[發明專利]一種基于圖形基元的雙模深度學習描述子構造方法有效
| 申請號： | 201811317282.2 | 申請日： | 2018-11-07 |
| 公開（公告）號： | CN109409388B | 公開（公告）日： | 2021-08-27 |
| 發明（設計）人： | 丁新濤;左開中;汪金寶;接標;俞慶英 | 申請（專利權）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： | 蕪湖安匯知識產權代理有限公司 34107 | 代理人： | 馬榮 |
| 地址： | 241000 安徽省*** | 國省代碼： | 安徽;34 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 圖形 雙模 深度 學習 描述 構造 方法 | ||
本發明適用于圖像配準技術領域，提供了一種基于圖形基元的雙模深度學習描述子構造方法，該方法別通過標注樣本學習補丁圖像的屬性類別，利用圖形基元學習補丁圖像的幾何特征，將屬性類別與幾何特征融合進而得到局部補丁圖像的特征向量，也即：基于圖形基元的描述子。通過描述子向量的相似完成補丁之間的配準，實現了基于機器學習描述子的分類刻畫，本發明提出的基于圖形基元的雙模深度學習描述子構造方法，針對經典圖像配準方法CPU計算量較大的弊端，探索GPU(圖像處理器)計算的描述子分類方法。主要建立描述子訓練集，構建多模卷積網絡，在GPU上訓練類別與幾何模式，實現局部補丁圖像的分類配準。解決描述子的分類描述方法，以及GPU上的實現問題。
技術領域
本發明屬于圖像配準技術領域，提供了一種基于圖像基元的雙模深度學習描述子構造方法。
背景技術
特征匹配是圖像配準的主流方法，經典圖像配準方法采用局部特征描述子，它以關鍵點為中心的圖像局部區域為對象，根據其內部像素點的灰階信息，對該區域特征進行描述，而得到的一個表達圖像關鍵點周圍局部信息的特征向量。但是經典描述子計算量大，很難應用于實時系統，對移動設備也不適用。
發明內容
本發明實施例提供一種基于圖像基元的雙模深度學習描述子構造方法，旨在解決經典描述子計算量大，難以應用于實時系統的問題。
為了實現上述目的，本發明提供了一種基于圖像基元的雙模深度學習描述子構造方法，所述方法包括如下步驟：
S1、提取圖像I1和圖像I2的關鍵點p1i及p2i，分別構成關鍵點集合P1及關鍵點集合P2；
S2、截取關鍵點集合P1及關鍵點集合P2中所有關鍵點的補丁圖像，基于補丁圖像來構成關鍵點局部區域的尺度空間，所述補丁圖像是指以某一關鍵點為中心，截取的N個不同尺寸圖像；
S3、將各關鍵點對應的補丁圖像分別縮放成設定尺寸，得到規范化尺度補丁圖像，并同時執行步驟S4及步驟S5；
S4、將關鍵點的規范化尺度補丁圖像分別輸入類別檢測模型，輸出規范化尺寸補丁圖像的類別；
S5、邊緣化規范化尺度補丁圖像，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、將同一關鍵點在不同尺寸補丁圖像上的類別和幾何特征向量聯合，組合成各關鍵點在不同尺度補丁圖像上的描述子向量。
進一步的，在步驟S6之后還包括：
S7、進行圖像I1與圖像I2中的關鍵點配準，圖像I1和圖像I2中的任一一對關鍵點p1i及p2i的配準方法具體如下：
若存在j1與j2，使得則圖像I1關鍵點p1i與圖像I2關鍵點p2i匹配；
其中，T為設定的距離閾值，為圖像I1中第i個關鍵點在第j1個尺寸上的描述子向量，為圖像I2中第i個關鍵點在第j2個尺寸上的描述子向量。
進一步的，步驟S3中的類別檢測模型構建方法具體如下：
S31、構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據來構成的；
S32、構建類別分類器；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于安徽師范大學，未經安徽師范大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811317282.2/2.html，轉載請聲明來源鉆瓜專利網。
