基于詞袋模型和詞匯樹的圖像檢索技術(shù)研究.pdf

1、隨著計(jì)算機(jī)網(wǎng)絡(luò)和多媒體技術(shù)的發(fā)展，每天產(chǎn)生大量的數(shù)字圖像資源，因此如何對(duì)圖像進(jìn)行有效管理并建立高效的圖像檢索算法成為研究的重點(diǎn)?；谖谋镜膱D像檢索實(shí)現(xiàn)簡(jiǎn)單，但人工標(biāo)注耗時(shí)耗力，在使用上具有一定的局限性?；趦?nèi)容的圖像檢索融合了計(jì)算機(jī)視覺技術(shù)、機(jī)器學(xué)習(xí)和信息檢索技術(shù)，成為近十幾年來(lái)圖像檢索研究的主流方向。詞袋模型和詞匯樹算法作為其中重要的技術(shù)，處于不斷發(fā)展和深入研究的階段。
　　本文分析了基于內(nèi)容的圖像檢索算法的研究現(xiàn)狀，對(duì)圖像特征

2、提取、海量數(shù)據(jù)高維索引這兩個(gè)關(guān)鍵問題展開研究，并實(shí)現(xiàn)了基于詞袋模型和詞匯樹的圖像檢索算法。該算法旨在提高圖像檢索算法的性能，在此基礎(chǔ)上完成智慧城市街景圖像檢索原型系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)。
　　本文的主要研究工作如下：
　　1.針對(duì)中小規(guī)模數(shù)據(jù)庫(kù)，研究并實(shí)現(xiàn)基于詞袋模型（Bag-of-Words，BoW）和支持向量機(jī)（Support Vector Machine，SVM）的圖像檢索算法。分析SIFT和SURF圖像局部特征提取算法，并

3、闡述BoW模型和SVM的原理。在不同大小數(shù)據(jù)庫(kù)上，對(duì)圖像分別提取SIFT特征和SURF特征，測(cè)試其訓(xùn)練速度、檢索性能以及詞袋大小和檢索性能的關(guān)系，給出相應(yīng)結(jié)論。
　　2.研究基于詞匯樹（Vocabulary Tree）的圖像檢索算法，并在此基礎(chǔ)上實(shí)現(xiàn)五萬(wàn)張圖像的秒級(jí)檢索。分析詞匯樹算法的原理和步驟，研究檢索圖像與數(shù)據(jù)庫(kù)圖像相似度分值的排序算法以及對(duì)大規(guī)模數(shù)據(jù)庫(kù)訓(xùn)練的內(nèi)存策略。采用KD-tree with BBF（Best Bin

4、First）特征匹配算法和RANSAC（Random Sample Consensus，隨機(jī)抽樣一致性）去除錯(cuò)誤匹配算法對(duì)詞匯樹返回的前 N個(gè)檢索結(jié)果進(jìn)行排序篩選，有效提高檢索精度。
　　3.設(shè)計(jì)并實(shí)現(xiàn)智慧城市街景圖像檢索原型系統(tǒng)。為滿足使用需求，系統(tǒng)設(shè)計(jì)為具有前后端的Client/Server架構(gòu)，客戶端和服務(wù)器端在同一WiFi無(wú)線局域網(wǎng)下通過 HTTP協(xié)議進(jìn)行通信。針對(duì)系統(tǒng)需求設(shè)計(jì)系統(tǒng)整體框架，并完成客戶端和服務(wù)器端的具體模塊