一种特征检测方法、装置、计算机设备和存储介质制造方法及图纸

本公开提供了一种特征检测方法、装置、计算机设备和存储介质，其中，该方法包括：获取目标图像；提取目标图像的基础图像特征；基于所述基础图像特征，确定目标图像的局部特征点、局部特征点对应的局部特征信息以及目标图像的全局特征信息。本公开实施例通过同步输出目标图像的局部特征点、局部特征点对应的局部特征信息和全局特征信息的方式，能够克服分步获取上述三种特征信息所带来的时间消耗大的问题，提高了特征检测的效率；另外，利用预设队列对特征检测神经网络进行迭代训练，能实现训练完成的特征检测神经网络输出的局部特征点、局部特征点对应的局部特征信息和全局特征信息具有较高的准确性。具有较高的准确性。具有较高的准确性。

【技术实现步骤摘要】
一种特征检测方法、装置、计算机设备和存储介质


[0001]本公开涉及深度学习
，具体而言，涉及一种特征检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]目标图像的局部特征点、局部特征信息和全局特征信息在图像检索、视觉定位等场景中发挥着重要作用。现有技术中，关于目标图像的局部特征点、局部特征信息和全局特征信息，需要利用三个不同的检测神经网络分步提取。
[0003]上述分步提取的方式，将会消耗大量的时间，并且信息提取效率低下。

