一种基于深度学习的亚像素角点检测方法、系统及介质技术方案

本发明专利技术提供了一种基于深度学习的亚像素角点检测方法、系统及介质，涉及数字图像处理技术领域，该方法包括：步骤1：获取亚像素级的训练数据训练亚像素角点检测网络；步骤2：获取边缘子图；步骤3：将所述边缘子图输入亚像素角点检测网络。本发明专利技术能够克服像素角点检测的检测精度低和泛化性能差的问题，从而达到快速、准确实现亚像素角点分割的有益效果。准确实现亚像素角点分割的有益效果。准确实现亚像素角点分割的有益效果。

【技术实现步骤摘要】
一种基于深度学习的亚像素角点检测方法、系统及介质


[0001]本专利技术涉及数字图像处理
，具体地，涉及一种基于深度学习的亚像素角点检测方法、系统及介质。

技术介绍

[0002]在目前的很多领域中，都迫切需要从数字图像中提取亚像素级特征点坐标的方法，比如在医学影像分析领域，往往需要提取亚像素级别的细胞边缘坐标；测绘领域，如果能通过建筑物的数字图像提取到一些特征点的精确亚像素级坐标，就可以直接通过数字图像测量建筑物的高度等信息，从而能够大大节省人力物力。
[0003]现有相关文献F.Zhao,C.Wei,J.Wang,and J.Tang,"An Automated X
‑
corner Detection Algorithm(AXDA),"JSW,vol.6,no.5,pp.791
‑
797,2011.该文献中介绍了一种跟踪图像中从暗到亮的光强变化的方法，使用最小相关系数法计算X角中心。
[0004]针对上述现有技术，在相关
中，现有的像素级别和亚像素级别的特征点检测算法检测精度低，适用范围小，且局限于某类特定问题，泛化性能差。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的亚像素角点检测方法、系统及介质，能够解决像素角点检测的检测精度低和泛化性能差的问题，以达到快速、准确实现亚像素角点分割的效果。
[0006]根据本专利技术提供的一种基于深度学习的亚像素角点检测方法、系统及介质，所述方案如下：
[0007]第一方面，提供了一种基于深度学习的亚像素角点检测方法，所述方法包括：
[0008]获取亚像素级的训练数据训练亚像素角点检测网络；
[0009]获取边缘子图；
[0010]将所述边缘子图输入亚像素角点检测网络。
[0011]优选的，所述获取亚像素级的训练数据的方式包括：
[0012]在原始图片上用openCV的亚像素角点检测算法来获取角点坐标；
[0013]将所述原始图片缩小一定比例，获取的所述角点坐标也会等比例变化，将变化后所述角点坐标近似当作低精度图片上角点的实际坐标，并作为训练的真实标注；
[0014]用所述低精度的图片作为输入，高精度图片上获取到的角点坐标作为标记，训练神经网络。
[0015]优选的，所述获取边缘子图的方式包括：
[0016]在图像上运用Harris算法，获取角点区域；
[0017]将每一个区域的形心作为预选角点坐标；
[0018]获取到预选角点坐标后，对于每一个预选角点，取周围15
×
15大小的子图；
[0019]将获取的子图利用Canny算子处理，获得边缘子图。
[0020]优选的，所述用亚像素角点检测网络包括：
[0021]用亚像素角点检测网络解决连续值的回归问题，输入获取的所述边缘子图，输出的是预测的亚像素级别角点坐标相对预选角点坐标的偏移量；
[0022]训练时采用预测角点与标记数据中角点的距离的平方作为损失函数。
[0023]第二方面，提供了一种基于深度学习的亚像素角点检测系统，所述系统包括：
[0024]数据模块，获取亚像素级的训练数据训练亚像素角点检测网络；
[0025]图像模块，获取边缘子图；
[0026]检测模块，将所述边缘子图输入亚像素角点检测网络。
[0027]优选的，所述数据模块包括：
[0028]在原始图片上用openCV的亚像素角点检测算法来获取角点坐标；
[0029]将所述原始图片缩小一定比例，获取的所述角点坐标也会等比例变化，将变化后所述角点坐标近似当作低精度图片上角点的实际坐标，并作为训练的真实标注；
[0030]用所述低精度的图片作为输入，高精度图片上获取到的角点坐标作为标记，训练神经网络。
[0031]优选的，所述图像模块包括：
[0032]在图像上运用Harris算法，获取角点区域；
