1、具有照相功能的手機(jī)、數(shù)字計算機(jī)的快速增加和社交網(wǎng)絡(luò)的迅速發(fā)展,使得數(shù)字圖像的數(shù)量以指數(shù)級增加.因此,處理海量圖像的相關(guān)技術(shù)成為當(dāng)前的研究熱點(diǎn).其中,大規(guī)模目標(biāo)分類和目標(biāo)檢索技術(shù)是兩個重要研究方向。研究者將詞包模型(Bag of Words, BOW)的思想引入圖像領(lǐng)域,提出了視覺詞包模型(Bag of Visual Words, BOVW)。視覺詞包模型分為視覺詞典生成階段和局部特征量化階段兩個階段。視覺詞典生成階段是從圖像局部特征庫訓(xùn)

2、練得到一部分局部特征作為詞典中詞匯。對于基于內(nèi)容的目標(biāo)分類和檢索,基于聚類的方法生成的詞典更有代表性和區(qū)分性.因此,局部特征量化階段使用的量化方法直接決定著BOVW模型的分類和檢索性能。另外,對于高維BOVW特征,如何有效的存儲和匹配對大規(guī)模圖像檢索技術(shù)提出巨大的挑戰(zhàn)。
　　本研究主要內(nèi)容包括：⑴研究了視覺詞包模型中不同的量化方法，實(shí)驗(yàn)結(jié)果表明基于半徑量化的視覺詞包特征性能低于K-近鄰量化直方圖特征的性能，基于此本文提出了局部特征

3、利用率，從理論上解釋了實(shí)驗(yàn)結(jié)果的合理性。⑵利用BOVW特征的稀疏性和倒排索引查詢的有效性,我們提出了一種新的壓縮視覺詞包特征(Compressed Bag of Visual Words, CBOVW). CBOVW有效的降低了特征維數(shù),進(jìn)而減少了匹配過程的計算復(fù)雜度。⑶利用基于哈希的方法對大規(guī)模目標(biāo)檢索的有效性,我們用譜哈希(Spectral Hashing, SH)技術(shù)加速CBOVW匹配過程,提出了一種新的算法快速壓縮視覺詞包特征(