图像的局部特征进行聚类,得到聚类结果;第一确定模块63,用于根据聚类结果确定目标图像的特征向量;第一发送模块64,用于将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中。
图7示出根据本公开一实施例的索引文件的生成装置的一示例性的框图。如图7所示:
在一种可能的实现方式中,第一确定模块63包括:确定子模块631,用于根据聚类结果中的各个聚类中心,确定类中心向量;降维子模块632,用于对类中心向量进行降维处理,得到目标图像的特征向量。
在一种可能的实现方式中,该装置还包括:镜头分割模块65,用于对目标视频进行镜头分割,确定目标视频的各个镜头;第二确定模块66,用于从该各个镜头包含的视频帧中,确定该各个镜头的封面;第三确定模块67,用于将该各个镜头的封面作为目标图像。
本实施例通过特征运算节点提取目标图像的局部特征,对目标图像的局部特征进行聚类,得到聚类结果,根据聚类结果确定目标图像的特征向量,并将目标图像的特征向量发送至子索引节点,以使子索引节点将目标图像的特征向量加入子索引文件中,由此能够通过大量的特征运算节点同时确定大量图像的特征向量,提高图像的特征提取的速度,从而有助于提高索引文件的生成速度,能够辅助、加速图像检索的进程。
图8示出根据本公开一实施例的索引文件的生成装置的框图。如图8所示,该装置包括:获取模块81,用于从特征运算节点中获取目标图像的特征向量;加入模块82,用于将目标图像的特征向量加入子索引文件中;第二发送模块83,用于将子索引文件发送至汇总索引节点,以使汇总索引节点合并各个子索引文件。
在一种可能的实现方式中,目标图像包括目标视频的各个镜头的封面。
本实施例中子索引节点从特征运算节点中获取目标图像的特征向量,将目标图像的特征向量加入子索引文件中,并将子索引文件发送至汇总索引节点,以使汇总索引节点合并各个子索引文件,由此能够通过多个子索引节点提高索引文件的生成速度,能够辅助、加速图像检索的进程。
图9是根据一示例性实施例示出的一种用于索引文件的生成的装置1900的框图。例如,装置1900可以被提供为一服务器。参照图9,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种索引文件的生成方法,其特征在于,所述方法应用于特征运算节点中,所述方法包括:
提取目标图像的局部特征;
对所述目标图像的局部特征进行聚类,得到聚类结果;
根据所述聚类结果确定所述目标图像的特征向量;
将所述目标图像的特征向量发送至子索引节点,以使所述子索引节点将所述目标图像的特征向量加入子索引文件中。
2.根据权利要求1所述的方法,其特征在于,根据所述聚类结果确定所述目标图像的特征向量,包括:
根据所述聚类结果中的各个聚类中心,确定类中心向量;
对所述类中心向量进行降维处理,得到所述目标图像的特征向量。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对目标视频进行镜头分割,确定所述目标视频的各个镜头;
从所述各个镜头包含的视频帧中,确定所述各个镜头的封面;
将所述各个镜头的封面作为目标图像。
4.一种索引文件的生成方法,其特征在于,所述方法应用于子索引节点中,所述方法包括:
从特征运算节点中获取目标图像的特征向量;
将所述目标图像的特征向量加入子索引文件中;
将所述子索引文件发送至汇总索引节点,以使所述汇总索引节点合并各个子索引文件。
5.根据权利要求4所述的方法,其特征在于,所述目标图像包括目标视频的各个镜头的封面。
6.一种索引文件的生成装置,其特征在于,所述装置包括:
提取模块,用于提取目标图像的局部特征;
聚类模块,用于对所述目标图像的局部特征进行聚类,得到聚类结果;
第一确定模块,用于根据所述聚类结果确定所述目标图像的特征向量;
第一发送模块,用于将所述目标图像的特征向量发送至子索引节点,以使所述子索引节点将所述目标图像的特征向量加入子索引文件中。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块包括:
确定子模块,用于根据所述聚类结果中的各个聚类中心,确定类中心向量;
降维子模块,用于对所述类中心向量进行降维处理,得到所述目标图像的特征向量。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
镜头分割模块,用于对目标视频进行镜头分割,确定所述目标视频的各个镜头;
第二确定模块,用于从所述各个镜头包含的视频帧中,确定所述各个镜头的封面;
第三确定模块,用于将所述各个镜头的封面作为目标图像。
9.一种索引文件的生成装置,其特征在于,所述装置包括:
获取模块,用于从特征运算节点中获取目标图像的特征向量;
加入模块,用于将所述目标图像的特征向量加入子索引文件中;
第二发送模块,用于将所述子索引文件发送至汇总索引节点,以使所述汇总索引节点合并各个子索引文件。
10.根据权利要求9所述的装置,其特征在于,所述目标图像包括目标视频的各个镜头的封面。
11.一种索引文件的生成系统,其特征在于,包括多个特征运算节点、多个子索引节点和汇总索引节点;
其中,每个特征运算节点用于执行权利要求1至3中任意一项所述的方法,每个子索引节点用于执行权利要求4或5所述的方法;
所述汇总索引节点用于合并各个子索引文件,得到总索引文件。
12.一种索引文件的生成装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至3中任意一项所述的方法。
13.一种索引文件的生成装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求4或5所述的方法。
14.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至3中任意一项所述的方法。
15.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求4或5所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469741.4A CN110019874B (zh) | 2017-12-29 | 2017-12-29 | 索引文件的生成方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711469741.4A CN110019874B (zh) | 2017-12-29 | 2017-12-29 | 索引文件的生成方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110019874A true CN110019874A (zh) | 2019-07-16 |
