一种图像特征点检测方法、终端设备及存储介质技术

本申请适用于图像识别技术领域，提供了一种图像特征点检测方法终端设备及计算机可读存储介质，所述方法包括：获取多个类别的自然场景的初始图像，针对每个类别的自然场景，从初始图像中提起初始特征点，根据初始特征点在当前自然场景的初始图像中的对应关系，将符合预设条件的初始特征点作为当前类别的目标特征点，将包含目标特征点的初始图像作为当前类别的训练图像，通过所述训练样本集中的训练图像，训练构建的深度神经网络，获得训练后的深度神经网络，基于所述训练后的深度神经网络，对待检测图像进行检测，获得所述待检测图像中的特征点，通过本申请可以提高场景检测中的检测精度。

An Image Feature Point Detection Method, Terminal Equipment and Storage Media

This application is applicable to the field of image recognition technology, and provides an image feature point detection terminal device and a computer readable storage medium. The method includes acquiring the initial images of multiple categories of natural scenes, lifting the initial feature points from the initial images for each category of natural scenes, and matching the initial feature points in the initial images of the current natural scenes according to the initial feature points. According to the relationship, the initial feature points that meet the preset conditions are regarded as the target feature points of the current category, and the initial image containing the target feature points is regarded as the training image of the current category. Through the training image of the training sample set, the constructed depth neural network is trained, and the trained depth neural network is obtained. Based on the trained depth neural network, the detection map is treated. The image is detected to obtain the feature points of the image to be detected, and the detection accuracy in scene detection can be improved by this application.

【技术实现步骤摘要】
一种图像特征点检测方法、终端设备及存储介质
本申请属于图像识别
，尤其涉及一种图像特征点检测方法、终端设备及计算机可读存储介质。
技术介绍
随着计算机视觉的不断发展，以及用户需求的不断提高，出现了很多图像处理技术。在对图像进行各种处理时，为了获得较好的处理效果，有时需要识别图像的场景，目前，对图像场景的检测识别大多是在图像尺度空间逐个计算图像像素的某种响应值，并基于像素位置和尺度获得局部极值以得到特征点检测结果。然而，这种图像特征点检测的方式检测精度较低。
技术实现思路
有鉴于此，本申请实施例提供了一种图像特征点检测方法、终端设备及计算机可读存储介质，以解决目前场景的特征点检测方式检测精度较低的问题。本申请实施例的第一方面提供了一种图像特征点检测方法，包括：获取多个类别的自然场景的初始图像，其中，每个类别的自然场景包括多个初始图像；对于每个类别自然场景，从当前类别的初始图像中分别提取初始特征点；获取所述初始特征点在当前类别的每个初始图像中的对应关系；基于所述对应关系，从当前类别的初始图像的初始特征点中获取符合预设条件的初始特征点作为当前类别的目标特征点；将每个类别的初始图像中包含当前类别的目标特征点的初始图像作为训练图像，获得多个类别的自然场景的训练样本集；通过所述训练样本集中的训练图像，训练构建的深度神经网络，获得训练后的深度神经网络；基于所述训练后的深度神经网络，对待检测图像进行检测，获得所述待检测图像中的特征点。本申请实施例的第二方面提供了一种终端设备，包括：初始图像获取模块，用于获取多个类别的自然场景的初始图像，其中，每个类别的自然场景包括多个初始图像；初始特征点获取模块，用于对于每个类别自然场景，从当前类别的初始图像中分别提取初始特征点；对应关系获取模块，用于获取所述初始特征点在当前类别的每个初始图像中的对应关系；目标特征点获取模块，用于基于所述对应关系，从当前类别的初始图像的初始特征点中获取符合预设条件的初始特征点作为当前类别的目标特征点；训练图像获取模块，用于将每个类别的初始图像中包含当前类别的目标特征点的初始图像作为训练图像，获得多个类别的自然场景的训练样本集；训练模块，用于通过所述训练样本集中的训练图像，训练构建的深度神经网络，获得训练后的深度神经网络；检测模块，用于基于所述训练后的深度神经网络，对待检测图像进行检测，获得所述待检测图像中的特征点。本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。本申请实施例提供了一种检测图像的场景时如何检测特征点的方法，首先获取多个类别的自然场景的初始图像，对于每个类别的自然场景，提取初始特征点，然后将获取初始特征点在不同初始图像中的对应关系，根据所述对应关系，从初始图像中筛选出能够表征当前自然场景的目标特征点，将包括目标特征点的初始图像作为训练图像，训练构建的深度神经网络模型，训练后的深度神经网络模型就具有了检测图像场景特征点的能力，由于本申请实施例中训练深度神经网络模型的训练图像是通过从初始特征点中筛选出的能够表征每个类别的自然场景的目标特征点所在的图像，因此，能够提高场景检测中特征点的检测精度。附图说明为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请实施例提供的一种图像特征点检测方法的实现流程示意图；图2是本申请实施例提供的另一种图像特征点检测方法的实现流程示意图；图3是本申请实施例提供的一种终端设备的示意框图；图4是本申请实施例提供的另一种终端设备的示意框图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。为了说明本申请所述的技术方案，首先介绍本申请实施例的应用场景，本申请可应用于对图像的场景检测，例如，可以预设设定场景的类别为大地、溪水、云朵、雨后、雪山等，当然，在实际应用中，也可以是其它对自然场景的分类方式，在此不做限制，检测图像的场景就是检测出图像中给的自然场景的类别。对场景类别的检测需要基于特征点的检测，然而，场景检测中不像人脸检测可以将具有明显特征的五官作为特征点，人脸检测中基于特定的五官获取特征点可以实现人脸检测，场景检测中对于训练图像很难手动标定出具有明显特殊特征的特征点。所以，通常是在图像尺度空间逐个计算图像像素的某种响应值，并在像素位置与尺度联合组成的三维空间求取局部极值以得到特征点检测结果。这种特征点的检测不够精确，并且有可能并不能代表场景的特征。本申请实施例是先获取到能够代表场景的特征的目标特征点，然后对图像中的目标特征点进行标定，通过标定了目标特征点的图像训练深度神经网络，通过训练后的深度神经网络检测图像的场景特征点，从而获得图像的场景。下面通过具体实施例来进行说明。图1是本申请实施例提供的一种图像特征点检测方法的实现流程示意图，如图所示该方法可以包括以下步骤：步骤S101，获取多个类别的自然场景的初始图像，其中，每个类别的自然场景包括多个初始图像。在本申请实施例中，为了使得训练的深度神经网络能够识别多种类别的自然场景，所以，获取的训练图像需要包含多个类别的自然场景对应的图像。实际应本文档来自技高网...

