没有合适的资源?快使用搜索试试~ 我知道了~
首页最小哈希法提升二值特征匹配效率
本文主要探讨了一种创新的二值特征匹配方法,该方法基于最小哈希技术。在图像识别领域,特征匹配是一个核心问题,通常采用线性扫描等贪婪算法进行处理,但这在数据维度较高时会面临效率下降的问题,特别是在大数据集中的搜索速度显著降低。针对这一挑战,研究者提出了将原始特征集合通过最小哈希函数进行映射,将其划分为多个子集的策略。 最小哈希是一种非线性数据压缩技术,它通过将数据映射到固定大小的哈希表中,可以有效地减少计算复杂度。这种方法的核心在于,即使输入数据发生了变化,相似的数据在哈希后的表示通常保持相近。通过使用Jaccard距离度量,这种哈希函数能够确保相似的特征向量在哈希变换后仍具有较高的相似度,从而保留了原始数据的内在结构。 实验结果显示,将这种基于最小哈希的匹配方法应用于二值特征时,相较于传统的KD-Tree匹配方法,能够展现出更优的性能。在处理大规模数据集时,不仅时间效率得到了提升,而且匹配的准确性和鲁棒性也得到了显著改善。因此,这种新颖的匹配算法为图像处理和计算机视觉中的高维特征匹配提供了一种有效且高效的解决方案。 论文的研究背景着重于解决实际应用中面临的高效匹配问题,尤其是在处理高维数据时的瓶颈。最小哈希技术作为一种新兴的工具,其在特征匹配领域的应用展示了其强大的潜力,有望推动图像识别技术的发展。此外,作者郭倩和孙涵作为计算机科学与技术领域的专家,他们的研究成果对于学术界和工业界都具有重要的参考价值,对于提升图像识别系统的性能和实用性具有重要意义。
资源详情
资源推荐
收稿日期:2015-11-25
基金项目:国家自然科学基金(61203246)
作者简介:郭倩(1989-),女,安徽阜阳人,南京航空航天大学计算机科学与技术学院硕士研究生,研究方向:图像处理、计算机视觉;孙涵(1978-)
男,副教授,硕士生导师,博士,研究方向:图像处理、计算机视觉、模式识别。
一种基于最小哈希的二值特征匹配方法
郭 倩,孙 涵
(南京航空航天大学 计算机科学与技术学院,南京 211106)
摘 要:特征匹配是图像识别中一个基本研究问题。常用的匹配方式一般是基于贪婪算法的线性扫描方式,只适用于低
维数据。当数据维数超过一定程度时,这些匹配方法的时间效率将会急剧下降,甚至不强于强力线性扫描方法。本文提出
了一种基于最小哈希的二值特征匹配方法。通过最小哈希函数映射变换操作,将原始特征集合分成了多个子集合,将一个
在超大集合下内查找相邻元素的问题转化为在一个很小的集合内查找相邻元素的问题,计算量有所下降。使用 Jaccard 距
离度量的最小哈希函数能最大限度地保证原始数据中相似的向量对在哈希变换后依然相似。实验表明这种匹配方法应用在
二值特征上时,可以获得比 KD-Tree 更好的匹配效果。
关键词:最小哈希;二值特征;特征匹配
中图分类号:TP391 文献标识码:A
A binary feature matching method based on minimum hashing
GUO Qian,SUN Han
(
Department of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 211106
,
China
)
Abstract: Feature matching is a basic problem in image recognition. Common matching methods are the linear scanning methods
based on greedy algorithm, and they are applicable to low dimensional data. When data dimension exceeds a certain degree, the time
efficiency of matching will decrease sharply, even not stronger than the strong linear scanning method. This paper proposes a binary
feature matching method based on minimum hashing. By the mapping transformation in minimum hashing function, the original
feature set will be divided into several subsets. It can be transformed into a problem of searching the adjacent elements within a tiny
set instead of a huge set, which decreases the computational cost. Using Jaccard distance, minimum hashing function can maximally
ensure the similarity of similar vectors in original data after hash transformation. Experiments show that this method can obtain better
matching performance than KD-Tree when applied to binary feature.
Key words: minimum hashing; binary feature; feature matching
0 引言
在图像识别中,有效的图像特征提取和匹配方
式往往决定了方法的成败。匹配的核心问题就是处
理各种变化,包括光线、模糊、视角以及遮挡等,
因此特征描述子应具有较高的鉴别能力。另外嵌入
式应用环境中,特征的性能需要满足更加苛刻的条
件:内存消耗小;匹配速度快。随着对特征的不断
研究,二值特征虽然在表达能力上和实值特征有差
距,但由于其本身的特性,二值特征已经被渐渐应
用到移动设备和手持设备
[1]
。近年来,常用的二值
描述子包括 BRIEF(Binary Robust Independent
Elementary Features)
[2]
, ORB(Oriented Brief)
[3]
,
FREAK(Fast Retina Keypoint)
[4]
, USB(Ulshort
Binary Descriptor)
[5]
等描述子。一般情况下特征匹配
方式采用贪婪搜索算法或者实值描述子常用的
KD-Tree(K-dimension tree)
[6]
方法。对于低维的小数
据集,这类算法比较容易实现,且时间和性能都能
满足实际应用的需要。但对一个海量的高维数据集
采用贪婪搜索的话,会非常耗时,被称为“维度灾
难”。
为了解决该问题,需要采用一些类似索引技术
或者借助一些数据结构来加快查找过程,例如
KD-Tree 等树形结构。然而当维度变大后,这些算
法的实际效率甚至不如线性检索。因此适用于高维
度的近似最近邻查找(Approximate Nearest Neighbor,
ANN)
[7]
应用而生。局部敏感哈希(Local Sensitive
Hash, LSH)
[8]
是 ANN 中的一类方法。局部敏感哈希
算法及其变种被广泛地应用于许多领域的计算问
题中,包括生物信息学
[9]
,数据挖掘
[10]
,计算机视
觉
[11]
以及语言计算统计
[12]
等。局部敏感哈希的基本
思想是将原始数据空间中的两个数据点通过相同
的映射或投影变换后,这两个数据点在新的数据空
下载后可阅读完整内容,剩余6页未读,立即下载
weixin_38588592
- 粉丝: 3
- 资源: 922
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- OptiX传输试题与SDH基础知识
- C++Builder函数详解与应用
- Linux shell (bash) 文件与字符串比较运算符详解
- Adam Gawne-Cain解读英文版WKT格式与常见投影标准
- dos命令详解:基础操作与网络测试必备
- Windows 蓝屏代码解析与处理指南
- PSoC CY8C24533在电动自行车控制器设计中的应用
- PHP整合FCKeditor网页编辑器教程
- Java Swing计算器源码示例:初学者入门教程
- Eclipse平台上的可视化开发:使用VEP与SWT
- 软件工程CASE工具实践指南
- AIX LVM详解:网络存储架构与管理
- 递归算法解析:文件系统、XML与树图
- 使用Struts2与MySQL构建Web登录验证教程
- PHP5 CLI模式:用PHP编写Shell脚本教程
- MyBatis与Spring完美整合:1.0.0-RC3详解
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功