Image processing CBIR索引策略

我正在开发一个CBIR解决方案，将其集成到车牌识别应用程序中。图像匹配算法非常健壮，但可以想象，数据库非常庞大，从数据库中提取图像进行匹配的速度非常慢。我试着用一个小的局部特征向量，甚至是一个数值来量化图像，但没有成功。这样做的目的是为一些这样的值编制索引，以实现真正快速的提取，同时大大减少匹配候选对象的数量。我已经读了很多关于这个主题的论文，但大多数都将分类和机器学习作为解决方案。因为我不知道分类是如何有用的，因为所有的图像都非常相似（车牌图片），所以我想和过去有过类似问题的人讨论一些想法，甚至是有一些关于我如何解决这个问题的线索的人。很长一段时间以来，我一直在努力解决这个性能问题，但没有取得多大成功。

鉴于评论中的其他信息，我将用以下方式解决问题：

• 从图像中检测/分割车牌

• 应用OCR，从图版中提取包含字母和数字的字符串

• 为了验证两个图像是否对应于同一车牌，请比较两个字符串。还请注意，与多维特征向量相比，索引字符串更容易、更有效

---

不，它实际上是一个图像指纹应用程序……给定两张图像，我们确定它是否是同一个车牌。这是一个非常好的建议，也是我们已经想到的建议。它确实可以解决我们所有的问题，但问题是，由于商业模式相关的东西，fingeprinting必须完全独立于任何OCR模块：\但是，这是一个非常好的建议。为什么它必须独立于OCR模块？是否因为您不能使用外部库？如果OCR算法是由您自己实现的，那么这是一个有效的解决方案吗？关键是，您从图像中提取的任何特征（即特征向量）对于您的任务来说都不如车牌字符那么健壮。没错！我们不能使用的原因是因为我的老板强加了一些业务逻辑：\此外，OCR算法在美国的梳妆板上不太管用。我目前正在研究图像形状量化，看看能不能找到什么。