一种复杂色域环境下目标特征值的提取方法技术

本发明专利技术涉及一种复杂色域环境下目标特征值的提取方法，包括：

【技术实现步骤摘要】
一种复杂色域环境下目标特征值的提取方法


[0001]本专利技术属于图像处理
，尤其涉及一种复杂色域环境下目标特征值的提取方法
。

技术介绍

[0002]目前，现有目标特征值提取的流程是外部通过
LED
灯进行环境光补光，图像
ISP
驱动对图像进行锐化，饱和度提升，色度提升，对比度提升，亮度提升等一系列初始化处理，接着进行图像归一化，最后送入特征值提取神经网络进行计算，从而特征值
。
[0003]但是，申请人发现：现有的目标特征值提取方法存在以下缺陷：
[0004]1、
在归一化图像特征点误差率增大的情况下，进行神经网络的卷积特征值提取存在波动范围较大，特征值结果精度降低，增加了应用基于特征值的开发难度
。
[0005]2、
在复杂色域环境下，图像
ISP
驱动输出的图像复杂，导致归一化处理图像特征点误差率增大
。
[0006]3、
需要增加外部环境光补光，导致硬件成本增加，维护难度加大
。
[0007]4、
图像
ISP
驱动对图像的初始化参数，只能在相对稳定的色域环境下，初始化参数对图像处理明显，在多复杂色域场景下，图像
ISP
的处理难免力不从心，增加了驱动开发难度和适配难度
。

技术实现思路

[0008]为解决现有技术中存在的上述问题，本专利技术提供了一种复杂色域环境下目标特征值的提取方法<br/>。
[0009]为解决上述技术问题，本专利技术采用如下技术方案：
[0010]本专利技术所述的一种复杂色域环境下目标特征值的提取方法，包括：
[0011]S1.
增加神经网络提取特征值卷积的宽度和各种色域的权重，并设置多色域处理模块机制，构建动态神经卷积网络；
[0012]S2.
获取原始输入图像；
[0013]S3.
通过步骤
S1
的动态神经卷积网络计算原始输入图像中各色域的权重，并将所有色域的权重进行相加，得到原始输入图像的新权重；
[0014]然后动态神经卷积网络基于该原始输入图像的新权重进行卷积计算；
[0015]S4.
基于步骤
S3
的卷积计算结果，进行归一化处理
、
激活和池化，获得初始化特征值；
[0016]S5.
根据获得初始化特征值进行
FullConnect
层计算，输出特征值
。
[0017]进一步地，步骤
S1
构建的动态神经卷积网络的原始输入图像的新权重计算公式为：
[0018]Y
＝
k1*W1*x+k2*W2*x+k3*W3*x+
……
+kn*Wn*x+B
；
[0019]式中
Y
为原始输入图像的新权重，
W1、W2、W3、Wn
为特征值卷积矩阵，其中
1、2、
3、
……
、n
表示特征值卷积宽度，
k1*W1、k2*W2、k3*W3、
……
、kn*Wn
为各色域权重，
k1、k2、k3、
……
、kn
为各色域的权重系数，且
k1+k2+k3+
……
+kn
＝1，
x
为自定义的各色域的增强系数矩阵，
B
为神经网络相加权重
。
[0020]进一步地，所述多色域处理模块机制为通过根据获取的原始输入图像自动控制动态神经卷积网络中参数的打开
/
关闭，从而确定动态神经卷积网络进行新权重计算时包含的所有色域对应的特征值卷积矩阵
。
[0021]进一步地，步骤
S4
采用的归一化处理为
BatchNormal
归一化处理
。
[0022]进一步地，步骤
S4
的激活采用
ReLU
激活函数
。
[0023]进一步地，该方法还包括：在进行步骤
S5
的
FullConnect
层计算之前，根据获得初始化特征值的波动判断是否进行递归处理
。
[0024]本专利技术通过上述技术方案，主要具有以下有益效果：
[0025]1、
增强了在复杂色域情况下指定色域特征点的特征值，减少了特征值的波动，从而提高了特征值的提取精度；
[0026]2、
省去图像
ISP
驱动的归一化处理图像工作，减少了图像归一化的处理流程，整体处理流程减少，计算量减少，速度更快，也减少了在基于外部复杂色域情况下图像
ISP
驱动的工作量和工作难度；
[0027]3、
减少了基于外部复杂色域情况下
LED
补光的硬件成本和硬件维护工作；
[0028]4、
能够支持动态数据，对未来多色域场景应用开发增加了适应性
。
附图说明
[0029]图1是本专利技术所述复杂色域环境下目标特征值的提取方法的流程示意图；
[0030]图2是本专利技术所述复杂色域环境下目标特征值的提取方法实施例的处理流程图
。
具体实施方式
[0031]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用以解释本专利技术，并不用于限定本专利技术
。
[0032]如图1所示，本专利技术所述的一种复杂色域环境下目标特征值的提取方法，包括以下步骤：
[0033]步骤
S1.
增加神经网络提取特征值卷积的宽度和各种色域的权重，并设置多色域处理模块机制，构建动态神经卷积网络
。
[0034]其中，所述构建的动态神经卷积网络包含的原始输入图像的新权重计算公式为：
[0035]Y
＝
k1*W1*x+k2*W2*x+k3*W3*x+
……
+kn*Wn*x+B
；
[0036]式中
Y
为原始输入图像的新权重，
W1、W2、W3、Wn
为特征值卷积矩阵，其中
1、2、3、
……
、n
表示特征值卷积宽度，
k1*W1、k2*W2、k3*W3、
……
、kn*Wn
为各色域权重，
k1、k2、k3、
……
、kn
为各色域的权重系数，且
k1+k2+k3+
……
+kn
＝1，
x
为自定义的各色域的增强系数矩阵
...

【技术保护点】

【技术特征摘要】
1.
一种复杂色域环境下目标特征值的提取方法，其特征在于，包括：
S1.
增加神经网络提取特征值卷积的宽度和各种色域的权重，并设置多色域处理模块机制，构建动态神经卷积网络；
S2.
获取原始输入图像；
S3.
通过步骤
S1
的动态神经卷积网络计算原始输入图像中各色域的权重，并将所有色域的权重进行相加，得到原始输入图像的新权重；然后动态神经卷积网络基于该原始输入图像的新权重进行卷积计算；
S4.
基于步骤
S3
的卷积计算结果，进行归一化处理
、
激活和池化，获得初始化特征值；
S5.
根据获得初始化特征值进行
FullConnect
层计算，输出特征值
。2.
根据权利要求1所述的方法，其特征在于，步骤
S1
构建的动态神经卷积网络的原始输入图像的新权重计算公式为：
Y
＝
k1*W1*x+k2*W2*x+k3*W3*x+
……
+kn*Wn*x+B
；式中
Y
为原始输入图像的新权重，
W1、W2、W3、Wn
为特征值卷积矩阵，其中
1、2、3、
……
、n
表示特征值卷积宽度...

【专利技术属性】
技术研发人员：曾金生，何广能，
申请(专利权)人：珠海六点智能科技有限公司，
类型：发明
国别省市：