本发明专利技术公开了基于扇形卷积神经网络的图像特征匹配方法，通过构建扇形卷积神经网络，根据损失函数对扇形卷积神经网络进行训练优化，获得目标模型，使得本发明专利技术的实施例具有较强的泛化能力和鲁棒性；通过在图像中提取特征点，并以特征点为中心在图像中提取正方形图像块集；将图像块集输入扇形卷积神经网络中，得到旋转描述子；其中，旋转描述子是可旋转重编码描述子；对旋转描述子进行处理，能够在图像任意旋转变化的情况下，完成图像的高精度特征匹配。本发明专利技术的实施例可广泛应用于计算机图像处理技术领域。处理技术领域。处理技术领域。
【技术实现步骤摘要】
基于扇形卷积神经网络的图像特征匹配方法
[0001]本专利技术涉及计算机图像处理
，尤其是基于扇形卷积神经网络的图像特征匹配方法。
技术介绍
[0002]图像特征检测与匹配时图像处理的核心领域之一，应用广泛。在非平面的场景中，图像通常存在着旋转、视角和光照的变化，这些变化导致外观发生显著变换。现有大多数算法是依赖于局部图像特征描述子来实现图像之间的匹配，而局部图像特征描述子的核心问题是不变性和可区分性，传统的图像特征匹配方案在处理旋转问题的时候，都是基于集合特征或者梯度特征的手工检测算法，这些算法有着可解释的数学理论基础，也能够具有旋转不变性。但传统手工算法是基于某种固定的前提假设，是对现实世界的简化和抽象，其在鲁棒性和泛化能力方面存在不足。
[0003]随着卷积神经网络的出现，特征提取的泛化和对海量数据的支持极大地提高了局部特征的描述能力，但现有的卷积神经网络算法由于没有在旋转不变性上的独立优化，而是通过数据增强和网络加深的方法学习旋转不变性，其所得出的描述子无法具有处理存在着较大的角度差的旋转图片的匹配的显著效果。此外，由于网络的加深导致其计算复杂度增大，应用设备要求更为严格。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供了一种高精度、匹配能力强、复杂度低的基于扇形卷积神经网络的图像特征匹配方法。
[0005]本专利技术的实施例提供了基于扇形卷积神经网络的图像特征匹配方法，包括：构建扇形卷积神经网络，根据损失函数对所述扇形卷积神经网络进行训练优化，获得目标模型；在图像中提取特征点，并以所述特征点为中心在所述图像中提取正方形图像块集；将所述正方形图像块集输入所述目标模型中，得到旋转描述子；其中，所述旋转描述子为可旋转重编码描述子；对所述旋转描述子进行处理，完成图像的特征匹配。
[0006]可选地，所述构建扇形卷积神经网络，根据损失函数对所述卷积神经网络进行训练优化，获得目标模型，包括：构建一层扇形卷积层，并构建五层一维卷积层；根据所述扇形卷积层以及所述一维卷积层构建扇形卷积神经网络；通过损失函数对所述扇形卷积神经网络进行训练，获得目标模型。
[0007]可选地，所述通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：可选地，所述通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：可选地，所述通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：
其中，L代表损失函数，代表旋转描述子的长度，代表负样本的损失函数，gt代表所述旋转描述子在正确角度匹配的展开点序号，代表正样本的损失函数，代表的距离参数，代表的距离参数，代表正样本与参考样本在正确角度的相似度，代表参考样本和正样本在错误角度的相似度，代表负样本与参考样本特征点的相似度。
[0008]可选地，所述在图像中提取特征点，并以所述特征点为中心在所述图像中提取正方形图像块集，包括：采用特征点检测方法提取特征点；以所述特征点为中心，在图像中提取正方形图像块，形成正方形图像块集。
[0009]可选地，所述将所述正方形图像块集输入所述目标模型中，得到旋转描述子，包括：通过扇形卷积核对图像块进行卷积，得到特征图；其中，所述图像块来源于所述正方形图像块集；对所述特征图进行循环填充，并将循环填充后的所述特征图输入一维卷积层进行卷积，得到可旋转重编码的旋转描述子。
[0010]可选地，所述通过扇形卷积核对图像块进行卷积，得到特征图，包括：确定扇形卷积核的夹角大小、扇形卷积核的半径大小、扇形卷积核的旋转步长、卷积开始位置；根据所述扇形卷积核的夹角大小、所述扇形卷积核的半径大小、所述扇形卷积核的旋转步长、所述卷积开始位置以特征点为中心进行旋转卷积；对扇形卷积核覆盖的像素进行加权求和，得到特征值；当旋转角度累积到360
°
，得到一个特征向量环；以所述卷积开始位置为向量首位进行展开，获得特征向量；将所述特征向量输入激活函数，输出特征图。
[0011]可选地，所述对所述特征图进行循环填充，包括：在特征图的起始位置填充末尾特征值；在特征图的末尾位置填充起始特征值。
[0012]可选地，所述对所述旋转描述子进行处理，完成图像的特征匹配，包括：确定一组所述旋转描述子为固定描述子组，对另一组所述旋转描述子中的每个描述子进行旋转重编码，得到全角度描述子组；计算所述全角度描述子组与所述固定描述子组余弦相似度矩阵；对所述余弦相似度矩阵进行双向暴力匹配，得到所述特征点的匹配关系，完成图像特征匹配。
