视频检索：Videntifier与NV Tree

在视频多帧排序里，大白菜有提到过Videntifier这家做图像、视频检索的公司，在这篇博文里，详细介绍下这家公司以及该公司的主要检索技术。

Videntifier概况

Videntifier科技公司是一家冰岛的软件公司（员工大概17个），成立于2007年9月，该公司起源于雷克雅未克大学的数据库实验室，Herwig Lejsek从2007年到2019年任CEO（卸任后任董事会成员），在博士期间就从事这方面的研究。Videntifier主要构建于两项专利技术——视觉指纹技术和数据库技术：

• 视觉指纹技术：对图片、视频文件在解码的时候，提取局部特征，得到一组由72个数字组成的序列（每个指纹最终由6字节表示）。对于视频，会经过scene等方式过滤掉重复、相似的局部特征，从而在视频上，能极大的降低局部特征的数量；
• 数据库技术：NV-tree数据库（受专利保护），是一种非常高效近似最近邻查找技术，其查找时间复杂度与数据量大小无关，可以近似认为是常数复杂度，并且是一种针对磁盘数据结构设计的高维向量索引技术；

Videntifier目前服务的客户包括facebook、instagram、interpol等，主要提供对违法视频、图片文件的自动监测、屏蔽和过滤，对视频、图片等网站提供视频版权保护。

Videntifier几篇重要论文包括：

下面对Videntifier技术分析，主要是对上面给出的公开资料的理解整理。

特征构成等介绍

Videntifier使用的局部特征是Eff^2（Effectiveness和Efficiency的合并缩写）特征，其基础版本来源于Nowozin实现的autopano-sift，autopano-sift相比Lowe的SIFT的特点：

• 具有更少的描述子，描述子的维度可以是36、72和128；
• 在大部分情况下，虽然autopano-sift比Lowe的SIFT数量少，但是效果要比Lowe的SIFT好；

Videntifier在使用autopano-sift的时候，使用的是72维SIFT特征。为什么是72维？原因：autopano-sift在36-72维之间的时候，生成的SIFT的质量差异比较明显，而在72-128维之间，SIFT的质量并没有很大的提升，所以最终采用了72维的描述子。同时为了限制SIFT的数量，octave并没有进行上采样。

Videntifier局部特征提取工具，实际给出的desc是80维特征，而且特征出现负数。我们知道，SIFT统计的是梯度信息，不会出现负数，这里大白菜没看明白为啥（有知道的欢迎告知😀）。videntifier提取的局部特征信息：

• 前8维：scene id, x, y, sift octave, scale, movement x?, movement y?, xx?；
• 后72维：描述子；

关键点检测优化

为了降低计算量，videntifier在Octave没有做上采样，会降低对极度缩放形变的鲁棒性，videntifier对其进行了改进：在同一个Octave内，随着scale的增加，增加更强的gamma校正（说人话：模糊得更大的图像，会加更强的gamma校正），gamma参数2 − (0.87)^n。

描述子优化

过滤了“line”, “bright spots” (such as spotlights and raindrops) 类型的descriptor。(这部分大白菜没太看明白，有看过的欢迎探讨)

Videntifier使用的数据库索引技术是NV-tree，NV-tree的叶子节点是B+ tree，所以NV-tree具备B+ tree的所有优点：

• B+ tree的时间复杂度O(log(NH))，H是B+ tree的高度，N是样本的数目，NV-tree使用的H=1，并且会把N分割在线条的线段上，所以一次查询，可以认为接近O(H)的复杂度（查询时间跟数据的大小没什么关系）；
• 磁盘I/O效率高，NV-tree的叶子节点由于是B+ tree，所以叶子节点可以存储在磁盘上，另外由于B+ tree具备”矮胖”等优点，所以磁盘I/O只需要1次或者几次即可； 所以NV-tree的查询的时候，时间与数据的大小无关；在构建索引的时候，跟数据的大小、描述子的维度有关。

