【技术实现步骤摘要】
基于深度学习的视觉里程计特征点检测系统及方法
本专利技术涉及特征点检测
，具体为基于深度学习的视觉里程计特征点检测系统及方法。
技术介绍
特征检测是计算机视觉和图像处理中的一个概念，它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征，特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。目前，市场上的特征点检测系统和方法，是通过简单的数据图像识别进行判定，从而缺少有力的数据分析，缺少说服力度，同时也就无法依据精确的数据分析进行判定，为此，我们提出基于深度学习的视觉里程计特征点检测系统及方法。
技术实现思路
本专利技术的目的在于提供基于深度学习的视觉里程计特征点检测系统及方法，通过分析模块的设置，对采集单元采集和数据库内的相关数据进行精确的数据分析，并依据判定模块的设置，对精确分析后的相关数据进行准确判定，从而判定特征点的检测结果，来解决现有技术中无法对数据进行精确分析的问题，同时解决了现有技术中无法对分析数据进行快速判定的问题，增加...
【技术保护点】
1.基于深度学习的视觉里程计特征点检测方法，其特征在于，该方法包括下述步骤：/n步骤一：通过采集单元采集视觉里程计图像信息，并将图像信息传输至分析模块；/n步骤二：分析模块从数据库内获取标准色度差数据，并依据其与图像信息一同进行图像分析操作，得到色变占比值、标准色度差值和片段色度差值，并将其一同传输至判定模块；/n步骤三：判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作，得到特征检测信号和特征点异常信号一同传输至发送单元；/n步骤四：通过发送单元将特征检测信号和特征点异常信号一同发送至用户端。/n
【技术特征摘要】
1.基于深度学习的视觉里程计特征点检测方法，其特征在于，该方法包括下述步骤：
步骤一：通过采集单元采集视觉里程计图像信息，并将图像信息传输至分析模块；
步骤二：分析模块从数据库内获取标准色度差数据，并依据其与图像信息一同进行图像分析操作，得到色变占比值、标准色度差值和片段色度差值，并将其一同传输至判定模块；
步骤三：判定模块依据色变占比值、标准色度差值和片段色度差值对里程计特征点进行检测判定操作，得到特征检测信号和特征点异常信号一同传输至发送单元；
步骤四：通过发送单元将特征检测信号和特征点异常信号一同发送至用户端。
2.根据权利要求1所述的基于深度学习的视觉里程计特征点检测方法，其特征在于，图像分析操作的具体操作过程为：
K1：获取图像信息，将其内不同图像的输入编号数标定为图像名数据，并将图像名数据标记为TMi，i＝1,2,3......n1，将其内图像的长度数据标定为图像边长数据，并将图像边长数据标记为TCi，i＝1,2,3......n1，将其内图像的宽度数据标定为图像边宽数据，并将图像边宽数据标记为TKi，i＝1,2,3......n1，依据标准色度差数据将其内不同灰度程度的颜色标记为色变片段数据，并将色变片段数据标记为SPi，i＝1,2,3......n1，将其内色变片段数据对应的长度标定为色变长度数据，并将色变长度数据标记为SCi，i＝1,2,3......n1，将其内色变片段数据对应的宽度数据标定为色变宽度数据，并将色变宽度数据标记为SKi，i＝1,2,3......n1；
K2：依据图像名称数据为对K1上的相关数据进行分类，即K1内的所有标记数据均属于图像名称数据；
K3：获取图像边长数据和图像边宽数据，并将其一同带入到面积计算式：面积＝长度*宽度，从而计算出图像面积数据，依据色变片段数据获取色变长度数据和色变宽度数据，并将其一同带入到面积计算式中，从而计算出色变面积数据，将色变面积数据和图像面积数据一同带入到计算式：色变占比＝色变面积数据/图像面积数据*占比影响因子，并将色变占比标定为色变占比值；
K4：获取标准色度差数据，将其按照色度变化顺序依次进行色差排序，并将其依次标记为A1＞A2＞A3＞......＞Al，l＝1,2,3......n2，即相邻的两个顺序的色差为色差度最小的两个颜色，并将排序后每两个相邻的色度差进行量化赋值，将A1到Al，量化为1，2，3......l，将相邻的两个标准色度差进行差值计算，从而计算出标准色度差值；
K5：获取色变片段数据，并将色变片段数据依据标准色度差数据进行片段色度差排序，并将片段色度差排序依次标记为B1＞B2＞B3＞......＞Bv，v＝1,2,3......n3，并将排序后每个片段色度差与上述K4中的...
【专利技术属性】
技术研发人员：俞霖，邵春艳，侯幸林，俞晓东，
申请(专利权)人：常州钛电科技有限公司，
类型：发明
国别省市：江苏;32
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。