[0013]本专利技术的实施例还提供了一种电子设备，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如上所述的方法。
[0014]本专利技术的实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如上所述的方法。
[0015]本专利技术实施例具有如下有益效果：通过构建扇形卷积神经网络，根据损失函数对扇形卷积神经网络进行训练优化，获得目标模型，使得本专利技术的实施例具有较强的泛化能力和鲁棒性；通过在图像中提取特征点，并以特征点为中心在图像中提取正方形图像块集；将图像块集输入扇形卷积神经网络中，得到旋转描述子；其中，旋转描述子是可旋转重编码描述子；对旋转描述子进行处理，能够在图像任意旋转变化的情况下，完成图像的高精度特征匹配。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，下面对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本林谷普通技术人员来讲，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附图。
[0017]图1是本专利技术实施例提供的图像特征匹配方法流程图；图2是本专利技术实施例提供的图像特征匹配方法直观示意图；图3是本专利技术实施例提供的单个通道扇形卷积层卷积过程图；图4是本专利技术实施例提供的一维卷积层的处理过程图；图5是本专利技术实施例提供的旋转重编码示意图。
具体实施方式
[0018]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0019]针对现有技术中卷积神经网络算法针对旋转图像的匹配计算复杂度大、精度低、匹配能力不足等问题，本专利技术实施例提供了一种基于扇形卷积神经网络的特征图像匹配方法,以扇形卷积核为核心构建扇形卷积神经网络，先通过扇形卷积层的扇形卷积核旋转提取出图像块在每个固定角度下的扇形特征，得到一个特征向量环并展开成一维向量，通过一维卷积层对每个角度的特征进行聚合，输出一个可全角度编码的描述子，能够实现任意角度的描述子重编码匹配，从而达到任意角度差图像对匹配的目的。参照图1和图2，图1是本专利技术实施例提供的图像特征匹配方法流程图，图2是本专利技术实施例提供的图像特征匹配方法直观示意图，本专利技术的实施例包括以下步骤S100~S400。
[0020]S100、构建扇形卷积神经网络，根据损失函数对扇本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于扇形卷积神经网络的图像特征匹配方法，其特征在于，包括：构建扇形卷积神经网络，根据损失函数对所述扇形卷积神经网络进行训练优化，获得目标模型；在图像中提取特征点，并以所述特征点为中心在所述图像中提取正方形图像块集；将所述正方形图像块集输入所述目标模型中，得到旋转描述子；其中，所述旋转描述子为可旋转重编码描述子；对所述旋转描述子进行处理，完成图像的特征匹配。2.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法，其特征在于，所述构建扇形卷积神经网络，根据损失函数对所述卷积神经网络进行训练优化，获得目标模型，包括：构建一层扇形卷积层，并构建五层一维卷积层；根据所述扇形卷积层以及所述一维卷积层构建扇形卷积神经网络；通过损失函数对所述扇形卷积神经网络进行训练，获得目标模型。3.根据权利要求2所述的基于扇形卷积神经网络的图像特征匹配方法，其特征在于，所述通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：通过损失函数对所述扇形卷积神经网络进行训练，所述损失函数为：其中，L代表损失函数，代表旋转描述子的长度，代表负样本的损失函数，gt代表所述旋转描述子在正确角度匹配的展开点序号，代表正样本的损失函数，代表的距离参数，代表的距离参数，代表正样本与参考样本在正确角度的相似度，代表参考样本和正样本在错误角度的相似度，代表负样本与参考样本特征点的相似度。4.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法，其特征在于，所述在图像中提取特征点，并以所述特征点为中心在所述图像中提取正方形图像块集，包括：采用特征点检测方法提取特征点；以所述特征点为中心，在图像中提取正方形图像块，形成正方形图像块集。5.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法，其特征在于，所述将所述正方形图像块集输入所述目标模型中，得到旋转...
【专利技术属性】
技术研发人员：陈刚，林文蔚，仲崇豪，
申请(专利权)人：中山大学，
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。