基于卷积神经网络的目标匹配方法及装置制造方法及图纸

技术编号:14774411 阅读:198 留言:0更新日期:2017-03-09 12:01
本发明专利技术涉及机器视觉技术领域,尤其是涉及一种基于卷积神经网络的目标匹配方法及装置。该目标匹配方法包括:获取第一图像和第二图像;计算第一图像中目标区域的池化特征;基于池化特征对第二图像进行遍历匹配,得到对应的匹配分值图;根据匹配分值图确定第二图像中的目标区域,其采用第一图像的池化特征对第二图像进行遍历匹配,匹配的准确度较佳、效率也较高。

【技术实现步骤摘要】

本专利技术涉及机器视觉
,具体而言,涉及一种基于卷积神经网络的目标匹配方法及装置
技术介绍
随着智慧城市建设的不断深入,视频监控市场继续保持快速增长的态势。目前,视频监控主要通过设置捕获环境信息的摄像机来捕获视频图像,并将捕获到的视频图像传输至控制平台以对其进行分析处理,例如对视频图像中目标的跟踪。对于目标跟踪,其一般过程是:目标进入视频监控区域后,由于目标是运动的,将系统捕获到目标在当前帧的图像作为模板,在视频图像的下一帧通过目标匹配找到目标移动后的位置。可见,如何精确地进行目标匹配是视频图像跟踪的关键。另外,目标匹配也是图像识别、图像检索、图像标注等技术的核心。其中,目标匹配也就是指,对前后视频帧或者预先选定的多个图像帧进行关联,从后一图像帧中找到与前一图像帧中的目标相匹配的匹配目标。其关联的方法主要通过特征进行关联。在现有技术中,一般采用点特征模板匹配、线特征模板匹配和面特征模板匹配等目标匹配的方法。然而,点特征匹配方法在目标对比度较低,或没有明显的焦点特征时,匹配准确度较差;线特征匹配方法在目标边缘不明显,或目标产生较大变形时,匹配的准确度也较差;面特征匹配方法虽然提高了匹配的准确度,但是其运算量较大,效率较低。
技术实现思路
有鉴于此,本专利技术的目的在于提供一种基于卷积神经网络的目标匹配方法及装置,采用池化特征进行遍历匹配,匹配的准确度和效率均较高。第一方面,本专利技术实施例提供了一种基于卷积神经网络的目标匹配方法,所述方法包括:获取第一图像和第二图像;计算所述第一图像中目标区域的池化特征;基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图;根据所述匹配分值图确定所述第二图像中的目标区域。结合第一方面,本专利技术实施例提供了第一方面的第一种可能的实施方式,其中,所述计算所述第一图像中目标区域的池化特征,包括:基于预先获取的卷积神经网络CNN提取所述第一图像的第一基础特征层;根据所述第一图像中目标区域的位置和所述CNN的降维比率,计算所述第一基础特征层中相对于目标区域的第一窗口的位置;基于预设的池化参数和所述第一窗口的位置,确定所述第一基础特征层的第二窗口的位置;将所述第二窗口的第一基础特征层输入至所述池化参数对应的池化层进行特征提取,得到池化特征。结合第一方面的第一种可能的实施方式,本专利技术实施例提供了第一方面的第二种可能的实施方式,其中,所述基于预设的池化参数和所述第一窗口的位置,确定所述第一基础特征层的第二窗口的位置,包括:根据预设的池化层的最小窗口尺寸和所述第一窗口的位置,计算池化层的第一输出尺寸;根据预设的池化层的最大输出尺寸和所述第一输出尺寸,计算所述池化层的第二输出尺寸;根据所述第二输出尺寸和所述第一窗口的位置,计算所述池化层的窗口尺寸;根据所述第二输出尺寸和所述窗口尺寸,计算所述第一基础特征层的第二窗口的位置。结合第一方面的第二种可能的实施方式,本专利技术实施例提供了第一方面的第三种可能的实施方式,其中,所述基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图,包括:基于预先获取的卷积神经网络CNN提取所述第二图像的第二基础特征层;为所述第二基础特征层分别配置匹配卷积层和模值卷积层;其中,所述匹配卷积层和所述模值卷积层使用的卷积核均为取自所述第一图像的归一化池化特征,所述归一化池化特征是对所述池化特征进行归一化处理得到的;根据所述匹配卷积层的输出和所述模值卷积层的输出之间的比值关系,得出所述第二图像的每个待匹配区域相对于第一图像的目标区域的匹配分值图。结合第一方面的第三种可能的实施方式,本专利技术实施例提供了第一方面的第四种可能的实施方式,其中,所述基于预先获取的卷积神经网络CNN提取所述第二图像的第二基础特征层,包括:按照所述第一图像对所述第二图像进行缩放处理,得到缩放处理后的第二图像;基于预先获取的卷积神经网络CNN提取所述缩放处理后的第二图像的第二基础特征层。结合第一方面的第三种可能的实施方式,本专利技术实施例提供了第一方面的第五种可能的实施方式,其中,为所述第二基础特征层配置匹配卷积层,包括:基于所述池化层的窗口尺寸和窗口遍历颗粒度为所述第二基础特征层配置待匹配池化层,以根据所述待匹配池化层对第二基础特征层的输出按照所述池化层的窗口尺寸进行池化处理;根据所述归一化池化特征为所述待匹配池化层配置匹配卷积层,以根据所述匹配卷积层对待匹配池化层的输出按照所述归一化池化特征进行卷积处理;为所述第二基础特征层配置模值卷积层,包括:基于模值运算对所述待匹配池化层配置模值计算层,以根据所述模值计算层对所述待匹配池化层的输出进行归一化处理;根据所述归一化池化特征为所述模值计算层配置模值卷积层,以根据所述模值卷积层对模值计算层的输出按照归一化池化特征进行卷积处理。结合第一方面的第五种可能的实施方式,本专利技术实施例提供了第一方面的第六种可能的实施方式,其中,所述根据所述归一化池化特征为所述待匹配池化层配置匹配卷积层,包括:根据所述池化层的窗口尺寸和窗口遍历颗粒度之间的差值运算结果对所述归一化池化特征进行加孔处理,得到加孔处理后的归一化池化特征;根据所述加孔处理后的归一化池化特征为所述待匹配池化层配置匹配卷积层。结合第一方面的第五种可能的实施方式,本专利技术实施例提供了第一方面的第七种可能的实施方式,其中,所述根据所述归一化池化特征为所述模值计算层配置模值卷积层,包括:根据所述池化层的窗口尺寸和窗口遍历颗粒度之间的差值运算结果对所述归一化池化特征进行加孔处理,得到加孔处理后的归一化池化特征;根据所述加孔处理后的归一化池化特征为所述模值计算层配置模值卷积层。结合第一方面的第三种可能的实施方式,本专利技术实施例提供了第一方面的第八种可能的实施方式,其中,所述根据所述匹配分值图确定所述第二图像中的目标区域,包括:选取匹配分值图中的最高分值对应的待匹配区域作为第二图像中的目标区域。第二方面,本专利技术实施例还提供了一种基于卷积神经网络的目标匹配装置,所述装置包括:获取模块,用于获取第一图像和第二图像;计算模块,用于计算所述第一图像中目标区域的池化特征;生成模块,用于基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图;确定模块,用于根据所述匹配分值图确定所述第二图像中的目标区域。本专利技术实施例提供的基于卷积神经网络的目标匹配方法及装置,与现有技术中的点特征匹配方法和线特征匹配方法的准确度较差,且面特征匹配方法的效率较低相比,其首先获取第一图像和第二图像,其次对第一图像中的目标区域进行池化特征的计算,再次基于上述计算得到的池化特征对第二图像进行遍历匹配,最后根据遍历匹配得到的匹配分值图确定第二图像中的目标区域,其采用第一图像的池化特征对第二图像进行遍历匹配,匹配的准确度较佳、效率也较高。为使本专利技术的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本专利技术的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。图1示出了本专利技术实施例所提供的一种基于卷积神经本文档来自技高网...
基于卷积神经网络的目标匹配方法及装置

