相關申請

本申請要求根據美國法典35U.S.C.§119(e)于2010年5月14日提交的名稱為“使用超大型數據庫進行對象識別的系統及方法（System?and?Method?for?Object?Recognition?with?Very?LargeDatabases）”的美國臨時申請序列號No.61/395,565的權益，該申請的全部內容通過引用結合在此。

技術領域

本公開內容的領域一般涉及用于對象識別的系統及方法，并且更具體但非排他性地涉及管理包含相對大量已知對象模型的數據庫。

背景技術

在過去的幾年，視覺對象識別系統已經變得越來越流行并且它們的用途一直在擴展。典型的視覺對象識別系統依賴于使用從圖像提取的多個特征，其中每個特征具有與其相關聯的多維描述符向量，該向量是高度可區分的并且能夠對特征進行區分。某些描述符的計算方式完全不管樣本圖像中對象的比例、定向或照度，對象的同一特征在所有樣本圖像中具有非常相似的描述符向量。這樣的特征被認為是和比例、定向和/或照度的變化無關。

在識別一個目標對象之前，建立一個數據庫，該數據庫包括從人們希望識別的多個已知對象提取的不變特征。為了識別目標對象，從目標對象提取不變特征，并且針對目標對象的每一個所提取的不變特征在數據庫中找到最相似的不變特征（稱為“最近鄰”）。最近鄰檢索算法已經被開發了很多年，使得檢索時間相對于數據庫的大小而言是對數的，因此識別算法具有實際價值。一旦在數據庫中找到最近鄰，就將這些最近鄰用于投票選擇它們來自其中的已知對象。如果將多個已知對象鑒別為目標對象的候選匹配對象，則可以通過確定哪一個候選匹配具有最高的最近鄰投票數來鑒別目標對象的真實已知對象匹配。在名稱為“用于鑒別圖像中的比例不變特征的方法及設備以及其用于定位圖像中的對象的用途（Method?and?apparatus?for?identifyingscale?invariant?features?in?an?image?and?use?of?same?for?locating?an?objectin?an?image）”的美國專利序列號No.6,711,293中描述了這樣一種已知的對象識別方法。

然而，典型方法的困難是當數據庫的大小增加時（即，隨著希望識別的已知對象的數量增加），更加難以找到最近鄰，因為用于最近鄰檢索的算法是概率性的。這些算法不能確保找到精確的最近鄰但是可以以高概率確保找到最近鄰。當數據庫的大小增加時，該概率降低，當數據庫足夠大時，該概率趨近于零。因此，本發明人認識到需要甚至當數據庫含有大量（例如，上千個、好幾萬、好幾百萬或好幾千萬個）對象時高效可靠地進行對象識別。

發明內容

本公開內容描述了改進的對象識別系統及相關聯的方法。

一個實施方案針對一種對存儲在對象識別系統的數據庫中的已知對象的識別模型集進行組織的方法。為這些已知對象中的每一個對象確定一個分類模型。將這些已知對象的分類模型分組為多個分類模型組。每個分類模型組鑒別該數據庫的一個對應部分，該部分包含具有是該分類模型組的成員的分類模型的已知對象的識別模型。為每個分類模型組計算一個代表性分類模型。每個代表性分類模型是從是該分類模型組的成員的分類模型得出或導出的。當嘗試識別目標對象時，將目標對象的分類模型與這些代表性分類模型進行比較從而使得能夠選擇識別模型子集，用于與目標對象的識別模型進行比較。

參考附圖從優選實施方案的以下詳細描述中其他的方面及優點將是顯而易見的。

附圖說明

圖1是根據一個實施方案的對象識別系統的框圖。

圖2是根據一個實施方案的包含已知對象的模型的圖1系統的數據庫的框圖。

圖3是根據一個實施方案的在圖1的系統的數據庫中形成的一個小型數據庫的框圖。

圖4是根據一個實施方案的用于將圖2的數據庫分為多個小型數據庫的方法的流程圖。

圖5是根據一個實施方案的用于生成對象的分類簽名的方法的流程圖。

圖6是根據另一個實施方案的用于生成對象的分類簽名的方法的流程圖。

圖7是根據另一個實施方案的用于生成對象的分類簽名的方法的流程圖。

圖8是根據一個實施方案的用于計算從對象的圖像得出的向量的精簡維度表示的方法的流程圖。

圖9是展示一個簡化的2維分類簽名空間的圖，已知對象的分類簽名位于該空間中并被分組為多個分類簽名組。

圖10是根據一個實施方案的用于識別目標對象的方法的流程圖。