[發(fā)明專利]一種基于圖形基元的雙模深度學習描述子構(gòu)造方法

有效

• 申請?zhí)枺?/td>: 201811317282.2
• 申請日: 2018-11-07
• 公開（公告）號: CN109409388B
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計）人: 丁新濤;左開中;汪金寶;接標;俞慶英
• 申請（專利權(quán)）人: 安徽師范大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06T7/13;G06T7/30
• 代理公司: 蕪湖安匯知識產(chǎn)權(quán)代理有限公司 34107
• 代理人: 馬榮

1.一種基于圖形基元的雙模深度學習描述子構(gòu)造方法，其特征在于，所述方法包括如下步驟：

S1、提取圖像I₁和圖像I₂的關(guān)鍵點p_1i及p_2i，分別構(gòu)成關(guān)鍵點集合P₁及關(guān)鍵點集合P₂；

S2、截取關(guān)鍵點集合P₁及關(guān)鍵點集合P₂中所有關(guān)鍵點的補丁圖像，基于補丁圖像來構(gòu)成關(guān)鍵點局部區(qū)域的尺度空間，所述補丁圖像是指以某一關(guān)鍵點為中心，截取的N個不同尺寸圖像；

S3、將各關(guān)鍵點對應的補丁圖像分別縮放成設(shè)定尺寸，得到規(guī)范化尺度補丁圖像，并同時執(zhí)行步驟S4及步驟S5；

S4、將關(guān)鍵點的規(guī)范化尺度補丁圖像分別輸入類別檢測模型，輸出規(guī)范化尺寸補丁圖像的類別；

S5、邊緣化規(guī)范化尺度補丁圖像，得到補丁邊緣化圖像，并輸入幾何檢測模型，得到補丁邊緣化圖像的幾何特征向量；

S6、將同一關(guān)鍵點在不同尺寸補丁圖像上的類別和幾何特征向量聯(lián)合，組合成各關(guān)鍵點在不同尺度補丁圖像上的描述子向量。

2.如權(quán)利要求1所述基于圖形基元的雙模深度學習描述子構(gòu)造方法，其特征在于，在步驟S6之后還包括：

S7、進行圖像I₁與圖像I₂中的關(guān)鍵點配準，圖像I₁和圖像I₂中的任一一對關(guān)鍵點p_1i及p_2i的配準方法具體如下：

若存在j₁與j₂，使得則圖像I₁關(guān)鍵點p_1i與圖像I₂關(guān)鍵點p_2i匹配；

其中，T為設(shè)定的距離閾值，為圖像I₁中第i個關(guān)鍵點在第j₁個尺寸上的描述子向量，為圖像I₂中第i個關(guān)鍵點在第j₂個尺寸上的描述子向量。

3.如權(quán)利要求1所述基于圖形基元的雙模深度學習描述子構(gòu)造方法，其特征在于，步驟S4中的類別檢測模型構(gòu)建方法具體如下：

S31、構(gòu)造類別檢測訓練集及類別檢測驗證集，所述類別檢測訓練集及類別檢測驗證集是基于分類標注數(shù)據(jù)來構(gòu)成的；

S32、構(gòu)建類別分類器；

S33、通過類別訓練集對類別分類器進行訓練；

S34、若訓練次數(shù)達到設(shè)定的次數(shù)閾值，則通過分類驗證集對訓練后的類別分類器進行驗證，若訓練后的類別分類器在類別驗證集上的誤差位于誤差允許范圍或者是訓練次數(shù)達到上限閾值，則停止訓練，即形成類別檢測模型。

4.如權(quán)利要求1所述基于圖形基元的雙模深度學習描述子構(gòu)造方法，其特征在于，步驟S5中的幾何檢測模型構(gòu)建方法具體如下：

S41、構(gòu)造圖像基元訓練集及圖像基元驗證集，圖像基元訓練集及圖像基元驗證集是基于隨機生成的含有直線和圓的組合圖像構(gòu)成；

S42、針對圖像基元訓練集構(gòu)建多維基元分類器；

S43、通過圖像基元訓練集對多維基元分類器進行訓練；

S44、若訓練次數(shù)達到設(shè)定的次數(shù)閾值，則通過圖像基元驗證集對訓練后的多維基元分類器進行驗證，若訓練后的多維基元分類器在圖像基元驗證集上的誤差位于誤差允許范圍或者是訓練次數(shù)達到上限閾值，則停止訓練，即形成幾何檢測模型。

5.如權(quán)利要求3所述基于圖形基元的雙模深度學習描述子構(gòu)造方法，其特征在于，所述類別檢測訓練集及類別檢測驗證集的構(gòu)建方法具體如下：

S311、在目標數(shù)據(jù)庫上下載圖像；

S312、根據(jù)分割分類標注，在圖像的目標區(qū)域內(nèi)選擇設(shè)定尺寸的補丁圖像，選擇的補丁圖像數(shù)量為目標區(qū)域尺寸行列相乘的四分之一，補丁圖形中心坐標的頻率服從中心在區(qū)域中心的二維高斯分布；

S314、按設(shè)定的比例將帶有分類標注的補丁圖形分別放入類別檢測訓練集及類別檢測驗證集。