Kmeans based indexing and Asymmetric Distance Computation for ANN search (Binary Local Feature):...

转自: http://www.cvchina.info/2012/01/13/kmeans-based-indexing-and-asymmetric-distance-computation-for-ann-search-binary-local-feature-part1/#more-3232

受Herve Jegou的Hamming Embedding and Weak Geometric consistency for large-scale image search以及Product quantization for nearest neighbor search的启发，将Kmeans clustering、inverted files、Asymmetric Distance Computation应用到二进制形式的局部特征的最近邻检索。

主要思路：

用Kmeans做特征的粗索引。

根据统计数据对feature进行压缩。

检索时使用非对称的方式计算索引特征与查询特征之间的距离。

算法：

训练：

1. 使用Kmeans对欲索引的特征进行聚类，得到K个中心。对二进制形式的feature做聚类时，类别中心更新方式为：对于每一个bit，统计所有落在该类别的特征的对应bit上的1,0频率，并取高者。
2. 对于每个cluster，统计所有落在该类别的特征的每个bit位的1,0频率，取1或者0频率靠近50%的前M个bits。（越靠近50%，熵越大）

经过训练，我们得到两组数据：

• K个特征类别中心。
• 对于每个类别中心，都有一组“M个bit位置标示符”。这些标示符构成一个对原始feature进行压缩的依据。（本文以后将其称为投影向量）

索引：

1. 建立倒排表
2. 对于每一个欲索引的特征，计算其类别中心，并用该类别的投影向量对特征进行投影，得到一个M位的signature。记为sig_templ, 将该signature插入到倒排表中。

ANN检索：

1. 计算query特征的类别中心query_cluster，并用该类别的投影向量对特征进行投影，得到一个M位的sig_query。
2. 计算query特征与类别中心的，除去该类别投影向量对应的bit位的距离，记为dist_base.
3. 遍历query_cluster对应的倒排表项，计算sig_query于表项中的sig_templ的距离，记为dist_sig。那么query特征与索引特征的距离dist = dist_base + dist_sig. 如此得到的最小距离，如小于某阈值，即可认为找到一个ANN。

关于时间复杂度的一点分析：

假设K = 40， M = 64，特征为32Byte ORB（假设有1k的供索引的特征）：

那么每次ANN检索只用做

40次32Byte的Hamming Distance计算 +  约25次8Byte的Hamming Distance计算。

对比穷举检索：

1000次32Byte的Hamming Distance计算

速度提升：20x

 

示例：

实验配置：

• 特征：Orb
• nn/ann匹配阈值：50
• K = 40

下图为穷举检索，图像匹配的结果：（无ransac）

After Ransac：

下图为使用上述ANN检索方式，图像匹配的结果：（无ransac）

After Ransac：

可以看出，匹配点数会有明显下降。原因是两级索引方式固有的缺陷。（两个本身很近的feature，会被分类到不同的cluster）。也许使用Multi Assignment会有所改善。

等代码整理好再发part2.