[0033]将每一个区域的形心作为预选角点坐标；
[0034]获取到预选角点坐标后，对于每一个预选角点，取周围15
×
15大小的子图；
[0035]将获取的子图利用Canny算子处理，获得边缘子图。
[0036]优选的，所述检测模块包括：
[0037]用亚像素角点检测网络解决连续值的回归问题，输入获取的所述边缘子图，输出的是预测的亚像素级别角点坐标相对预选角点坐标的偏移量；
[0038]训练时采用预测角点与标记数据中角点的距离的平方作为损失函数。
[0039]第三方面，提供了一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现所述基于深度学习的亚像素角点检测方法中的步骤。
[0040]与现有技术相比，本专利技术具有如下的有益效果：
[0041]1.通过采用神经网络结构，提高了亚像素角点检测的检测精度以及泛化性能；2.通过采用神经网络结构，达到了快速、准确实现亚像素角点的效果。
附图说明
[0042]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0043]图1为亚像素角点检测方法的流程示意图；
[0044]图2为亚像素角点检测方法的网络结构示意图。
具体实施方式
[0045]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术
的保护范围。
[0046]本专利技术实施例提供了一种基于深度学习的亚像素角点检测方法，参照图1所示，首先获取亚像素级的训练数据训练亚像素角点检测网络，再运用特定的算法以及处理方式来获取边缘子图，最后再用亚像素角点检测网络。而在获取亚像素级的训练数据时，高精度图片上像素级的角点同样对应低精度图片上亚像素级别的角点，随着图片精度的上升，用经典的算法获取的角点坐标会不断逼近真实角点坐标。
[0047]参照图2所示，我们可以采用如下方式来获取亚像素级的训练数据：首先，在需要进行处理的原始图片上用openCV的亚像素角点检测算法来获取角点坐标，经过算法计算获得角点坐标后，将处理的原始图片缩小一定的比例，该比例可根据实际需求自行选取，原始图像缩小之后，之前获取的角点坐标也同样会等比例变化，再将角点坐标近似当作低精度图片上角点的实际坐标，并将等比例变化的角点坐标作为训练的真实标注；由于低精度的图片只对程序可见，进而可用这些低精度的图片作为输入，此时，高精度图片上获取到的角点坐标即可作为标记训练神经网络。
[0048]其次，我们需要获取边缘子图，而角点的亚像素级别坐标只和其周围一定大小的子图有关，距离角点过远的像素点和角点坐标的关系非常小。首先我们需要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的亚像素角点检测方法，其特征在于，所述方法包括：步骤1：获取亚像素级的训练数据训练亚像素角点检测网络；步骤2：获取边缘子图；步骤3：将所述边缘子图输入亚像素角点检测网络。2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：步骤1
‑
1：在原始图片上用openCV的亚像素角点检测算法来获取角点坐标；步骤1
‑
2：将所述原始图片缩小一定比例，获取的所述角点坐标也会等比例变化，将变化后所述角点坐标近似当作低精度图片上角点的实际坐标，并作为训练的真实标注；步骤1
‑
3：用所述低精度的图片作为输入，高精度图片上获取到的角点坐标作为标记，训练神经网络。3.根据权利要求1所述的方法，其特征在于，步骤2包括：步骤2
‑
1：在图像上运用Harris算法，获取角点区域；步骤2
‑
2：将每一个区域的形心作为预选角点坐标；步骤2
‑
3：获取到预选角点坐标后，对于每一个预选角点，取周围15
×
15大小的子图；步骤2
‑
4：将获取的子图利用Canny算子处理，获得边缘子图。4.根据权利要求1所述的方法，其特征在于，所述步骤3包括：步骤3
‑
1：用亚像素角点检测网络解决连续值的回归问题，输入获取的所述边缘子图，输出的是预测的亚像素级别角点坐标相对预选角点坐标的偏移量；步骤3...

【专利技术属性】
技术研发人员：肖建如，孟子尧，赵义成，盛斌，吕天予，周振华，马科威，刘铁龙，矫健，
申请(专利权)人：上海嘉奥信息科技发展有限公司，
类型：发明
国别省市：