图像检索(7)：取得更好的检索结果

在前面实现的检索中，根据图像编码后向量（VLAD)的相似性，从图像库中检索出，与查询图像VLAD向量最相似的图像。由于实际场景图像的复杂性，仅仅利用VLAD向量的相似并不能取得很好的精度，通常先利用VLAD向量从图像库中快速的检索出最相似的(K)幅图像，然后再进一步筛选。

在实际场景中进行图像检索，通常会遇到以下问题：

尺度，视角，光照以及部分遮挡，本文将介绍几种常见的优化方法，尽可能在这些复杂条件的影响下，检索出最相似的图像。

• 空间重排
• 几何验证
• 扩展查询

空间重排

主要是为了排除查询图像中背景部分的干扰，找到包含查询目标的区域。这里使用的方法通常可以使用目标检测方法中的第一步：区域建议方法（Proposal Region），尽可能的将图像中的不同区域分割出来。

• 滑动窗口法，穷举法。简单的使用使用不同尺寸和不同长宽比的窗口滑过窗口，每个窗口区域作为一个单独的查询。窗口的比例和尺寸比较难以确定，如果产生的窗口过多，会影响查询的速度。这也是最初目标检测中使用的方法，不推荐使用。

• Selective Search 选择性搜索，将区域的颜色,纹理，尺寸以及交叠相似度组合到一起，以此为标准将图像划分为多个子区域。OpenCV中有该方法的实现，但是比较耗时。

• EdgeBoxes 也是一种区域建议方法，首先利用结构化的方法检测出边缘，并利用非极大值抑制对边缘进行筛选；然后基于某种策略将似乎在一条直线上的边缘点集合成若干个edge group，并计算edge group之间的相似度，越是在同一直线上的edge group，其相似度越高。再通过edge group来确定轮廓数，实现策略为给每个edge group计算一个权值，将权值为1的edge group归为proposal内轮廓上的一部分，将权值为 0 的edge group归为proposal外或proposal框重叠的一部分，由此便提取得到proposal，并对proposal进行评分，选取得分最高的proposal作为最后的检测输出。 该方法效果上比Selective Search差点，但是速度上比较快。

• 可以使用目标检测中的Regional Proposal Net网络提取图像的各个区域。

使用上述的方法，将查询图像分成不同的子区域，将每个子区域作为一个查询，进行检索。这种方法虽然能在很大的程度上提高检索的精度，但是最好的方法还是能够确定检索的区域。 例如：假如是手机拍摄的查询，可以和扫描二维类似，将查询的目标放在固定的窗口中，这样可以大大的提高检索的精度。

空间验证 Spatial Verification

基于词袋模型(BoW)的图像检索，是将图像表示为视觉词汇的向量（视觉词汇,visual word通过图像的局部特征聚类得到）。在进行图像相似检索时，实际是检索具有相同视觉词汇的图像，由于视觉词汇是通过局部特征聚类得到的，丢失了图像的空间特征，仅仅使用视觉词汇来判断图像的相似性，会产生下面的问题：

有可能两图像中提取到的visual word比较相似，而两图像空间信息却不相同，如下图：

左边的是两幅图像下的正确匹配，右边的则是提取到的Visual World比较相似，却不是相似的图像。

空间验证 Spatial Verification就用来过滤掉上面的，仅仅是视觉词汇比较相似，但是空间信息却不具备相似性的检索结果。上面检索，过滤掉错误的匹配后结果：

空间验证的方法

使用BoW，两幅图像的匹配，通常是Visual Word的匹配，相匹配的特征点是通过视觉词汇取得的，例如：查询图像(q)的某个特征(q_1)映射到视觉词汇(vw_1)上，而检索出来的图像(p)的某个特征(p_1)也映射到(vw_1)上，这样就认为特征点(p_1)和(q_1)是匹配的。显然，这样的匹配方法会有很多的错误的匹配，空间验证就是为了过滤掉这种错误的匹配。

空间验证，简单来说就是对两幅图像的特征点进行匹配，并且过滤掉错误的匹配点。 就到了图像的经典问题了，图像特征的匹配及优化。

图像特征点的匹配和优化，常用的有以下方法：

• 交叉过滤，如果第一幅图像的一个特征点和第二幅图像的一个特征点相匹配，则进行一个相反的检查，即将第二幅图像上的特征点与第一幅图像上相应特征点进行匹配，如果匹配成功，则认为这对匹配是正确的。
• 比率测试，对每个匹配返回两个最近邻描述符，仅当第一个匹配与第二个匹配之间的距离足够小时，才认为这是一个匹配
• 基于对极约束的RANSAC方法，通过求两图像的基础矩阵或者单应矩阵，来剔除错误的匹配。

上述的几种特征匹配优化方法，可以参看之前的文章 OpenCV2:特征匹配及其优化

上述的几种方法中，基于RANSAC的方法做匹配优化的效果应该是最好的，但是RANSAC是一种迭代算法在性能上不占优势的。毕竟做图像检索的并发量是很高的。假如每次对(K = 20,50,100)甚至更多张图像进行空间验证的话，对特征点的匹配和剔除就提出了很高的性能要求。

Chum在论文Total Recall: Automatic Query Expansion with a Generative Feature Model for Object Retrieval
提出使用Locally Optimized RANSAC（LO-RANSAC）的方法，其原理也比较简单。

• 从数据集中随机的选择能够估计出模型参数的最小个数的数据集(S_m)
• 估计模型参数（匹配，两图像的单应矩阵）
• 计算符合估计模型的内点个数(I_k)。设置一个阈值( heta)，小于( heta)均认为是符合模型的内点。
• 在迭代中，如果有(I_k > I_j,k > j)，则进行Local Optimization的操作。
• Local Optimization 有多种方法，常用的是 Inner RANSAC，也就是只从选择符合当前最好模型的内点进行下一次迭代的，并且设置的阈值为(Kcdot heta)，在每次的迭代的时候减小阈值，直到阈值减小为( heta)。

更多关于LO-RANSAC的内容，可以参考论文

• Locally Optimized RANSAC
• Fixing LORANSAC

可以在 LO-RANSAC codes 找到其实现。

进行空间验证，基本能解决图像因为Sacle,Viewpoint或者Oculusion引起的目标的变化。 但是对于一些弱光照引起的变化，空间验证则无能为力了。这就要应用到扩展查询。

扩展查询 Query Expansion

对于弱光照引起的变化，如

最右边的图，由于光照比较弱，即使利用了空间验证，仍然难以检索出来，可以使用扩展查询。

扩展查询的方法有很多，简单有效的就是均值扩展查询（Average Query Expansion,AQE）

• 初始检索，选择Top N。 距离为准
• 空间验证，选择Top K。匹配点的个数为准
• 将空间验证后的Top K个的图像编码的做均值，作为新的查询。

总结

BoW的图像检索基本完成了，做个总结。

基于局部特征的图像检索，分为两个部分： 训练和检索

• 训练

  • 提取图像库中所有图像的局部特征(SIFT)
  • 对提取图像的所有特征进行聚类，得到(K)个聚类中心，也就是视觉词汇表Vocabulary,每个聚类中心是一个Visual word.
  • 将每个图像表示为VLAD向量，所有图像的VLAD向量的集合，就是用于检索的特征库。

• 检索

  • 区域建议 Proposal region，从检索图像中分割中检索目标坐在的区域(R)。
  • 从检索的特征库中，找出和(R)最相似的Top(K)个图像
  • 进行空间验证，选择和(R)匹配最好的Top (N)个图像
  • 扩展查询
  • 最终的返回结果