[發明專利]一種基于深度神經網絡的關鍵點檢測方法

在審

• 申請號: 202210947930.2
• 申請日: 2022-08-09
• 公開（公告）號: CN115546469A
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 劉金霞;張云劍;蔣成龍
• 申請（專利權）人: 浙江萬里學院
• 主分類號: G06V10/25
• 分類號: G06V10/25;G06N3/04;G06N3/08;G06V10/44;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 寧波甬致專利代理有限公司 33228
• 代理人: 黃江

1.一種基于深度神經網絡的關鍵點檢測方法，其特征在于，包括以下步驟：

步驟S1，對至少一輸入圖像進行特征提取處理得到包含多個網格的一特征圖；

步驟S2，針對所述特征圖上的每個所述網格，統計所述網格內每個像素點的激活值并將激活值最大的所述像素點作為候選點；

步驟S3，對各所述候選點對應的所述激活值由大至小進行排序，取排序靠前的預設數量的各所述激活值所對應的各所述候選點作為關鍵點；

步驟S4，針對每個所述關鍵點，于所述特征圖內裁剪得到包含所述關鍵點的一圖像塊；

步驟S5，針對每個所述圖像塊，對所述圖像塊依次進行特征提取處理、通道整合處理和編碼處理得到對應的一描述符。

2.根據權利要求1所述的關鍵點檢測方法，其特征在于，執行所述步驟S5之后還包括：

將各所述關鍵點和各所述關鍵點對應的所述描述符輸入至預先訓練得到的一關鍵點篩選模型內篩選得到準確的所述關鍵點和所述關鍵點對應的所述描述符。

3.根據權利要求1所述的關鍵點檢測方法，其特征在于，執行所述步驟S1之前還包括一模型訓練過程，所述模型訓練過程包括：

步驟A1，獲取至少一歷史圖像及所述歷史圖像對應的多個歷史關鍵點和各所述歷史關鍵點對應的歷史描述符；

步驟A2，針對任意兩個所述歷史關鍵點，判斷兩個所述歷史關鍵點之間的距離是否大于一預設閾值：

若是，則將兩個所述歷史關鍵點標注為正對，并將兩個所述歷史關鍵點對應的所述歷史描述符標注為正對組，隨后轉向步驟A3；

若否，則將兩個所述歷史關鍵點標注為負對，并將兩個所述歷史關鍵點對應的所述歷史描述符標注為負對組，隨后轉向所述步驟A3；

步驟A3，針對每一個所述正對組和所述負對組，根據所述正對組內的各所述歷史描述符、所述負對組內的各所述歷史描述符、所述正對組對應的標注為正對的各所述歷史關鍵點以及所述負對組對應的標注為負對的各所述歷史關鍵點處理得到對應的一對比損失，并根據所述正對組對應的標注為正對的各所述歷史關鍵點處理得到對應的一得分損失；

步驟A4，根據所述對比損失和所述得分損失篩選得到準確的各所述歷史關鍵點和各所述歷史關鍵點對應的所述歷史描述符，將所述歷史圖像作為輸入，將準確的各所述歷史關鍵點和各所述歷史關鍵點對應的所述歷史描述符作為輸出，訓練得到所述關鍵點篩選模型。

4.根據權利要求3所述的關鍵點檢測方法，其特征在于，所述步驟A4包括：

步驟A41，針對每一個標注為正對的所述歷史關鍵點，根據所述得分損失和所述對比損失判斷所述歷史關鍵點是否準確：

若是，則保留所述歷史關鍵點和所述歷史關鍵點對應的所述歷史描述符，隨后轉向步驟A42；

若否，則篩去所述歷史關鍵點和所述歷史關鍵點對應的所述歷史描述符，隨后轉向步驟A42；

步驟A42，針對每一個標注為負對的所述歷史關鍵點，根據所述得分損失和所述對比損失判斷所述歷史關鍵點是否準確：

若是，則保留所述歷史關鍵點和所述歷史關鍵點對應的所述歷史描述符，隨后轉向步驟A43；

若否，則篩去所述歷史關鍵點和所述歷史關鍵點對應的所述歷史描述符，隨后轉向步驟A43；

步驟A43，將保留下來的各所述歷史關鍵點和各所述歷史描述符作為準確的各所述歷史關鍵點和各所述歷史描述符，并將所述歷史圖像作為輸入，將準確的各所述歷史關鍵點和各所述歷史關鍵點對應的所述歷史描述符作為輸出，訓練得到所述關鍵點篩選模型。

5.根據權利要求1所述的關鍵點檢測方法，其特征在于，所述步驟S1包括：

步驟S11，對所述輸入圖像進行兩次下采樣得到不同分辨率的兩個第一圖像；

步驟S12，針對每一個所述第一圖像，對所述第一圖像進行特征提取處理得到不同分辨率的三個第二圖像，隨后對三個所述第二圖像中分辨率較低的兩個所述第二圖像分別進行上采樣得到相同分辨率的三個所述第二圖像，以及對三個所述第二圖像級進行通道連接得到一第三圖像；

步驟S13，將各所述第三圖像進行通道整合得到包含多個網格的所述特征圖。