图像特征点提取方法、装置、计算机终端及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657528A(43)申请公布日2021.11.16(21)申请号202110971726.X(22)申请日2021.08.24(71)申请人湖南国科微电子股份有限公司地址410000湖南省长沙市长沙经济技术开发区泉塘街道东十路南段9号(72)发明人胡建兵袁涛(74)专利代理机构北京超凡宏宇专利代理事务所(特殊普通合伙)11463代理人梁韬(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06F17/16(2006.01)权利要求书2页说明书6页附图4页(54)发明名称图像特征点提取方法、装置、计算机终端及存储介质(57)摘要本发明实施例公开了一种图像特征点提取方法、装置、计算机终端及存储介质，该方法包括：获取二维可见光图像作为第一训练样本图像；对第一训练样本图像进行单应性矩阵变换，得到第二训练样本图像；将所述第一训练样本图像和第二训练样本图像输入预设好的卷积网络模型，并将得到的输出放入构建好的损失函数中训练所述卷积网络模型参数，最终得到图像特征点提取模型；将待识别图像输入训练好的所述图像特征点提取模型，得到目标特征点。CN113657528ACN113657528A权利要求书1/2页1.一种图像特征点提取方法，其特征在于，包括：获取二维可见光图像作为第一训练样本图像；对所述第一训练样本图像进行单应性矩阵变换，得到第二训练样本图像；将所述第一训练样本图像和第二训练样本图像输入预设好的卷积网络模型，并将得到的输出结果输入构建好的损失函数中训练所述卷积网络模型的参数，最终得到图像特征点提取模型；将待识别图像输入训练好的所述图像特征点提取模型，得到目标特征点。2.根据权利要求1所述的图像特征点提取方法，其特征在于，在对所述第一训练样本图像进行单应性矩阵变换前，对所述第一训练样本图像进行数据增强处理。3.根据权利要求1所述的图像特征点提取方法，其特征在于，将所述第一训练样本图像进行单应性矩阵变换公式如下所示：式子中(x1，y1)表示所述第一训练样本图像p1的坐标，H11、H12、H13、H21、H22、H23、H31、H32、H33为经过随机扰动后的所述单应性矩阵的参数，p2为所述第一训练样本图像经过单应性矩阵的变换后得到第二训练样本图像，(x2，y2)表示所述第二训练样本图像p2的坐标，H表示单应性矩阵。4.根据权利要求1所述的图像特征点提取方法，其特征在于，所述第二训练样本图像的尺寸和第一训练样本图像尺寸相同。5.根据权利要求1所述的图像特征点提取方法，其特征在于，所述预设好的卷积网络模型为具有双帧图像输入，三个输出通道且降采样值范围在6至10的全卷积网络模型。6.根据权利要求1所述的图像特征点提取方法，其特征在于，所述得到图像特征点提取模型的过程包括：获取第一训练样本图像在所述卷积网络模型中输出的第一预测坐标；获取第二训练样本图像在所述卷积网络模型中输出的第二预测坐标；将所述第一预测坐标进行转换得到第一特征坐标，将所述第二预测坐标进行转换得到第二特征坐标；将所述第一特征坐标和第二特征坐标输入构建好的损失函数中训练所述图像特征点提取模型的参数。7.根据权利要求6所述的图像特征点提取方法，其特征在于，所述损失函数的构建包括：将所述第一特征坐标和第二特征坐标利用所述单应性矩阵进行计算，得到各自对应于所述第一训练样本图像和第二训练样本图像上的真实坐标对信息，所述信息包括所述真实坐标对的距离；判断所述坐标对的距离是否符合约束条件，若符合要求则保留所述坐标对，若不符合则丢弃所述坐标对；根据保留下来的坐标对，调整所述卷积网络模型的参数，直到最终符合要求的坐标对2CN113657528A权利要求书2/2页到达预期值，完成训练。8.一种图像特征点提取装置，其特征在于，包括：图像获取模块，用于获取二维可见光图像作为第一训练样本图像；图像处理模块，用于对所述第一训练样本图像进行单应性矩阵变换，得到第二训练样本图像；训练模块，用于将所述第一训练样本图像和第二训练样本图像输入预设好的卷积网络模型，并将得到的输出放入构建好的损失函数中训练所述卷积网络模型的参数，最终得到图像特征点提取模型；识别模块，用于将待识别图像输入训练好的所述图像特征点提取模型，得到目标特征点。9.一种计算机终端，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行权利要求1至7中任一项所述的图像特征点提取方法。10.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1至7中任一项所述的图像特征点提取方法。3CN113657528A说明书1/6页图像特征点提取方法、装置、计算