图像特征提取方法和装置制造方法及图纸

本发明专利技术提供一种图像特征提取方法和装置，其中，图像特征提取方法包括：获取第一图像的第一深度卷积神经网络CNN特征，第一CNN特征为第一图像在第一尺度时的CNN特征；重采样第一CNN特征得到重采样数据；将重采样数据与第一参数相乘得到第二CNN特征，第二CNN特征为第一图像在第二尺度时的CNN特征。本发明专利技术提供的图像特征提取方法和装置，将图像在第一尺度上的第一CNN特征经过重采样并与第一参数相乘后，能够得到图像在第二尺度上的第二CNN特征，减少了图像特征提取的计算量，并且使得空间变换网络应用于深度神经网络的其他位置时，空间变换网络对输入的深度神经网络的特征做尺度变换后能够得到尺度变换后的特征。

Image feature extracting method and apparatus

The present invention provides an image feature extraction method and device, wherein, the image feature extraction method comprises: obtaining the first images of the first deep convolutional neural network CNN feature, CNN feature for the first the first image in the first scale CNN feature CNN feature; resampling first resampled data is obtained; will re sampling data and the first parameter multiplication second CNN second features, CNN features for the first image in the second scale CNN feature. Method and apparatus of the invention provides image feature extraction, image will be the first CNN in the first scale characteristics after re sampling and the first parameter multiplied, can obtain second images in second on the scale of CNN features, reducing the amount of calculation of image feature extraction, other position and space made transform network is applied to the depth of the neural network when the feature space transform network depth neural network on the input scale transform feature can be obtained after the scale transformation.

