分布式圖像檢索訓練系統(tǒng)的設計與實現(xiàn).pdf

1、近年來,隨著視覺類感知推薦模式的推出,基于內容的圖像檢索(Content Based Image Retrieval,CBIR)應用越來越廣泛,同時對圖像訓練和檢索的效率要求也越來越高。因此,針對傳統(tǒng)的圖像訓練和檢索技術在應對海量圖像處理時的不足,更靈活的圖像訓練方式和更高精確度的圖像檢索方法是當下研究熱點的問題。
　　本文提出了一種可支持增量訓練的二進制子串二級索引方法(Two-Level Index Based On Bina

2、ry Substring,TLI),并在此基礎之上設計實現(xiàn)了分布式圖像訓練檢索系統(tǒng)。
　　圖像訓練時系統(tǒng)先使用BRISK算法提取圖像特征向量,然后對特征向量按自然數(shù)遞增序列進行唯一編號,再使用特定的資源映射規(guī)則,將特征向量散列到各分布式存儲計算節(jié)點上,這種處理方法不僅可使得存儲和計算負載相對比較均衡,而且具有較好的擴展性。
　　系統(tǒng)的圖像檢索過程融合MapReduce計算模型,圖像檢索過程分為特征向量子串和圖像特征點兩個層面

3、的歸并,特征向量子串歸并可得出相似特征向量候選集合,相似特征點歸并就能得到相似的圖像集合。同時,結合圖像特征向量存儲機制,每個計算節(jié)點的歸并操作只需在本地進行,各計算節(jié)點間不存在網(wǎng)絡通信。
　　文中測試部分首先將 TLI與當前主流的高維向量索引算法:局部敏感哈希(Locality Sensitive Hash,LSH)、詞匯樹(Vocabulary Tree,VT)方案進行了對比測試。然后就本文實現(xiàn)的分布式圖像訓練系統(tǒng)與一種基于多

4、子樹的分布式詞匯樹圖像訓練檢索系統(tǒng)作性能比較。測試表明,TLI與VT在檢索精度上比較相近,比LSH高出5％-10％,分布式TLI的檢索時間也隨著計算節(jié)點的增加逐步接近分布式VT,相比VT,TLI最大的優(yōu)勢在于它可支持圖像增量訓練,更適用于互聯(lián)網(wǎng)這種圖像集快速增長的應用場景。
　　本文的創(chuàng)新點:
　　1.基于二進制描述符子串劃分理論提出了一種二進制子串二級索引方法,解決了海明空間的KNN和范圍查詢問題。
　　2.基于子串