本文公开用于超分辨图像重建的特征提取方法，包括：构建卷积神经网络模型；所述模型包括输入模块、基础卷积层模块、注意力机制循环反馈卷积模块、上采样模块、特征融合模块和输出模块；利用所述模型对原始图像进行特征提取：输入模块接收原始图像数据；基础卷积层模块从原始图像数据中提取特征得到第一特征图；注意力机制循环反馈卷积模块利用空间注意力机制、通道注意力机制和循环反馈卷积单元从原始图像数据中提取特征得到第二特征图；上采样模块对第一特征图、第二特征图进行上采样得到第三特征图和第四特征图；特征融合模块对第三、第四特征图进行特征融合得到第五特征图；输出模块输出第五特征图。本文的方案能增强图像的清晰度与分辨率。像的清晰度与分辨率。像的清晰度与分辨率。
【技术实现步骤摘要】
用于超分辨图像重建的特征提取方法、装置及存储介质
[0001]本申请实施例涉及机器视觉领域，尤其涉及一种用于超分辨图像重建的特征提取方法、装置及存储介质。
技术介绍
[0002]随着用户对驾驶环境安全与驾驶便捷性的需求以及计算机科学技术的发展，汽车日益智能化。驾驶员泊车的过程中对周围复杂环境的感知至关重要，为了获得高质量的泊车辅助功能，现有汽车装备了倒车影像装置，通过外置摄像头传感器设备实时获得泊车时道路场景，并传输到中控显示屏实时为驾驶员提供驾驶安全信息。
[0003]汽车的倒车影像由于外界环境信息的冗杂易受到外界的干扰，且传输到中控屏成像的视频模糊且分辨率较低，这为驾驶员泊车带来了安全隐患。
技术实现思路
[0004]本申请实施例提供了一种用于超分辨图像重建的特征提取方法，包括：
[0005]构建卷积神经网络模型；其中，所述卷积神经网络模型包括输入模块、基础卷积层模块、注意力机制循环反馈卷积模块、上采样模块、特征融合模块和输出模块；
[0006]利用所述卷积神经网络模型对原始图像进行特征提取：所述输入模块接收原始图像的数据；所述基础卷积层模块利用基础卷积层从所述原始图像的数据中提取特征得到第一特征图；所述注意力机制循环反馈卷积模块利用空间注意力机制、通道注意力机制和循环反馈卷积单元从所述原始图像的数据中提取特征得到第二特征图；所述上采样模块对所述第一特征图进行上采样得到第三特征图，对所述第二特征图进行上采样得到第四特征图；所述特征融合模块对所述第三特征图和第四特征图进行特征融合得到第五特征图；所述输出模块输出所述第五特征图。
[0007]本申请实施例提供了一种用于超分辨图像重建的特征提取装置，包括：存储器及处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现上述用于超分辨图像重建的特征提取方法的步骤。
[0008]本申请实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述用于超分辨图像重建的特征提取方法的步骤。
[0009]本申请实施例提供的用于超分辨图像重建的特征提取方法，构建卷积神经网络模型；其中，所述卷积神经网络模型包括输入模块、基础卷积层模块、循环反馈注意力机制模块、上采样模块、特征融合模块和输出模块；利用所述卷积神经网络模型对原始图像进行特征提取：通过基础卷积层获得原始图像中较多的低级语义信息，对于图像的小目标重建提供更多特征信息；通过空间注意力机制和通道注意力机制提高模型对目标细节的关注度，抑制相对不重要的环境特征信息；通过循环反馈卷积单元实现浅层的神经网络模型模拟深层神经网络所具有的特征提取能力，但权重参数与层数较少，从而实现轻量化的模型架构。上述实施例提供的特征提取方法能够增强图像的清晰度与分辨率。
[0010]在阅读并理解了附图和详细描述后，可以明白其他方面。
附图说明
[0011]附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
[0012]图1为本申请实施例的一种用于超分辨图像重建的特征提取方法的流程图；
[0013]图2为本申请实施例的一种卷积神经网络模型的结构示意图；
[0014]图3为本申请实施例的一种注意力机制循环反馈卷积模块的子模块的结构示意图；
[0015]图4为本申请实施例的一种循环反馈卷积单元的结构示意图；
[0016]图5为本申请实施例的一种用于超分辨图像重建的特征提取装置的示意图；
[0017]图6为本申请实施例的另一种用于超分辨图像重建的特征提取装置的示意图。
具体实施方式
[0018]本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
