一种基于人工智能图像识别的特征提取方法技术

本发明专利技术涉及图像识别技术领域，且公开了一种基于人工智能图像识别的特征提取方法，包括以下步骤：构建DOG尺度空间，模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征，通过构建高斯金字塔，保证图像任何尺度都有对应的特征概述。该基于人工智能图像识别的特征提取方法，通过采用对图像进行旋转、尺寸缩放、色彩度归一化处理，对图像的视角变化和仿射变换保持一定的稳定度，同时独特性好，信息量丰富，适用于海量图像特征数据库中进行快速、准确的匹配，具备了多量性、高速性、可扩展性的优点，在图像识别处理的过程中为人工智能提供数据库依据，图像信息进行实施更新，保证处理的图片时效性。保证处理的图片时效性。

【技术实现步骤摘要】
一种基于人工智能图像识别的特征提取方法


[0001]本专利技术涉及图像识别
，具体为一种基于人工智能图像识别的特征提取方法。

技术介绍

[0002]图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象，是应用深度学习算法的一种实践应用，现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中，商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
[0003]图形刺激作用于感觉器官，人们辨认出它是经验过的某一图形的过程，也叫图像再认，在图像识别中，既要有当时进入感官的信息，也要有记忆中存储的信息，现有技术中图像识别是图像处理方向的重要步骤，人工智能设备需要调用数据库的数据对提箱的特征进行识别，数据库的信息是依靠于人工处理的数据累积，全部采用人工处理时效性较差，在面对全新图片的时候人工智能难以处理，故而提出一种基于人工智能图像识别的特征提取方法。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于人工智能图像识别的特征提取方法，具备采用科学算法智能处理和保证人工智能设备实施更新数据库等优点，解决了现有技术中图像识别是图像处理方向的重要步骤，人工智能设备需要调用数据库的数据对提箱的特征进行识别，数据库的信息是依靠于人工处理的数据累积，全部采用人工处理时效性较差，在面对全新图片的时候人工智能难以处理的问题。
[0006](二)技术方案r/>[0007]为实现上述采用科学算法智能处理和保证人工智能设备实施更新数据库目的，本专利技术提供如下技术方案：一种基于人工智能图像识别的特征提取方法，包括以下步骤：
[0008]1)构建DOG尺度空间，模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征，通过构建高斯金字塔，保证图像任何尺度都有对应的特征概述；
[0009]2)关键点搜索和定位，提取出图像的一个像素点作为对照点，将该点与尺度空间不同的σ值的图像中相邻点进行比较，对比数据为最大值或者最小值的时候，这个点为相同特征点，对所有特征进行对比之后，去除对比度低和不稳定的边缘效应点，保留具有代表性的关键点，对离散的点做曲线拟合，得到精确的关键点的位置和尺寸信息；
[0010]3)方向赋值，根据检测到的关键点的局部图像结构进行特征点赋值，采用梯度方向直方图来完成，在计算放图时，每个加入直方图的采样点都使用圆形高斯函数进行加权处理；
[0011]4)关键点描述子集生成，对图片进行旋转，对其进行双线性插值，以特征点为圆
心，在附近的区域内旋转θ角，然后计算采样区域的梯度直方图，将旋转后区域划分为d
×
d个子区域，在子区域内计算8个方向的梯度直方图，绘制每个方向梯度方向的累加值，形成一个种子点；
[0012]5)形成特征向量，对子区域的像素的梯度大小采用mσd/2的高斯加权函数加权，由于存在4
×
4个子区域，最终共有128个数据，形成128维SIFT特征矢量，特征向量形成后，对其进行归一化处理；
[0013]6)灰度归一化处理，将输入的图像采用软件处理为颜色空间相同的色彩，调节各个图像的对比对，使其达到标准化和统一化，计算图像每一个像素区域的梯度，并且对内个梯度的直方图进行统计，再将每个区域统计的梯度划分成小的像素集，最后将一个像素集内部的所有梯度特征采用descriptor串联。
[0014]优选的，所述构建高斯金字塔的时候每一层用不同的参数σ做高斯模糊，所述尺度空间中各尺度图像的模糊程度逐渐变大，模拟人在距离目标由近到远时目标在视网膜上的形成过程。
[0015]优选的，所述图像做加权求和的过程中，把使用到的图像区域中的每个元素分别与卷积核的每个对应位置的元素相乘，乘积之和作为区域中心的像素值。
[0016]优选的，所述建立尺度空间之前对原始图像的长宽扩展一倍处理，所述寻找尺寸空间极值点时，将每一个采集点与它所有的相邻点进行比较。
[0017]优选的，所述关键点精确定位时，可以通过对尺度空间DoG函数进行曲线拟合寻找极值点来减小这种误差，所述去除对比对较低的边缘效应点时，平坦的DoG响应峰值在横跨边缘的地方有较大的主曲率，在垂直边缘的地方有较小的主曲率。
[0018]优选的，所述梯度方向直方图的横轴是梯度方向角，纵轴是剃度方向角对应的梯度幅值累加值，在计算直方图时，对每个加入直方图的采样点都使用圆形高斯函数进行加权处理。
[0019](三)有益效果
[0020]与现有技术相比，本专利技术提供了一种基于人工智能图像识别的特征提取方法，具备以下有益效果：
[0021]1、该基于人工智能图像识别的特征提取方法，通过采用对图像进行旋转、尺寸缩放、色彩度归一化处理，对图像的视角变化和仿射变换保持一定的稳定度，同时独特性好，信息量丰富，适用于海量图像特征数据库中进行快速、准确的匹配，具备了多量性、高速性、可扩展性的优点，在图像识别处理的过程中为人工智能提供数据库依据，图像信息进行实施更新，保证处理的图片时效性，从而能够最大限度的扩充人工智能识别的数据库。
[0022]2、该基于人工智能图像识别的特征提取方法，通过采用DOG特征提取，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，就可以对图像中的信息特征进行提取，在此过程中无需人工手动识别图像中的信息，采用科学的算法实现图像特征的提取，对比人工数据处理速度更快、效率更高，处理过程中出现的错误越少，从而为人工智能图像识别设备数据库建立和更新的过程中提供更加优质的准确的数据。
具体实施方式
[0023]下面将结合本专利技术的实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
[0024]一种基于人工智能图像识别的特征提取方法，包括以下步骤：
[0025]1)构建DOG尺度空间，模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征，通过构建高斯金字塔，构建高斯金字塔的时候每一层用不同的参数σ做高斯模糊，尺度空间中各尺度图像的模糊程度逐渐变大，模拟人在距离目标由近到远时目标在视网膜上的形成过程，保证图像任何尺度都有对应的特征概述，建立尺度空间之前对原始图像的长宽扩展一倍处理，寻找尺寸空间极值点时，将每一个采集点与它所有的相邻点进行比较，通过采用DOG特征提取，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，就可以对图像中的信息特征进行提取，在此过程中无需人工手动识别图像中的信息，采用科学的算法实现图像特征的提取，对比人工数据处理速度更快、效率更高，处理过程中出现的错误越少，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能图像识别的特征提取方法，其特征在于，包括以下步骤：1)构建DOG尺度空间，模拟图像数据的多尺度特征，大尺度抓住概貌特征，小尺度注重细节特征，通过构建高斯金字塔，保证图像任何尺度都有对应的特征概述；2)关键点搜索和定位，提取出图像的一个像素点作为对照点，将该点与尺度空间不同的σ值的图像中相邻点进行比较，对比数据为最大值或者最小值的时候，这个点为相同特征点，对所有特征进行对比之后，去除对比度低和不稳定的边缘效应点，保留具有代表性的关键点，对离散的点做曲线拟合，得到精确的关键点的位置和尺寸信息；3)方向赋值，根据检测到的关键点的局部图像结构进行特征点赋值，采用梯度方向直方图来完成，在计算放图时，每个加入直方图的采样点都使用圆形高斯函数进行加权处理；4)关键点描述子集生成，对图片进行旋转，对其进行双线性插值，以特征点为圆心，在附近的区域内旋转θ角，然后计算采样区域的梯度直方图，将旋转后区域划分为d
×
d个子区域，在子区域内计算8个方向的梯度直方图，绘制每个方向梯度方向的累加值，形成一个种子点；5)形成特征向量，对子区域的像素的梯度大小采用mσd/2的高斯加权函数加权，由于存在4
×
4个子区域，最终共有128个数据，形成128维SIFT特征矢量，特征向量形成后，对其进行归一化处理；6)灰度归一化处理，将输入的图像采用软件处理为颜色空间相同的色彩，调节各个图像的对比对，使其达到标准化和统一化，计算图像每一个像素...

【专利技术属性】
技术研发人员：龚大丰，施莉莉，翁正秋，田启明，施郁文，林巧巧，
申请(专利权)人：温州职业技术学院，
类型：发明
国别省市：