图像识别是WebAR的基础技术之一,该应用场景下常用基于特征点的图像匹配技术方案,其用于比较待识别图与模版图之间的特征点匹配程度。该方案虽然可以给出准确的匹配结果,但其运行速度过慢,在大规模图片量下无法满足WebAR服务的需求。为了解决该问题,本文引入了图像检索技术,通过大幅减少需要进行图像匹配的模版图数量来加速图像识别流程,其与图像匹配技术相互搭配,共同为WebAR平台提供图像识别服务。图像检索技术在算法层面包含两个部分,即图像嵌入算法和向量搜索算法,前者用于提取图片的特征并转换为定长嵌入向量,后者用于在模版图嵌入矩阵中快速筛选出与待识别图嵌入向量最相似的小部分模版图。在图像嵌入算法方面,本文使用卷积神经网络提取图像嵌入,用于实现自然图片到定长向量的映射,本文中通过分析WebAR场景下图片的特点,设计了适当的数据增强方法与损失函数,完成训练后该模型在测试集上的Top-20召回准确率达到90%以上。在向量搜索算法方面,本文首先通过PCA算法,在精度损失非常少的前提下大幅压缩了图像嵌入维度,降低了内存消耗并提升了向量计算速度。此外,本文中通过计算优化方法大幅降低了欧氏距离计算与向量距离排序时间。同时,本文中还对多种近似最近邻搜索算法进行了实验,探究其用于WebAR场景的可行性。基于前述工作,本文中构建了一套完整的适用于WebAR场景的图像检索系统,该系统在大规模数据量下也可快速返回图像检索结果。此外,为了进一步提升图像检索服务的稳定性与响应速度,本文中引入边缘计算,构建了一种云边协同服务机制,以边缘端服务为主,云端服务为辅,共同服务于WebAR平台,同时,通过图像检索服务容器化,提升了系统可扩展性与快速迁移能力。综上,本文重点在于提升WebAR场景下图像识别的速度,使其可应用于大规模图像数据,同时设计并实现了一套稳定、可扩展、低响应时间并提供云边协同服务的图像检索系统。