【技术实现步骤摘要】
本专利技术属于计算机视觉领域，尤其是一种基于二阶拓扑关系指数关系的描述子提取方法和系统。
技术介绍
1、随着视频数据的大量增加和人工智能技术的发展，计算机视觉具有最广泛的应用空间。而作为计算机视觉基础工作之一的特征点提取与匹配已经广泛应用在三维重建、生物识别以及自动驾驶等等领域中。
2、传统特征点提取与匹配方法虽然在尺度、光照和旋转等环境下有良好的表现，但是缺乏高层次语义信息而无法进一步广泛应用。
3、基于深度学习的特征点提取与匹配方法因具有高层次信息以及在各种极限环境中良好的性能而被学者深入研究。然而，特征点提取与匹配方法依然存在描述子分布不一致等问题，意味着描述子稳定性降低，影响图像匹配，进而影响描述子提取进而影响后期应用。
技术实现思路
1、本专利技术针对描述子分布不一致问题，从多阶损失函数、邻近描述子拓扑关系等方法出发，提出一种基于二阶拓扑关系指数关系的描述子提取方法和系统，更灵活、性能更好，可以用于水电站设备巡检以及场景重建。本专利技术的技术方案具体如下：
2、一本文档来自技高网...
【技术保护点】
1.一种基于二阶拓扑关系指数关系的描述子提取方法，其特征在于：包括：
2.根据权利要求1所述的方法，其特征在于：调整学习描述子方法中三元损失的权重参数，权重参数的范围从0到1，该损失函数表示为：
3.根据权利要求2所述的方法，其特征在于：定义L2成对距离矩阵D＝[d(ai,pj)]n×n，其中n×n表示矩阵的大小，从矩阵D中的非对角元素计算行和列之间的最小值，负损失函数如下所示：
4.一种计算机系统，包括存储器、处理器以及在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现上述权利要求1至3中任一
【技术特征摘要】
1.一种基于二阶拓扑关系指数关系的描述子提取方法，其特征在于：包括：
2.根据权利要求1所述的方法，其特征在于：调整学习描述子方法中三元损失的权重参数，权重参数的范围从0到1，该损失函数表示为：
3.根据权利要求2所述的方法，其特征在于：定义l2成对距离矩阵d＝[d(ai,pj)]n×n，其中n×n表示矩阵的大小，从矩阵d中的非对角元素计算行和列之间的最小值，负损失函数如下所示：
4.一种计算机系统，包括存储器、处理器以及在...
【专利技术属性】
技术研发人员：杨剑锋，尹建华，
申请(专利权)人：云南电力试验研究院集团有限公司，
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。