【技术保护点】
基于卷积神经网络的目标匹配方法,其特征在于,包括:获取第一图像和第二图像;计算所述第一图像中目标区域的池化特征;基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图;根据所述匹配分值图确定所述第二图像中的目标区域。

【技术特征摘要】
1.基于卷积神经网络的目标匹配方法,其特征在于,包括:获取第一图像和第二图像;计算所述第一图像中目标区域的池化特征;基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图;根据所述匹配分值图确定所述第二图像中的目标区域。2.根据权利要求1所述的方法,其特征在于,所述计算所述第一图像中目标区域的池化特征,包括:基于预先获取的卷积神经网络CNN提取所述第一图像的第一基础特征层;根据所述第一图像中目标区域的位置和所述CNN的降维比率,计算所述第一基础特征层中相对于目标区域的第一窗口的位置;基于预设的池化参数和所述第一窗口的位置,确定所述第一基础特征层的第二窗口的位置;将所述第二窗口的第一基础特征层输入至所述池化参数对应的池化层进行特征提取,得到池化特征。3.根据权利要求2所述的方法,其特征在于,所述基于预设的池化参数和所述第一窗口的位置,确定所述第一基础特征层的第二窗口的位置,包括:根据预设的池化层的最小窗口尺寸和所述第一窗口的位置,计算池化层的第一输出尺寸;根据预设的池化层的最大输出尺寸和所述第一输出尺寸,计算所述池化层的第二输出尺寸;根据所述第二输出尺寸和所述第一窗口的位置,计算所述池化层的窗口尺寸;根据所述第二输出尺寸和所述窗口尺寸,计算所述第一基础特征层的第二窗口的位置。4.根据权利要求3所述的方法,其特征在于,所述基于所述池化特征对所述第二图像进行遍历匹配,得到对应的匹配分值图,包括:基于预先获取的卷积神经网络CNN提取所述第二图像的第二基础特征层;为所述第二基础特征层分别配置匹配卷积层和模值卷积层;其中,所述匹配卷积层和所述模值卷积层使用的卷积核均为取自所述第一图像的归一化池化特征,所述归一化池化特征是对所述池化特征进行归一化处理得到的;根据所述匹配卷积层的输出和所述模值卷积层的输出之间的比值关系,得出所述第二图像的每个待匹配区域相对于第一图像的目标区域的匹配分值图。5.根据权利要求4所述的方法,其特征在于,所述基于预先获取的卷积神经网络CNN提取所述第二图像的第二基础特征层,包括:按照所述第一图像对所述第二图像进行缩放处理,得到缩放处理后的...

【专利技术属性】
技术研发人员:任鹏远石园许健李岩张丛喆
申请(专利权)人:东方网力科技股份有限公司
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1