我想从查询与数据库中的图片(约2000)进行比较.
在本网站发帖之前,我阅读了很多关于在大型数据库中匹配图片的方法的文章,并阅读了stackOverflow上的很多帖子.
关于论文,有一些有趣的东西,但技术性很强,很难理解算法.(我刚开始专注于这个领域)
帖子(最有趣的):
C++/SIFT/SQL - 如果有一种方法可以有效地比较图像的SIFT描述符和SQL数据库中的SIFT描述符？
论文:
具有大型词汇表和快速空间匹配的对象检索,
图像相似性搜索紧凑数据结构,
LSH,
近重复图像检测min-Hash和tf-idf加权
词汇树
聚合本地描述符
但我仍然困惑.
我做的第一件事就是实施BoW.我训练了Bag of Words(使用ORB作为探测器和描述符,并使用了VLAD功能)和5级,以测试其效率.经过长时间的培训,我推出了它.它运行良好,准确率为94%.那很不错.
但是我有一个问题:
首先,你同意我的意见吗？这显然是做我想做的最好的方法吗？也许还有另一种方法可以使用BoW来查找数据库中的相似之处？
我做的第二件事是"更简单".我计算查询的描述符.然后我在我的所有数据库上做了一个循环,我计算了每个图片的描述符,然后在向量中添加了每个描述符.
std::vector<cv::Mat> all_descriptors_database;
for (i ? 2000) :
cv::Mat request=cv::imread(img);
computeKeypoints(request) ;
computeDescriptors(request) ;
all_descriptors_database.pushback(descriptors_of_request)
最后,我有一个大向量,其中包含所有数据库的所有描述符.(所有关键点都一样)
然后,这就是我感到困惑的地方.开始时,我想计算循环内部的匹配,也就是说,对于数据库中的每个图像,计算其描述符并与查询匹配.但是花了很多时间.
因此,在阅读了大量关于如何在大数据库中找到相似之处的论文后,我发现LSH算法似乎适合于那种搜索.
因此我想使用这种方法.所以在我的循环中我做了类似的事情:
//Create Flann LSH index
cv::flann::Index flannIndex(all_descriptors_database.at(i), cv::flann::LshIndexParams(12, 20, 2), cvflann::FLANN_DIST_HAMMING);
cv::Mat results, dists;
int k=2; // find the 2 nearest neighbors
// search (nearest neighbor)
flannIndex.knnSearch(query_descriptors, results, dists, k, cv::flann::SearchParams() );
不过我有一些问题:
我需要花费5秒多的时间来循环我的所有数据库(2000),而我认为它需要少于1秒(在论文中,他们有大型数据库不像我,LSH更有效).我做错什么了吗 ？
我在互联网上找到了一些实现LSH的库,如http://lshkit.sourceforge.net/或http://www.mit.edu/~andoni/LSH/.那么这些库和我使用OpenCV编写的四行代码之间的区别是什么？因为我检查了库和像我这样的初学者,尝试使用它是如此困难.我有点困惑.
第三件事:
我想为每张图片做一个每个描述符的指纹(为了计算与数据库的汉明距离),但似乎不可能这样做.OpenCV/SURF如何从描述符中生成图像哈希/指纹/签名？
所以从3天开始,我就完成了这项任务.我不知道我是不是错了.也许我错过了什么.
我希望你能够清楚明白.感谢阅读
你的问题有点大了。不过我会给你一些提示。
词袋可以工作，但分类是不必要的。BoW 管道通常包括：
您可以将每个图像的量化结果（例如 VLAD 编码）视为其指纹。计算指纹之间的距离将产生相似性度量。尽管如此，您仍然必须进行一对一匹配，当您的数据库变得足够大时，这将是非常昂贵的。
我没明白你的意思。
我建议阅读 G. Hinton 关于使用深度自动编码器和卷积神经网络进行降维的论文（例如这篇）。他夸耀自己击败了LSH。至于工具，我建议看看 BVLC 的Caffe，一个很棒的神经网络库。
| 归档时间： |
|
| 查看次数： |
2750 次 |
| 最近记录： |