【技术保护点】
1.一种图像特征点检测方法，其特征在于，包括：获取多个类别的自然场景的初始图像，其中，每个类别的自然场景包括多个初始图像；对于每个类别自然场景，从当前类别的初始图像中分别提取初始特征点；获取所述初始特征点在当前类别的每个初始图像中的对应关系；基于所述对应关系，从当前类别的初始图像的初始特征点中获取符合预设条件的初始特征点作为当前类别的目标特征点；将每个类别的初始图像中包含当前类别的目标特征点的初始图像作为训练图像，获得多个类别的自然场景的训练样本集；通过所述训练样本集中的训练图像，训练构建的深度神经网络，获得训练后的深度神经网络；基于所述训练后的深度神经网络，对待检测图像进行检测，获得所述待检测图像中的特征点。

【技术特征摘要】
1.一种图像特征点检测方法，其特征在于，包括：获取多个类别的自然场景的初始图像，其中，每个类别的自然场景包括多个初始图像；对于每个类别自然场景，从当前类别的初始图像中分别提取初始特征点；获取所述初始特征点在当前类别的每个初始图像中的对应关系；基于所述对应关系，从当前类别的初始图像的初始特征点中获取符合预设条件的初始特征点作为当前类别的目标特征点；将每个类别的初始图像中包含当前类别的目标特征点的初始图像作为训练图像，获得多个类别的自然场景的训练样本集；通过所述训练样本集中的训练图像，训练构建的深度神经网络，获得训练后的深度神经网络；基于所述训练后的深度神经网络，对待检测图像进行检测，获得所述待检测图像中的特征点。2.如权利要求1所述的图像特征点检测方法，其特征在于，所述获取所述初始特征点在当前类别的每个初始图像中的对应关系包括：获取当前类别的自然场景的三维模型；基于当前类别的初始图像在所述三维模型中的投影矩阵，获得所述初始特征点在当前类别的每个初始图像中的对应关系。3.如权利要求2所述的图像特征点检测方法，其特征在于，所述获取当前类别的自然场景的三维模型包括：基于图像重建算法，根据当前类别的初始图像建立当前类别的自然场景的三维模型。4.如权利要求2所述的图像特征点检测方法，其特征在于，所述基于当前类别的初始图像在所述三维模型中的投影矩阵，获得所述初始特征点在当前类别的每个初始图像中的对应关系包括：基于当前类别的初始图像在所述三维模型中的投影矩阵，获得每个初始特征点在所述三维模型中的位置；基于每个初始特征点在所述三维模型中的位置，获得所述初始特征点在当前类别的每个初始图像中的对应关系。5.如权利要求1所述的图像特征点检测方法，其特征在于，所述基于所述对应关系，从当前类别的初始图像的初始特征点中获取符合预设条件的初始特征点作为当前类别的目标特征点包括：基于所述对应关系，获取每个初始特征点在当前类别的初始图像中出现的频次；将所述频次符合预设...

【专利技术属性】
技术研发人员：张弓，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东,44