10.3969/j.issn.1006-2475.2017.06.012
基于Hadoop的大规模图像存储与检索
图像数据的指数型增长使得传统单机的图像检索在处理大规模图像时面临着检索速度慢、并发性差、检索准确率低的问题.由于图像特征文件都是小文件,本文提出将图像特征小文件进行适当的合并后存储于Hadoop的分布式文件系统HDFS中,实现大规模图像的快速存储和读取;为了适应大规模的图像检索,对图像Fisher向量进行二值化处理,并利用MapReduce并行编程模型实现基于二值Fisher向量和SIFT(Scale Invariant Feature Transform)特征的并行检索.在INRIA Holidays数据集、Kentucky数据集和Flicker1M数据集上的实验结果表明该方法扩展性强,能够取得较好的检索准确率,有效减少检索时间,提高检索速度,是一种高效的大规模图像存储和检索的方法.
大规模图像、Hadoop、并行检索、二值Fisher向量、SIFT
TP391(计算技术、计算机技术)
北京市自然科学基金资助项目4152042;中央高校基本科研业务费专项资金资助项目2015JBC005
2017-10-13(万方平台首次上网日期,不代表论文的发表时间)
共7页
61-66,83