CN110019874B CN110019874B (zh) | 2021-09-24 |
Family
ID=67187086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711469741.4A Active CN110019874B (zh) | 2017-12-29 | 2017-12-29 | 索引文件的生成方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110019874B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837575A (zh) * | 2019-10-31 | 2020-02-25 | 广州华多网络科技有限公司 | 视频图像的传输特征信息的生成方法和装置 |
CN112947908A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 代码生成方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211355A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于聚类的图像查询方法 |
CN101763514A (zh) * | 2010-01-15 | 2010-06-30 | 西安电子科技大学 | 基于特征重要度排序谱聚类的图像分割方法 |
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN101950302A (zh) * | 2010-09-29 | 2011-01-19 | 李晓耕 | 基于移动设备的海量音乐库管理方法 |
CN102508923A (zh) * | 2011-11-22 | 2012-06-20 | 北京大学 | 基于自动分类和关键字标注的自动视频注释方法 |
CN102819752A (zh) * | 2012-08-16 | 2012-12-12 | 北京理工大学 | 基于分布式和倒排文件的室外大规模物体识别方法和系统 |
CN103336795A (zh) * | 2013-06-09 | 2013-10-02 | 华中科技大学 | 基于多特征的视频索引方法 |
CN103530649A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种适用于移动终端的视觉搜索方法 |
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 |
CN104239531A (zh) * | 2014-09-19 | 2014-12-24 | 上海依图网络科技有限公司 | 一种基于局部视觉特征的精确比对方法 |
CN105335500A (zh) * | 2015-10-28 | 2016-02-17 | 厦门大学 | 协变局部特征聚集的图像特征表示法 |
US20160314567A1 (en) * | 2015-03-26 | 2016-10-27 | The Board Of Regents Of The University Of Texas System | Systems and methods for image/video recoloring, color standardization, and multimedia analytics |
CN106557728A (zh) * | 2015-09-30 | 2017-04-05 | 佳能株式会社 | 查询图像处理和图像检索方法和装置以及监视系统 |
CN106603888A (zh) * | 2016-12-30 | 2017-04-26 | 南京灿华光电设备有限公司 | 图像颜色提取处理结构 |
CN106855883A (zh) * | 2016-12-21 | 2017-06-16 | 中国科学院上海高等研究院 | 基于视觉词袋模型的人脸图像检索方法 |
-
2017
- 2017-12-29 CN CN201711469741.4A patent/CN110019874B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211355A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于聚类的图像查询方法 |
CN101763514A (zh) * | 2010-01-15 | 2010-06-30 | 西安电子科技大学 | 基于特征重要度排序谱聚类的图像分割方法 |
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN101950302A (zh) * | 2010-09-29 | 2011-01-19 | 李晓耕 | 基于移动设备的海量音乐库管理方法 |
CN102508923A (zh) * | 2011-11-22 | 2012-06-20 | 北京大学 | 基于自动分类和关键字标注的自动视频注释方法 |
CN102819752A (zh) * | 2012-08-16 | 2012-12-12 | 北京理工大学 | 基于分布式和倒排文件的室外大规模物体识别方法和系统 |
CN103336795A (zh) * | 2013-06-09 | 2013-10-02 | 华中科技大学 | 基于多特征的视频索引方法 |
CN103530649A (zh) * | 2013-10-16 | 2014-01-22 | 北京理工大学 | 一种适用于移动终端的视觉搜索方法 |
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 |
CN104239531A (zh) * | 2014-09-19 | 2014-12-24 | 上海依图网络科技有限公司 | 一种基于局部视觉特征的精确比对方法 |
US20160314567A1 (en) * | 2015-03-26 | 2016-10-27 | The Board Of Regents Of The University Of Texas System | Systems and methods for image/video recoloring, color standardization, and multimedia analytics |
CN106557728A (zh) * | 2015-09-30 | 2017-04-05 | 佳能株式会社 | 查询图像处理和图像检索方法和装置以及监视系统 |
