图像特征的智能提取方法及装置制造方法及图纸

本发明专利技术公开了一种图像特征的智能提取方法及装置，该方法包括：根据确定出的用于训练的目标训练图像集合，训练预设的待训练特征提取模型，得到训练后特征提取模型；判断训练后特征提取模型是否收敛，若是，则将训练后特征提取模型确定为目标特征提取模型。可见，实施本发明专利技术能够基于训练出的目标特征提取模型来提取待处理图像的全局特征，相较于传统的局部特征提取，提取出的全局特征更具备有区分性的卷积特征，使得即使图像特征图的尺寸逐渐下降，特征图的边缘等相关细节也能够得以保留，有利于可靠、精确以及有效地提取图像特征，进而有利于提高后续图像分类任务的精确度，从而有利于提高对图像数据的识别、归类及检索等操作的可靠性及准确性。作的可靠性及准确性。作的可靠性及准确性。

【技术实现步骤摘要】
图像特征的智能提取方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种图像特征的智能提取方法及装置。

技术介绍

[0002]随着图像处理技术的快速发展，图像特征提取技术已被广泛应用在图像分类任务中，以对大量的图像数据进行识别、归类以及检索等操作。
[0003]当前，图像特征的提取方式一般是通过深度卷积神经网络来提取图像的局部特征来实现。然而，通过实践发现，这种图像的局部特征提取，随着卷积网络的不断加深，图像特征图的尺寸也会逐渐下降，这样会容易忽略图像浅层特征图的边缘等相关细节特征，使得图像特征图之间的卷积特征区分度不高，从而难以提高图像分类任务的精确度，为图像分类任务带来巨大的挑战。可见，提供一种能够提高图像特征提取精确度的方法尤为重要。