[0019]本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由所附权利要求限定的独特的专利技术方案。任何实施例的任何特征或元件也可以与来自其它专利技术方案的特征或元件组合，以形成另一个由所附权利要求限定的独特的专利技术方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
[0020]此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对所附权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。
[0021]如图1所示，本申请实施例提供了一种用于超分辨图像重建的特征提取方法，包括：
[0022]步骤S10，构建卷积神经网络模型；其中，所述卷积神经网络模型包括输入模块、基础卷积层模块、注意力机制循环反馈卷积模块、上采样模块、特征融合模块和输出模块；
[0023]步骤S20，利用所述卷积神经网络模型对原始图像进行特征提取：所述输入模块接
收原始图像的数据；所述基础卷积层模块利用基础卷积层从所述原始图像的数据中提取特征得到第一特征图；所述注意力机制循环反馈卷积模块利用空间注意力机制、通道注意力机制和循环反馈卷积单元从所述原始图像的数据中提取特征得到第二特征图；所述上采样模块对所述第一特征图进行上采样得到第三特征图，对所述第二特征图进行上采样得到第四特征图；所述特征融合模块对所述第三特征图和第四特征图进行特征融合得到第五特征图；所述输出模块输出所述第五特征图。
[0024]上述实施例提供的用于超分辨图像重建的特征提取方法，构建卷积神经网络模型；其中，所述卷积神经网络模型包括输入模块、基础卷积层模块、循环反馈注意力机制模块、上采样模块、特征融合模块和输出模块；利用所述卷积神经网络模型对原始图像进行特征提取：所述输入模块接收原始图像的数据；所述基础卷积层模块利用基础卷积层从所述原始图像的数据中提取特征得到第一特征图；所述注意力机制循环反馈卷积模块利用空间注意力机制、通道注意力机制和循环反馈卷积单元从所述原始图像的数据中提取特征得到第二特征图；所述上采样模块对所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于超分辨图像重建的特征提取方法，包括：构建卷积神经网络模型；其中，所述卷积神经网络模型包括输入模块、基础卷积层模块、注意力机制循环反馈卷积模块、上采样模块、特征融合模块和输出模块；利用所述卷积神经网络模型对原始图像进行特征提取：所述输入模块接收原始图像的数据；所述基础卷积层模块利用基础卷积层从所述原始图像的数据中提取特征得到第一特征图；所述注意力机制循环反馈卷积模块利用空间注意力机制、通道注意力机制和循环反馈卷积单元从所述原始图像的数据中提取特征得到第二特征图；所述上采样模块对所述第一特征图进行上采样得到第三特征图，对所述第二特征图进行上采样得到第四特征图；所述特征融合模块对所述第三特征图和第四特征图进行特征融合得到第五特征图；所述输出模块输出所述第五特征图。2.如权利要求1所述的方法，其特征在于：所述注意力机制循环反馈卷积模块包括多个串行连接的子模块，每一个子模块包括输入单元、第一卷积层单元、空间注意力机制单元、通道注意力机制单元、循环反馈卷积单元、融合单元和输出单元；所述输入单元接收原始图像的数据或上一个子模块输出的特征图；其中，第一个子模块的输入单元接收原始图像的数据，其余子模块的输入单元接收上一个子模块输出的特征图；所述第一卷积层单元对输入的特征图或原始图像的数据进行卷积处理生成第六特征图；所述空间注意力机制单元采用空间注意力机制对第六特征图的空间维度进行选择性压缩生成第七特征图；所述通道注意力机制单元采用通道注意力机制对第六特征图的通道维度进行选择性压缩生成第八特征图；所述循环反馈卷积单元对第六特征图进行循环反馈卷积处理生成第九特征图；所述融合单元对第七特征图、第八特征图和循环反馈卷积单元最后一次输出的第九特征图进行特征融合生成第二特征图；所述输出单元输出所述第二特征图。3.如权利要求2所述的方法，其特征在于：所述循环反馈卷积单元对第六特征图进行循环反馈卷积处理生成第九特征图，包括：对第六特征图进行循环反馈卷积运算，直到...
【专利技术属性】
技术研发人员：李双双，缪继树，辛海同，陈勇，李志成，
申请(专利权)人：宁波吉利汽车研究开发有限公司，
类型：发明
国别省市：
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。