CN105335500A (zh) * | 2015-10-28 | 2016-02-17 | 厦门大学 | 协变局部特征聚集的图像特征表示法 |
CN106855883A (zh) * | 2016-12-21 | 2017-06-16 | 中国科学院上海高等研究院 | 基于视觉词袋模型的人脸图像检索方法 |
CN106603888A (zh) * | 2016-12-30 | 2017-04-26 | 南京灿华光电设备有限公司 | 图像颜色提取处理结构 |
Non-Patent Citations (2)
Title |
---|
M. BAJAJ 等: ""Image Indexing and Retrieval in Compressed Domain Using Color Clusters"", 《2007 IEEE SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE IN IMAGE AND SIGNAL PROCESSING》 * |
周文罡 等: ""图像检索技术研究进展"", 《南京信息工程大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837575A (zh) * | 2019-10-31 | 2020-02-25 | 广州华多网络科技有限公司 | 视频图像的传输特征信息的生成方法和装置 |
CN112947908A (zh) * | 2021-02-26 | 2021-06-11 | 上海商汤智能科技有限公司 | 代码生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110019874B (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Deformable detr: Deformable transformers for end-to-end object detection | |
Zang et al. | Attention-based temporal weighted convolutional neural network for action recognition | |
CN104735468B (zh) | 一种基于语义分析将图像合成新视频的方法及系统 | |
WO2019232099A1 (en) | Neural architecture search for dense image prediction tasks | |
Din et al. | Service orchestration of optimizing continuous features in industrial surveillance using big data based fog-enabled internet of things | |
CN110516096A (zh) | 合成感知数字图像搜索 | |
CN113010703A (zh) | 一种信息推荐方法、装置、电子设备和存储介质 | |
CN111368141B (zh) | 视频标签的扩展方法、装置、计算机设备和存储介质 | |
KR20200002332A (ko) | 딥 러닝을 이용하여 이미지를 검색하는 단말 장치 및 방법 | |
US20200175332A1 (en) | Out-of-sample generating few-shot classification networks | |
Mo et al. | Audio-visual grouping network for sound localization from mixtures | |
Zhao et al. | Metadata extraction and correction for large-scale traffic surveillance videos | |
CN111382620A (zh) | 视频标签添加方法、计算机存储介质和电子设备 | |
CN115905528A (zh) | 具有时序特征的事件多标签分类方法、装置及电子设备 | |
CN117011737A (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN110019874A (zh) | 索引文件的生成方法、装置及系统 | |
Markatopoulou et al. | Local features and a two-layer stacking architecture for semantic concept detection in video | |
CN110019875A (zh) | 索引文件的生成方法及装置 | |
CN110019910A (zh) | 图像检索方法及装置 | |
Mo et al. | Class-incremental grouping network for continual audio-visual learning | |
CN113590898A (zh) | 数据检索方法、装置、电子设备、存储介质及计算机产品 | |
US11354904B2 (en) | Spatial-temporal graph-to-sequence learning based grounded video descriptions | |
Sunny et al. | Map-Reduce based framework for instrument detection in large-scale surgical videos | |
CN110019096A (zh) | 索引文件的生成方法及装置 | |
US11676410B1 (en) | Latent space encoding of text for named entity recognition |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200511 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 200241 room 1162, building 555, Dongchuan Road, Shanghai, Minhang District Applicant before: SHANGHAI QUANTUDOU CULTURE COMMUNICATION Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |