基于顯著性區(qū)域的分步聚類目標(biāo)搜索.pdf

1、基于圖像內(nèi)容的物體檢索是當(dāng)前研究的熱點(diǎn)，其包括物體匹配和物體定位兩部分。特征捆綁（圖像分塊）和物體定位是物體檢索區(qū)別于相似圖像檢索的關(guān)鍵技術(shù)，圖像分塊后一般可以按基于圖像內(nèi)容的相似圖像檢索方法匹配物體。對(duì)于物體的定位，多數(shù)物體定位方法是用與查詢物體最相似的分塊圖像在圖像中的位置作為物體定位的結(jié)果。然而，當(dāng)前物體匹配和定位的方法在速度和準(zhǔn)確度上存在矛盾。為此，需要探索新方法來有效的提升物體檢索中的速度和準(zhǔn)確度。本文基于VLAD(Vecto

2、r of Locally Aggregated Descriptors)圖像表示方法，對(duì)目標(biāo)搜索進(jìn)行研究，包括基于圖像內(nèi)容的相似圖像搜索和物體檢索，在碼本構(gòu)造、圖像表示和目標(biāo)定位三個(gè)方面提出相應(yīng)的算法。本文的主要貢獻(xiàn)如下:
　　(1)在碼本構(gòu)造方面，提出一種基于二值變換的SURF特征降維方法和兩步聚類算法。首先，通過二值變換將原始SURF特征變?yōu)?維，極大減少存儲(chǔ)空間和檢索速度。然后，將降維后的數(shù)據(jù)集分為多個(gè)子集，通過子集內(nèi)和子集

3、間兩步聚類得到最后的聚類結(jié)果。
　　(2)在圖像表示方面，提出基于加權(quán)的特征前融合方法的圖像表示方法，進(jìn)一步，提出了基于圖像顯著性加權(quán)的VLAD圖像表示方法。由于圖像局部特征降維存在信息損失，因此，提出通過對(duì)特征加權(quán)融合來彌補(bǔ)由于降維造成的信息損失。對(duì)于圖像的VLAD表示方法，進(jìn)一步提出對(duì)圖像顯著性區(qū)域和非顯著性區(qū)域的特征賦予不同大小的權(quán)值進(jìn)行圖像表示。
　　(3)在目標(biāo)搜索中的目標(biāo)定位方面，提出基于圖像顯著性區(qū)域的多尺度圖

4、像分塊。多尺度圖像分塊將一幅圖像分為大小不同的65塊。然后，利用圖像顯著性區(qū)域來解決一個(gè)物體被分割到多個(gè)圖像塊中，或者一個(gè)圖像塊中并不僅僅只有一個(gè)物體區(qū)域的問題。
　　實(shí)驗(yàn)結(jié)果表明:在碼本構(gòu)造方面，基于K均值聚類，兩步聚類的方法在保證聚類準(zhǔn)確度的前提下，能大大提升聚類速度。在圖像表示方面，在Holidays數(shù)據(jù)庫和UKB數(shù)據(jù)庫上的實(shí)驗(yàn)證明，加權(quán)的特征前融合方法能很好的提高圖像檢索精度。另外，通過顯著性加權(quán)的VLAD圖像表示方法，進(jìn)