【技术实现步骤摘要】
图像特征提取方法和装置
本专利技术涉及机器学习技术，尤其涉及一种图像特征提取方法和装置。
技术介绍
深度卷积神经网络是模式识别领域重要的机器学习技术，可用于提取图像的特征。由于深度卷积神经网络能够学习具有强表达能力的图像的层级式特征，利用深度卷积神经网络能够实现目标检测、人脸识别和语义分割等。但是，深度卷积神经网络提取的特征对图像的尺寸变化较为敏感，不具备尺度不变性。即当待提取特征的图像的尺寸发生变化时，不能准确提取图像的特征。现有技术中，将进行缩放后的图像输入到多列深度卷积神经网络中，深度卷积神经网络中的每一列分别为图像在该列对应尺度上提取的图像特征。或者，通过在深度卷积神经网络中加入空间变换网络，先将图像经过尺度变换后，再送入深度卷积神经网络提取图像的特征，从而使得深度卷积神经网络提取到的图像特征具备了尺度不变性。采用现有技术，空间变换网络对输入的图像做尺度变换后通过神经网络以得到图像尺度变换后的特征，图像通过空间变换网络进行尺度变化的计算量较大。
技术实现思路
本专利技术提供一种图像特征提取方法和装置，减少了图像特征提取的计算量。本专利技术提供的一种图像特征提取方法和装置，还可以使得空间变换网络应用于深度神经网络的其他位置时，空间变换网络对输入的深度神经网络的特征做尺度变换后能够得到尺度变换后的特征。本专利技术提供一种图像特征提取方法，包括：获取第一图像的第一深度卷积神经网络CNN特征，所述第一CNN特征为所述第一图像在第一尺度时的CNN特征；重采样所述第一CNN特征得到重采样数据；将所述重采样数据与第一参数相乘得到第二CNN特征，所述第二CNN特征为所述第一图像在第二尺度时的CNN特征。在本专利技术一实施例中，所述重采样所述第一CNN特征包括：通过空间变换网络STN重采样所述第一CNN特征的到重采样数据。在本专利技术一实施例中，所述获取所述第一图像的第一深度卷积神经网络CNN特征之前，还包括：获取所述第一参数。在本专利技术一实施例中，所述第一参数为s-λ，所述s为所述第一尺度与所述第二尺度的比值，所述λ为CNN特征统计量；所述λ的获取方法包括如下步骤：(1)获取第二图像的第一CNN特征C3，并获取所述第一CNN特征的平均值所述第一CNN特征为所述第二图像在第一尺度时的CNN特征；(2)将所述第二图像进行任意尺度变换为第二尺度；(3)获取所述第二图像的第二CNN特征C4，并获取所述第二CNN特征的平均值所述第二CNN特征为所述第二图像在第二尺度时的CNN特征；(4)获取所述与所述的比值，记为(5)更换所述第二图像并重复n次所述步骤(1)到所述步骤(4)得到不同的所述比值，记为μ1…μn，所述n为大于等于2的整数；(6)获取的所述比值的平均值(7)用最小二乘法求解方程μs＝a·s-λ，得到所述a和所述λ，丢弃所述a，得到所述λ；所述将所述重采样数据与第一参数相乘得到第二CNN特征之后，还包括：更新所述第一参数；所述更新所述第一参数包括：在第p次通过CNN提取特征时计算所述第一参数；在后续的q次计算中，由所述CNN的训练过程更新所述第一参数的数值，其中所述p和所述q的具体数值不作限定，所述p和所述q为大于零的整数。本专利技术提供一种图像特征提取方法，包括：获取第一图像组的第一深度卷积神经网络CNN特征组，所述第一图像组包括至少两张图像；重采样所述第一CNN特征组得到重采样数组；将所述重采样数组与第一参数相乘得到第二CNN特征组，所述第二CNN特征组包括所述第一图像组中的图像在第二尺度时的CNN特征，所述第一参数为s-λ，所述s为所述第二尺度与所述第一图像组中的图像的比值，所述λ为CNN特征统计量。本专利技术提供一种图像特征提取装置，包括：特征提取模块，所述特征提取模块用于获取第一图像的第一深度卷积神经网络CNN特征，所述第一CNN特征为所述第一图像在第一尺度时的CNN特征；重采样模块，所述重采样模块用于重采样所述第一CNN特征得到重采样数据；参数匹配模块，所述参数匹配模块用于将所述重采样数据与第一参数相乘得到第二CNN特征，所述第二CNN特征为所述第一图像在第二尺度时的CNN特征。在本专利技术一实施例中，所述重采样模块具体用于通过空间变换网络STN重采样所述第一CNN特征的到重采样数据。在本专利技术一实施例中，还包括：获取模块，所述获取模块用于获取所述第一参数。在本专利技术一实施例中，所述第一参数为s-λ，所述s为所述第一尺度与所述第二尺度的比值，所述λ为CNN特征统计量；所述λ的获取方法包括如下步骤：(1)获取第二图像的第一CNN特征C3，并获取所述第一CNN特征的平均值所述第一CNN特征为所述第二图像在第一尺度时的CNN特征；(2)将所述第二图像进行任意尺度变换为第二尺度；(3)获取所述第二图像的第二CNN特征C4，并获取所述第二CNN特征的平均值所述第二CNN特征为所述第二图像在第二尺度时的CNN特征；(4)获取所述与所述的比值，记为(5)更换所述第二图像并重复n次所述步骤(1)到所述步骤(4)得到不同的所述比值，记为μ1…μn，所述n为大于等于2的整数；(6)获取的所述比值的平均值(7)用最小二乘法求解方程μs＝a·s-λ，得到所述a和所述λ，丢弃所述a，得到所述λ；所述装置还包括：更新模块，所述更新模块用于更新所述第一参数；所述更新所述第一参数包括：在第p次通过CNN提取特征时计算所述第一参数；在后续的q次计算中，由所述CNN的训练过程更新所述第一参数的数值，其中所述p和所述q的具体数值不作限定，所述p和所述q为大于零的整数。本专利技术提供一种图像特征提取装置，包括：特征提取模块，所述特征提取模块用于获取第一图像组的第一深度卷积神经网络CNN特征组，所述第一图像组包括至少两张图像；重采样模块，所述重采样模块用于重采样所述第一CNN特征组得到重采样数组；参数匹配模块，所述参数匹配模块用于将所述重采样数组与第一参数相乘得到第二CNN特征组，所述第二CNN特征组包括所述第一图像组中的图像在第二尺度时的CNN特征，所述第一参数为s-λ，所述s为所述第二尺度与所述第一图像组中的图像的比值，所述λ为CNN特征统计量。本专利技术提供一种图像特征提取方法和装置，其中，图像特征提取方法包括：获取第一图像的第一深度卷积神经网络CNN特征，第一CNN特征为第一图像在第一尺度时的CNN特征；重采样第一CNN特征得到重采样数据；将重采样数据与第一参数相乘得到第二CNN特征，第二CNN特征为第一图像在第二尺度时的CNN特征。本专利技术提供的图像特征提取方法和装置，将图像在第一尺度上的第一CNN特征经过重采样并与第一参数相乘后，能够得到图像在第二尺度上的第二CNN特征，减少了图像特征提取的计算量，并且使得空间变换网络应用于深度神经网络的其他位置时，空间变换网络对输入的深度神经网络的特征做尺度变换后能够得到尺度变换后的特征。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术图像特征提取方法实施例一的流程示意图；图2为本专利技术图像特征提取方法实施例二本文档来自技高网...