NV-tree索引构建过程，主要包含两个步骤：Projecting和Segmenting，两个OP不断重复，也被成为PvS框架的原因。每一个Projecting都会将数据投影到直线上（直线可以随机生成），然后会通过Segment将直线分割成很多线段（线段与线段的分割点称为cut-points，用来指导索引创建、搜索过程），每一个线段内重复执行Projecting和Segmenting，直到线段内的描述子达到设定的数目后，不再分裂。

下图展示的是1个NV-tree和3个NV-tree的数据结构：如图所示，1个NV-tree分割策略为[3, 5]，最后会得到3*5=15个分割区，每一个分割区以B+tree的方式组织描述子，并包含固定数目描述子的唯一标识符。

1个NV-tree (PvS 索引)

3个NV-tree (PvS 索引)

Projecting过程

Projecting的直线默认可以是随机生成的，这种方式最好是最简单并且是数据无关的。不过为了提高检索的质量，可以采用数据依赖的直线生成方式，比如PCA，在每个线段内，计算PCA，选择方差最大的特征向量作为投影的线条，当然这种方式计算量很大。所以实际在操作的时候，使用faster Approximate PCA ，即：在索引创建之前，预先生成一个大的随机线条池，放在内存中，池子中的线条满足：1）各向同性；2）两两之间准正交。

如上图所示，采样一小部分数据，投影到线条池中所有的直线上，选取一小部分具有最高方差的那些直线，然后在采样更多一点的数据，在这些具有最高方差的那些线条计算方差，从其中选择出更少的线条来，重复此过程，直到选出其中的一条来。

Segmenting过程

对于选定的投影直线（R^721），对于N个局部特征（R^172），都投影到直线上，然后对直线进行分割。分割的策略有3种：均衡分割、不均衡分割、混合方式分割：

• 均衡分割：基于基数（cardinality？相同数据量）的分割方式，这样每个线段内都具备相同的描述子数目，叶节点具有相同的大小的占用量；
• 不均衡分割：基于数据密度（正态分布）的分割方式，高密度的地方分割得更细，稀疏的地方，分割得少。这种方式会导致树更多；
• 混合方式分割：先用不均衡的方式分割，然后在每个线段内，再用均衡的方式分割内部；

索引检索过程

检索的过程与索引构建的过程类似，描述子在查询的时候，在每一个节点，通过投影到直线上，然后通过cut-points定位到是哪个子节点，进行遍历达到叶子节点。到达叶子节点后，通过一次I/O，从磁盘把叶子节点的indices读入内存，然后通过OMEDRANK排序，得到K近邻。

误匹配剔除

d(n_100, n_i) > c。

重复局部特征过滤

在视频检索时，局部特征存在高度的冗余，所以对视频类型的检索，会通过scene等方式进行过滤，剔除掉冗余特征。

测评与实验评估

在100万图片库及少量视频构成的索引库上，进行召回与准确率测试。实验评估主要从3个方面进行测量：形变、搜索的查重badcase、检索性能。

查重badcase评估情况

查重badcase包括：裁剪，静态背景干扰，画质变化，镜像，文字干扰。

对搜集的badcase准召测评：15个画中画的case，recall=100%，precision=100%。平均检索时间：

nr_points_queried nr_frames_queried time_fetch_points time_init_matching time_matching 平均 4213 50 1492ms 22ms 3673ms

公开数据集

在copydays数据集上，包括的形变有：旋转、仿射、裁剪、光照变化、画质变化、纹理较少、镜像变换，文字干扰。

对应的准召情况为：recall=89.34%，precision=95.54%，检索性能如下：

time_fetch_points time_init_matching time_matching time_query time_total_ms 17.6 0.745 97.4 7.28 304.3

裁剪形变自建数据集

自建了一份针对裁剪的形变数据集，里面包含了不同裁剪比例的query以及对应的原图：对应的准召情况为：recall = 89.7%, precision = 100%。

Vid优势总结

• vid的特征对多种形变的鲁棒性更好；
• vid的索引有优秀的可伸缩性，对百亿甚至千亿级别的特征，在内存消耗，时间性能和召回上依然表现很好；
• 定制化的服务，针对用户特殊的badcase，提供定制化的检测算法；