大規(guī)模旅游景點圖像檢索.pdf

1、隨著旅游業(yè)的飛速發(fā)展，網(wǎng)絡(luò)上各個景點圖片泛濫，圖像數(shù)據(jù)越來越龐大，很多時候?qū)τ跒g覽的某張美麗的風(fēng)景圖片但是并不知道屬于哪個景點。因此，如何從如此大規(guī)模的圖像數(shù)據(jù)中快速準(zhǔn)確的搜索到所需的景點信息是一個很實用并亟待解決的問題。近年來，大規(guī)模圖像檢索方法已日漸成熟，為能夠從海量景點圖像中準(zhǔn)確地找到目標(biāo)圖像提供了可能性。論文結(jié)合近幾年大規(guī)模圖像檢索和圖像處理等方法來實現(xiàn)對大規(guī)模旅游景點圖像的檢索。論文主要工作如下:
　　(1)研究了圖像檢

2、索的基本理論知識及常用方法，主要包括:基于圖像全局特征的描述符GIST和基于圖像局部特征構(gòu)建的詞袋模型(bag-of-feature，簡稱BOF)。GIST特征是利用多組Gabor濾波器與圖像卷積，并對圖像進(jìn)行網(wǎng)格劃分，將不同網(wǎng)格的卷積結(jié)果級聯(lián)得到圖像的全局特征。但是這種特征提取方法往往依賴于對網(wǎng)格的劃分而且只有在不同圖像整體相似度較高的情況下檢索效果好。BOF模型是借鑒于對文本檢索的方法，一般是通過SIFT(scale invaria

3、nt featuretransform)算法提取圖像局部特征并利用k-means進(jìn)行聚類得到低維的視覺詞典，用基于視覺詞典的直方圖向量表征圖像特征。但是在圖像種類較多時，視覺詞典的維數(shù)會很大，不便于構(gòu)建BOF模型。
　　(2)為改進(jìn)這兩種方法在大規(guī)模圖像檢索中準(zhǔn)確度等缺點，論文利用Alex等人提出的8層卷積神經(jīng)網(wǎng)絡(luò)作為特征提取的框架，取最后一個全連接層作為圖像特征，并通過主成分分析方法對其進(jìn)行降維，然后利用基于局部敏感哈希(loc

4、alitysensitive hashing，簡稱LSH)的近似最近鄰算法構(gòu)建低維的特征索引結(jié)構(gòu)。利用卷積神經(jīng)網(wǎng)絡(luò)提取特征的優(yōu)勢和哈希索引結(jié)構(gòu)在檢索中的高效率，解決了傳統(tǒng)方法在圖像檢索時準(zhǔn)確度等方面的不足。
　　(3)論文利用該算法對北京市1740個旅游景點進(jìn)行圖像檢索實驗，結(jié)果表明，與上述兩種算法相比，對于多數(shù)的景點該方法在檢索的準(zhǔn)確度上都有比較明顯的優(yōu)勢，當(dāng)景點圖像庫中的某個景點相似圖像較少時，查詢結(jié)果的準(zhǔn)確率與前兩種方法相差