【技术保护点】
一种图像特征提取方法，其特征在于，包括：获取第一图像的第一深度卷积神经网络CNN特征，所述第一CNN特征为所述第一图像在第一尺度时的CNN特征；重采样所述第一CNN特征得到重采样数据；将所述重采样数据与第一参数相乘得到第二CNN特征，所述第二CNN特征为所述第一图像在第二尺度时的CNN特征。

【技术特征摘要】
1.一种图像特征提取方法，其特征在于，包括：获取第一图像的第一深度卷积神经网络CNN特征，所述第一CNN特征为所述第一图像在第一尺度时的CNN特征；重采样所述第一CNN特征得到重采样数据；将所述重采样数据与第一参数相乘得到第二CNN特征，所述第二CNN特征为所述第一图像在第二尺度时的CNN特征。2.根据权利要求1所述的方法，其特征在于，所述重采样所述第一CNN特征包括：通过空间变换网络STN重采样所述第一CNN特征的到重采样数据。3.根据权利要求2所述的方法，其特征在于，所述获取所述第一图像的第一深度卷积神经网络CNN特征之前，还包括：获取所述第一参数。4.根据权利要求3所述的方法，其特征在于，所述第一参数为s-λ，所述s为所述第一尺度与所述第二尺度的比值，所述λ为CNN特征统计量；所述λ的获取方法包括如下步骤：(1)获取第二图像的第一CNN特征C3，并获取所述第一CNN特征的平均值所述第一CNN特征为所述第二图像在第一尺度时的CNN特征；(2)将所述第二图像进行任意尺度变换为第二尺度；(3)获取所述第二图像的第二CNN特征C4，并获取所述第二CNN特征的平均值所述第二CNN特征为所述第二图像在第二尺度时的CNN特征；(4)获取所述与所述的比值，记为(5)更换所述第二图像并重复n次所述步骤(1)到所述步骤(4)得到不同的所述比值，记为μ1…μn，所述n为大于等于2的整数；(6)获取的所述比值的平均值(7)用最小二乘法求解方程μs＝a·s-λ，得到所述a和所述λ，丢弃所述a，得到所述λ；所述将所述重采样数据与第一参数相乘得到第二CNN特征之后，还包括：更新所述第一参数；所述更新所述第一参数包括：在第p次通过CNN提取特征时计算所述第一参数；在后续的q次计算中，由所述CNN的训练过程更新所述第一参数的数值，其中所述p和所述q的具体数值不作限定，所述p和所述q为大于零的整数。5.一种图像特征提取方法，其特征在于，包括：获取第一图像组的第一深度卷积神经网络CNN特征组，所述第一图像组包括至少两张图像；重采样所述第一CNN特征组得到重采样数组；将所述重采样数组与第一参数相乘得到第二CNN特征组，所述第二CNN特征组包括所述第一图像组中的图像在第二尺度时的CNN特征，所述第一参数为s-λ，所述s为所述第二尺度与所述第一图像组中的图像原尺度的比值，所述λ为CNN特征统计量。6.一种图像特征提取装置，其特征在于，包括：特征提取模块，所述...

【专利技术属性】
技术研发人员：李永，邹俊伟，李扬，田雷，吴琼，翟正元，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11