技术实现思路

[0004]本专利技术所要解决的技术问题在于，提供一种图像特征的智能提取的方法及装置，能够有利于可靠、精确以及有效地提取图像特征，进而有利于提高后续图像分类任务的精确度，从而有利于提高对图像数据的识别、归类及检索等操作的可靠性及准确性。
[0005]为了解决上述技术问题，本专利技术第一方面公开了一种图像特征的智能提取方法，所述方法包括：确定用于训练的目标训练图像集合；所述目标训练图像集合包括第一训练图像集合以及所述第一训练图像集合对应的第二训练图像集合，所述第二训练图像集合是对所述第一训练图像集合进行图像预处理后所得到的；根据所述目标训练图像集合，对预设的待训练特征提取模型执行模型训练操作，得到训练后特征提取模型；所述待训练特征提取模型包括采样层、目标特征处理层以及类别预测层；判断所述训练后特征提取模型是否收敛，若是，则将所述训练后特征提取模型确定为目标特征提取模型；所述目标特征提取模型用于对目标待处理图像进行图像特征提取。
[0006]作为一种可选的实施方式，在本专利技术第一方面中，所述根据所述目标训练图像集合，对预设的待训练特征提取模型执行模型训练操作，得到训练后特征提取模型，包括：通过预设的待训练特征提取模型的采样层以及所述采样层的第一卷积参数，对所述目标训练图像集合中的每个目标训练图像执行图像采样操作，得到每个所述目标训练图像对应的采样后训练图像；所述采样层的第一卷积参数包括采样卷积核尺寸参数和/或采样卷积步长参数；通过所述待训练特征提取模型的目标特征处理层，对每个所述目标训练图像对应的采样后训练图像执行特征处理操作，得到所有所述目标训练图像对应的目标特征图；通过所述待训练特征提取模型的类别预测层，对每个所述目标训练图像对应的目
标特征图执行类别预测操作，得到每个所述目标训练图像对应的目标特征图的类别预测分值，作为每个所述目标训练图像的目标类别预测分值。
[0007]作为一种可选的实施方式，在本专利技术第一方面中，所述目标特征处理层包括多个全局特征处理层；其中，所述通过所述待训练特征提取模型的目标特征处理层，对每个所述目标训练图像对应的采样后训练图像执行特征处理操作，得到所有所述目标训练图像对应的目标特征图，包括：对于每一所述全局特征处理层，根据所有所述目标训练图像对应的采样后训练图像，确定所述全局特征处理层对应的所有待处理图像，并通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图；确定所有所述目标训练图像对应的当前特征处理轮次，并判断所述当前特征处理轮次是否大于等于预设轮次阈值；当判断结果为否时，将所述当前特征处理轮次增加1次，以及将所有所述待处理图像对应的待定特征图确定为下一个全局特征处理层所对应的所有待处理图像，并触发执行所述的通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图，以及确定所有所述目标训练图像对应的当前特征处理轮次，并判断所述当前特征处理轮次是否大于等于预设轮次阈值的操作；所述全局特征处理层为所述下一个全局特征处理层；当判断结果为是时，将所有所述待处理图像对应的待定特征图确定为所有所述目标训练图像对应的目标特征图。
[0008]作为一种可选的实施方式，在本专利技术第一方面中，每个所述全局特征处理层均包括对应的全局特征提取器以及对应的全局特征融合器；其中，所述通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图，包括：通过所述全局特征处理层对应的全局特征提取器以及预设的所述全局特征提取器的第二卷积参数，对每个所述待处理图像执行特征提取操作，得到每个所述待处理图像对应的待处理特征图；所述全局特征提取器的第二卷积参数包括特征提取卷积核尺寸参数和/或特征提取卷积步长参数；通过所述全局特征处理层对应的全局特征融合器，对每个所述待处理图像对应的待处理特征图执行特征融合操作，得到每个所述待处理图像对应的特征融合图；对每个所述待处理图像对应的待处理特征图以及对应的特征融合图执行相加运算操作，得到所有所述待处理图像对应的待定特征图。
[0009]作为一种可选的实施方式，在本专利技术第一方面中，所述通过所述全局特征处理层对应的全局特征融合器，对每个所述待处理图像对应的待处理特征图执行特征融合操作，得到每个所述待处理图像对应的特征融合图，包括：将所有所述待处理图像输入至所述全局特征处理层对应的全局特征融合器，以使所述全局特征融合器的每一特征融合模块执行如以下操作：对于每一所述待处理图像，对所述待处理图像执行图像复制操作，得到所述待处理图像对应的多个复制后图像，并对每个所述复制后图像中的所有特征点执行特征点位置
