杜刚，朱艳云，张晨，杜雪涛

（中国移动通信集团设计院有限公司，北京 100080）

垃圾彩信中海量图片检索和聚类关键技术研究

杜刚，朱艳云，张晨，杜雪涛

（中国移动通信集团设计院有限公司，北京 100080）

本文总结了不良违规图片管理经验，详细介绍了海量图片相似检索和聚类技术的诸多关键技术，包含视觉词和嵌入码的生成、索引、结果打分等，并给出了许多工程化的实践经验。

图片检索；模式识别；视觉词；图片相似检索

网络中传播的不良信息通常被传播者篡改而衍生出许多相似的版本。在治理不良信息时，需要对大量不良图片信息进行相似聚类。常规的聚类方法已经远远无法满足生产的需要。借鉴海量图片索引和检索技术，可以大幅提高相似图片的聚类效率。

在图像处理和识别领域，SURF特征能够有效的表示图像的局部特征。这些特征是具有很好的鲁棒性，针对图片的尺度变换（缩放、旋转）后，特征也不会发生变化，并且已经成功的应用于大量的图像识别任务，如人脸识别，环境识别等。具体来说，一个SURF特征是一个64维实数空间中的一个点，一幅图可能包含不定数量的SURF特征。如果将一个SURF特征当做文档中的一个词，而一幅图就可以看做包含若干词的文档。这是基于视觉词的图片检索技术的基本思想。

然而，实数空间是可以无限细分的。理论上存在无限多个SURF特征。换言之，视觉词有无限多个，语义粒度可以无限细致。过细的语义粒度有利于检索的准确率但不利于检索的查全率。……