无监督特征点检测方法及装置制造方法及图纸

本发明专利技术提供一种无监督特征点检测方法及装置，该方法包括：利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值；根据多次训练结果，得到损失函数最小时的编码器网络；基于训练后的编码器网络，确定待检测图像的K个特征点位置。该方法无需手工标注特征点位置来进行有监督学习，可有效避免人工标注的人力成本和人工标注带来的主观错误，同时能够提高检测效率。同时能够提高检测效率。同时能够提高检测效率。

【技术实现步骤摘要】
无监督特征点检测方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种无监督特征点检测方法及装置。

技术介绍

[0002]在图像处理和与计算机视觉领域，兴趣点(interest points)，也被称作关键点(key points)、特征点(feature points)。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图，而是选择某些特殊的点，然后对它们进行局部有的放矢分析。
[0003]随着应用领域对特征检测算法实时性，精确性和鲁棒性要求的日益提高，传统的特征检测算法如以角点检测算子为主的Harris检测算子和SIFT等多尺度人工定义的特征以及无法满足应用需求。近年来，随着深度学习技术的发展，基于深度学习的特征点检测和匹配算法发展迅速。相对于传统算法中人工设计的特征算子，基于深度学习的方法可以更加直观、稳定地提取出图像中的有效信息，减少特征数量，提高特征鲁棒性。基于深度学习的特征点检测算法应用广泛，但是仍存在一些问题，如需要手工标注特征点位置来进行有监督学习，耗费大量人力。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种无监督特征点检测方法及装置。
[0005]本专利技术提供一种无监督特征点检测方法，包括：利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值；根据多次训练结果，得到损失函数最小时的编码器网络；基于训练后的编码器网络，确定待检测图像的K个特征点位置。
[0006]根据本专利技术一个实施例的无监督特征点检测方法，所述对所述概率分布图求解质心，包括：
[0007][0008]其中，为空间归一化因子，W
′
，H
′
分别为概率分布图宽和高，d
k，i，j
为概率分布图的特征值。
[0009]根据本专利技术一个实施例的无监督特征点检测方法，所述基于所述质心对概率分布图进行高斯重构，包括：
[0010][0011]其中，δ为预设的标准差，x
k
和y
k
为质心坐标，u
k，i，j
和v
k，i，j
分别为概率分布图的坐标。
[0012]根据本专利技术一个实施例的无监督特征点检测方法，所述预设损失函数为：
[0013]L＝ω1L
self
+ω1L
norm
；
[0014][0015][0016]其中，ω1和ω1为两个约束函数之间调节的权重，I为输入编码器网络之前的图像，I
′
为解码器网络输出的图像。
[0017]根据本专利技术一个实施例的无监督特征点检测方法，所述编码器网络和所述解码器网络为对应的卷积神经网络。
[0018]根据本专利技术一个实施例的无监督特征点检测方法，所述方法还包括：根据所述特征点位置概率分布图和高斯重构后特征图，确定待检测图像的特征点检测置信度。
[0019]根据本专利技术一个实施例的无监督特征点检测方法，所述根据所述特征点位置概率分布图和高斯重构后特征图，确定待检测图像的特征点检测置信度，包括：
[0020]a
k
＝exp(
‑
ω3||d
k
‑
g
k
||2；
[0021]其中，a
k
为第k个特征点的置信度，ω3为预设权重，d
k
和g
k
分别为特征点在概率分布图和高斯重构后特征图的特征值。
[0022]本专利技术还提供一种无监督特征点检测装置，包括：特征提取模块，用于利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；高斯重构模块，用于对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；无监督训练模块，用于将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值，根据多次训练结果，得到损失函数最小时的编码器网络；特征点检测模块，用于基于训练后的编码器网络，确定待检测图像的K个特征点位置。
[0023]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无监督特征点检测方法的步骤。
[0024]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无监督特征点检测方法的步骤。
[0025]本专利技术提供的无监督特征点检测方法及装置，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值，无需手工标注特征点位置来进行有监督学习，可有效避免人工标注的人力成本和人工标注带来的主观错误，同时能够提高检测效率。
附图说明
[0026]为了更清楚地说明本专利技术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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
[0027]图1是本专利技术提供的无监督特征点检测方法的流程示意图；
[0028]图2是本专利技术提供的无监督特征点检测装置的结构示意图；
[0029]图3是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0030]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0031]卷积神经网络：是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一
[0032]无监督学习：根据目标未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
[0033]特征点：图像中感兴趣的点，通常是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)，如SIFT特征点，ORB特征点以及具有语义信息的结构点；
[0034]特征点检测：通过特定算法检测、提取图像中特征点的过程；
[0035]置信度：可靠程度，置信水平，表示某一参数的真实值落在预测值上的概率。
[0036]下面结合图1
‑
图3描述本专利技术的无监督特征点检测方法及装置。图1是本专利技术提供的无监督特征点检测方法的流程示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无监督特征点检测方法，其特征在于，包括：利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值；根据多次训练结果，得到损失函数最小时的编码器网络；基于训练后的编码器网络，确定待检测图像的K个特征点位置。2.根据权利要求1所述的无监督特征点检测方法，其特征在于，所述对所述概率分布图求解质心，包括：其中，为空间归一化因子，W
′
,H
′
分别为概率分布图宽和高，d
k,i,j
为概率分布图的特征值。3.根据权利要求1所述的无监督特征点检测方法，其特征在于，所述基于所述质心对概率分布图进行高斯重构，包括：其中，δ为预设的标准差，x
k
和y
k
为质心坐标，u
k,i,j
和v
k,i,j
分别为概率分布图的坐标。4.根据权利要求1所述的无监督特征点检测方法，其特征在于，所述预设损失函数为：L＝ω1L
self
+ω1L
norm
；；其中，ω1和ω1为两个约束函数之间调节的权重，I为输入编码器网络之前的图像，I
′
为解码器网络输出的图像。5.根据权利要求1所述的无监督特征点检测方法，其特征在于，所述编码器网络和所述解码器网络为对应的卷积神经网络。6.根据权利要求1所述的无监督特征点检测方法，其特征在于...

【专利技术属性】
技术研发人员：桑新柱，叶晓倩，刘博阳，陈铎，王鹏，颜玢玢，王葵如，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：