基于KD树的海量图像匹配技术.docVIP

基于KD树的海量图像匹配技术 　　摘 要： 针对海量图像匹配的速度瓶颈问题，提出一种结合图像SIFT特征和KD树搜索的图像匹配算法，并建立了适应有限内存环境的大型KD树混合存储模式。实验结果表明，该方法能显著提高图像搜索速度和图像库的可扩展性，查准率和查全率也明显高于其他搜索方法。 　　关键词： 图像匹配； 特征提取； KD树； 近似最近邻搜索 　　中图分类号：TP391.4 文献标志码：A 文章编号：1006-8228（2014）07-40-03 　　Abstract： To deal with the performance bottleneck problem in massive pairwise image matching， an image matching algorithm based on KD-tree is proposed， with a hybrid approach to KD-tree construction under a memory constraint. The experimental results indicate that the proposed method increases image searching speed and the extensibility of image library greatly. It has better performance than other search methods， in terms of precision and recall of image matching. 　　Key words： image matching； feature extraction； KD-Tree； approximate nearest neighbor searching 　　0 引言 　　图像匹配是图像处理和计算机视觉领域的重要内容，是图像查询、图像拼接、运动恢复结构等应用的核心步骤，也是最耗时的一个步骤。对于海量图像数据，匹配过程往往成为效率的最大瓶颈。本文提出一种结合图像SIFT特征[1]和KD树[2]搜索的图像匹配方法，并针对海量图像处理建立了一种大型KD树混合存储模式，基于该技术，图像搜索的时间复杂度大大降低，在同样的内存限制下，可索引更多的数据，有效提升了图像库的可扩展性，查准率和查全率也明显高于其他搜索方法。 　　1 图像特征提取 　　在基于特征的图像匹配技术中，首要任务是自动提取稳定可靠的图像特征。2004年Lowe提出了尺度不变特征变换（SIFT，Scale Invariant Feature Transform）算法，先建立图像的尺度空间表示，然后在尺度空间中搜索图像的极值点，由极值点建立特征点的描述向量。SIFT算法提取的图像特征是图像的局部特征，其对图像的旋转、缩放保持不变性，对光照改变和摄像机角度变化具有部分的不变性。以下给出算法实现的主要过程。 　　步骤2 关键点定位。检测到的极值点作为侯选点，对位置、尺度、弯曲度等做拟合，筛除所有低对比度和定位差边缘附近的点，同时对尺度空间函数D（x，y，σ）做泰勒展开得到关键点，计算二阶Hessian矩阵得出主曲率。 　　步骤3 设定主方向并建立描述向量。将以特征点为中心的16×16邻域分成4×4的像素块，建立梯度方向直方图，每个直方图包含8个特征，得到4×4×8=128维的特征描述向量。 　　实验表明，计算图像特征点的128维描述向量占用了SIFT算法80%以上的计算时间，为提高算法的实时性，采用PCA（主成分分析）降维技术加以改进，不使用梯度直方图而用主成分分析法将梯度面片归一化，将128维描述向量降低到36维，因而大大减少了计算量。 　　2 基于KD树的特征匹配 　　利用SIFT特征，将查询图像的特征描述向量与图像库的所有特征进行比较，特征匹配数目最多的几张图像即为查询结果。特征描述向量的匹配性采用欧氏距离度量，匹配过程相当于在两个特征集合中搜索距离最近的特征点的过程。常用的搜索过程有两种：一种是线性扫描，将一个特征描述向量与数据库中的所有向量逐一比较，这种方法实现简单但效率较低，时间复杂度为0（N），N为数据库中向量的数目；另一种是先建立数据索引，再对特征描述向量进行匹配。 　　2.1 KD树的构建 　　KD树是K维二叉索引树，是用于多维检索的树形数据结构。它的每一层将空间分成两个子空间，顶层结点按一维划分，下一层结点按另一维划分，以此类推，直至一个结点中的数据量少于设定的上限为止。KD树的搜索时间复杂度为0（log2N），其具有如下性质： 　　⑴ 若它的左子树不为空，则左子树上所有结点第d维的值均小于它的根结点第d维的