打乱操作，得到每个所述复制后图像对应的所有打乱后特征点；所述待处理图像以及每个所述复制后图像均包括对应的多个特征点，且每个所述复制后图像中的所有所述特征点均与所述待处理图像中的所有所述特征点相匹配；对于每一所述待处理图像的每一所述复制后图像，提取所述复制后图像对应的每个所述打乱后特征点的空间结构特征信息，并根据每个所述打乱后特征点的空间结构特征信息，对所有所述打乱后特征点执行特征点位置恢复操作，得到所述复制后图像对应的所有恢复后特征点；每个所述打乱后特征点的空间结构特征信息包括该打乱后特征点与在所述复制后图像中的任一其他打乱后特征点之间的空间结构关联关系信息；对于每一所述待处理图像，根据预先确定出的所述待处理图像中的每个所述特征点的第一特征值、其对应的每个所述复制后图像中的每个所述恢复后特征点的第二特征值、所述待处理图像的第一权重以及其对应的每个所述复制后图像的第二权重，对所述待处理图像中的每个所述特征点执行特征加权求和操作，得到所述待处理图像的所有加权求和后特征点；对于每一所述待处理图像，根据所述待处理图像中的每个所述加权求和后特征点对应的空间结构特征信息，对每个所述加权求和后特征点执行特征融合操作，得到所述待处理图像的所有融合后特征点，并根据所述待处理图像的所有所述融合后特征点，确定所述待处理图像对应的待定特征融合图；在得到所有所述待处理图像对应的待定特征融合图之后，判断是否存在下一个特征融合模块；当判断结果为是时，将所有所述待处理图像对应的待定特征融合图确定为所述下一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像特征的智能提取方法，其特征在于，所述方法包括：确定用于训练的目标训练图像集合；所述目标训练图像集合包括第一训练图像集合以及所述第一训练图像集合对应的第二训练图像集合，所述第二训练图像集合是对所述第一训练图像集合进行图像预处理后所得到的；根据所述目标训练图像集合，对预设的待训练特征提取模型执行模型训练操作，得到训练后特征提取模型；所述待训练特征提取模型包括采样层、目标特征处理层以及类别预测层；判断所述训练后特征提取模型是否收敛，若是，则将所述训练后特征提取模型确定为目标特征提取模型；所述目标特征提取模型用于对目标待处理图像进行图像特征提取。2.根据权利要求1所述的图像特征的智能提取方法，其特征在于，所述根据所述目标训练图像集合，对预设的待训练特征提取模型执行模型训练操作，得到训练后特征提取模型，包括：通过预设的待训练特征提取模型的采样层以及所述采样层的第一卷积参数，对所述目标训练图像集合中的每个目标训练图像执行图像采样操作，得到每个所述目标训练图像对应的采样后训练图像；所述采样层的第一卷积参数包括采样卷积核尺寸参数和/或采样卷积步长参数；通过所述待训练特征提取模型的目标特征处理层，对每个所述目标训练图像对应的采样后训练图像执行特征处理操作，得到所有所述目标训练图像对应的目标特征图；通过所述待训练特征提取模型的类别预测层，对每个所述目标训练图像对应的目标特征图执行类别预测操作，得到每个所述目标训练图像对应的目标特征图的类别预测分值，作为每个所述目标训练图像的目标类别预测分值。3.根据权利要求2所述的图像特征的智能提取方法，其特征在于，所述目标特征处理层包括多个全局特征处理层；其中，所述通过所述待训练特征提取模型的目标特征处理层，对每个所述目标训练图像对应的采样后训练图像执行特征处理操作，得到所有所述目标训练图像对应的目标特征图，包括：对于每一所述全局特征处理层，根据所有所述目标训练图像对应的采样后训练图像，确定所述全局特征处理层对应的所有待处理图像，并通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图；确定所有所述目标训练图像对应的当前特征处理轮次，并判断所述当前特征处理轮次是否大于等于预设轮次阈值；当判断结果为否时，将所述当前特征处理轮次增加1次，以及将所有所述待处理图像对应的待定特征图确定为下一个全局特征处理层所对应的所有待处理图像，并触发执行所述的通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图，以及确定所有所述目标训练图像对应的当前特征处理轮次，并判断所述当前特征处理轮次是否大于等于预设轮次阈值的操作；所述全局特征处理层为所述下一个全局特征处理层；当判断结果为是时，将所有所述待处理图像对应的待定特征图确定为所有所述目标训练图像对应的目标特征图。
4.根据权利要求3所述的图像特征的智能提取方法，其特征在于，每个所述全局特征处理层均包括对应的全局特征提取器以及对应的全局特征融合器；其中，所述通过所述全局特征处理层，对所有所述待处理图像执行特征处理操作，得到所有所述待处理图像对应的待定特征图，包括：通过所述全局特征处理层对应的全局特征提取器以及预设的所述全局特征提取器的第二卷积参数，对每个所述待处理图像执行特征提取操作，得到每个所述待处理图像对应的待处理特征图；所述全局特征提取器的第二卷积参数包括特征提取卷积核尺寸参数和/或特征提取卷积步长参数；通过所述全局特征处理层对应的全局特征融合器，对每个所述待处理图像对应的待处理特征图执行特征融合操作，得到每个所述待处理图像对应的特征融合图；对每个所述待处理图像对应的待处理特征图以及对应的特征融合图执行相加运算操作，得到所有所述待处理图像对应的待定特征图。5.根据权利要求4所述的图像特征的智能提取方法，其特征在于，所述通过所述全局特征处理层对应的全局特征融合器，对每个所述待处理图像对应的待处理特征图执行特征融合操作，得到每个所述待处理图像对应的特征融合图，包括：将所有所述待处理图像输入至所述全局特征处理层对应的全局特征融合器，以使所述全局特征融合器的每一特征融合模块执行如以下操作：对于每一所述待处理图像，对所述待处理图像执行图像复制操作，得到所述待处理图像对应的多个复制后图像，并对每个所述复制后图像中的所有特征点执行特征点位置打乱操作，得到每个所述复制后图像对应的所有打乱后特征点；所述待处理图像以及每个所述复制后图像均包括对应的多个特征点，且每个所述复制后图像中的所有所述特征点均与所述待处理图像中的所有所述特征点相...

【专利技术属性】
技术研发人员：陈畅新，李展铿，
申请(专利权)人：有米科技股份有限公司，
类型：发明
国别省市：