技术实现思路

[0004]本公开实施例至少提供一种特征检测方法、装置、计算机设备和存储介质。
[0005]第一方面，本公开实施例提供了一种特征检测方法，包括：
[0006]获取目标图像；
[0007]提取所述目标图像的基础图像特征；
[0008]基于所述基础图像特征，确定所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息。
[0009]这里，利用一个神经网络首先提取基础图像特征，再基于提取的基础图像特征，能够实现同时确定局部特征点、局部特征信息以及全局特征信息，避免了上述三种信息单独提取，有效提高了信息提取效率，并且由于基础图像特征是提取上述三种特征信息都需要用到的特征信息，通过共用一次提取得到的基础图像特征来实现上述三种特征信息的获取，能够避免获取每一种上述特征信息时都对基础图像特征进行提取，造成基础图像特征重复提取的问题，减少了信息提取中的计算量。
[0010]在一种可能的实施方式中，所述基于所述基础图像特征，确定所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息，包括：
[0011]利用特征检测神经网络，基于所述基础图像特征，输出所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息。
[0012]利用一个特征检测神经网络即可实现对目标图像的局部特征点、局部特征点对应的局部特征信息和全局特征信息的提取，不需要利用多个检测神经网络分别实现，不仅实现了对特征检测神经网络的结构优化，还能够实现对上述三种特征信息的同步输出，提高了信息检测的效率。
[0013]在一种可能的实施方式中，对所述特征检测神经网络进行训练，包括：
[0014]获取多张样本图像；
[0015]针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对；
[0016]利用所述样本图像对，对所述特征检测神经网络进行训练。
[0017]共视关系能够反映拍摄两个图像时摄像装置的视角变化，通过将包括具有共视关系的两个图像的样本图像对，作为对特征检测神经网络进行训练的样本数据，能够提高训练完成的特征检测神经网络在进行特征检测时适应摄像装置的视角变化的能力，从而，提高了训练完成的特征检测神经网络输出的三种信息的精度和可靠性。
[0018]在一种可能的实施方式中，所述样本图像包括第一样本场景图像，所述样本图像对包括第一样本场景图像对；
[0019]所述针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对，包括：
[0020]获取目标场景下的多张第一样本场景图像；
[0021]基于多张所述第一样本场景图像，确定与所述目标场景对应的三维场景信息；
[0022]基于所述三维场景信息，从所述第一样本场景图像中筛选具有共视关系的至少一对第一样本场景图像，得到至少一个所述第一样本场景图像对。
[0023]利用确定的三维场景信息，能够准确地确定多张第一样本场景图像之间的共视关系，进而，能够准确地确定具有共视关系的多个第一样本场景图像对。并且，第一样本场景图像对中包括的两个图像都是目标场景下的图像，利用多个第一样本场景图像对对特征检测神经网络进行训练，不仅能够提高训练完成的特征检测神经网络在进行特征检测时适应摄像装置的视角变化的能力，还能够提高训练完成的特征检测神经网络在特定的目标场景下的适应能力，进而提高了在特定的目标场景下的检测精度。
[0024]在一种可能的实施方式中，所述样本图像包括第二样本场景图像，所述样本图像对包括第二样本场景图像对；
[0025]所述针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对，包括：
[0026]获取非目标场景下的多张第二样本场景图像；
[0027]针对每张第二样本场景图像，对所述第二样本场景图像执行第一预处理操作，得到与所述第二样本场景图像具有共视关系的至少一张目标衍生图像，并将所述第二样本场景图像分别与每张目标衍生图像进行组合，得到至少一个第二样本场景图像对。
[0028]通过第一预处理操作，能够得到与第二样本场景图像具有共视关系的目标衍生图像，第二样本场景图像和目标衍生图像都是非目标场景下的图像，因此利用由第二样本场景图像和目标衍生图像组合成的第二样本场景图像对对特征检测神经网络进行训练，不仅能够提高训练完成的特征检测神经网络在进行特征检测时适应摄像装置的视角变化的能力，还能够提高训练完成的特征检测神经网络在各种场景下的适应能力，从而，能够提高特征检测神经网络在各种场景下的预测精度。
[0029]在一种可能的实施方式中，所述利用所述样本图像对，对所述特征检测神经网络进行训练，包括：
[0030]对至少部分所述样本图像对执行第二预处理操作，得到至少一个预处理后的样本图像对；所述样本图像对包括第一样本图像对和/或第二样本图像对；
[0031]利用所述至少部分所述样本图像对和所述预处理后的样本图像对，对所述特征检
测神经网络进行训练。
[0032]经过第二预处理操作的预处理后的样本图像对中的图像，与原始的样本图像对中的图像有一定的区别，例如具有不同的亮度、噪声等信息，从而，利用样本图像对和预处理后的样本图像对作为样本数据，能够提高训练完成的特征检测神经网络对图像的一些较小的失真的适应能力，例如能够提高训练完成的特征检测神经网络对图像的亮度变化、噪声变化等情况的适应能力，提高了特征检测神经网络输出的检测信息的可靠性。
[0033]在一种可能的实施方式中，所述第二预处理操作包括以下至少一项：加入随机噪声操作、改变图像亮度操作。
[0034]加入随机噪声操作能够改变样本图像对中的图像的噪声信息，改变图像亮度操作能够改变样本图像对中的图像的亮度信息，利用经过第二预处理操作的预处理后的样本图像对中的图像进行网络训练，能够提高训练完成的特征检测神经网络对图像的亮度变化、噪声变化等情况的适应能力，提高了特征检测神经网络输出的检测信息的可靠性。
[0035]在一种可能的实施方式中，所述利用所述样本图像对，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种特征检测方法，其特征在于，包括：获取目标图像；提取所述目标图像的基础图像特征；基于所述基础图像特征，确定所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息。2.根据权利要求1所述的方法，其特征在于，所述基于所述基础图像特征，确定所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息，包括：利用特征检测神经网络，基于所述基础图像特征，输出所述目标图像的局部特征点、所述局部特征点对应的局部特征信息以及所述目标图像的全局特征信息。3.根据权利要求2所述的方法，其特征在于，对所述特征检测神经网络进行训练，包括：获取多张样本图像；针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对；利用所述样本图像对，对所述特征检测神经网络进行训练。4.根据权利要求3所述的方法，其特征在于，所述样本图像包括第一样本场景图像，所述样本图像对包括第一样本场景图像对；所述针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对，包括：获取目标场景下的多张第一样本场景图像；基于多张所述第一样本场景图像，确定与所述目标场景对应的三维场景信息；基于所述三维场景信息，从所述第一样本场景图像中筛选具有共视关系的至少一对第一样本场景图像，得到至少一个所述第一样本场景图像对。5.根据权利要求3或4所述的方法，其特征在于，所述样本图像包括第二样本场景图像，所述样本图像对包括第二样本场景图像对；所述针对每张样本图像，确定与所述样本图像具有共视关系的至少一张样本衍生图像，并将所述样本图像分别与每张样本衍生图像进行组合，得到至少一个样本图像对，包括：获取非目标场景下的多张第二样本场景图像；针对每张第二样本场景图像，对所述第二样本场景图像执行第一预处理操作，得到与所述第二样本场景图像具有共视关系的至少一张目标衍生图像，并将所述第二样本场景图像分别与每张目标衍生图像进行组合，得到至少一个第二样本场景图像对。6.根据权利要求5所述的方法，其特征在于，所述利用所述样本图像对，对所述特征检测神经网络进行训练，包括：对至少部分所述样本图像对执行第二预处理操作，得到至少一个预处理后的样本图像对；所述样本图像对包括第一样本图像对和/或第二样本图像对；利用所述至少部分所述样本图像对和所述预处理后的样本图像对，对所述特征检测神经网络进行训练。
7.根据权利要求6所述的方法，其特征在于，所述第二预处理操作包括以下至少一项：加入随机噪声操作、改变图像亮度操作。8.根据权利要求3至7任一项所述的方法，其特征在于，所述利用所述样本图像对，对所述特征检测神经网络进行训练，包括：分别确定所述样本图像对中的每张样本图像的局部标注特征点；从所述样本图像对中的样本衍生图像中，筛选所述局部标注特征点对应的正样本特征点和负样本特征点；利用所述局部标注特征点、所述局部标注特征点对应的正样本特征点和负样本特征点，对所述特征检测神经网络进行训练。9.根据权利要求8所述的方法，其特征在于，所述从所述样本图像对中的样本衍生图像中，筛选所述局部标注特征点对应的正样本特征点和负样本特征点，包括：将所述样本衍生图像中的与所述局部标注特征点对应的特征点，作为正样本特征点；从所述样本衍生图像中除所述正样本特征点以外的特征点中，筛选与所述局部标注特征点相似度最高的特征点，将筛选出的相似度最高的特征点作为所述负样本特征点。10.根据权利要求8或9所述的方法，其特征在于，所述利用所述局部标注特征点、所述局部标注特征点对应的正样本特征点和负样本特征点，对所述特征检测神经网络进行训练，包括：将所述样本图像对输入到所述特征检测神经网络中，得到局部预测特征点、所述局部标注特征点对...

【专利技术属性】
技术研发人员：甄佳楠，周晓巍，孙佳明，沈泽弘，
申请(专利权)人：浙江商汤科技开发有限公司，
类型：发明
国别省市：