[发明专利]特征点检测方法、设备和计算机可读存储介质

权利要求书

1.一种使用卷积神经网络“CNN”来检测图像中的特征点的方法，包括：

使用所述CNN中的第一类卷积层来处理所述图像的数据，以生成第一处理数据，所述第一类卷积层包括针对同一输入数据的不同感受野具有非共享权值的卷积核；

使用所述CNN中的第二类卷积层来处理所述第一处理数据，以生成第二处理数据，所述第二类卷积层包括针对同一输入数据的不同感受野具有共享权值的卷积核；以及

基于所述第二处理数据来确定所述图像中的特征点。

2.根据权利要求1所述的方法，其中，所述CNN中在前的第一类卷积层的卷积核的大小大于等于在后的第一类卷积层的卷积核的大小，以及所述CNN中在前的第一类卷积层的卷积核的数量小于等于在后的第一类卷积层的卷积核的数量。

3.根据权利要求1所述的方法，其中，所述第一类卷积层的数量为3～5层。

4.根据权利要求3所述的方法，其中，所述CNN中包括4个第一类卷积层，分别为包括20个4x4卷积核、40个3x3卷积核、60个3x3卷积核、和80个2x2卷积核。

5.根据权利要求1所述的方法，其中，所述第二类卷积层的数量为3～7层。

6.根据权利要求5所述的方法，其中，所述CNN中包括5个第二类卷积层，分别为包括80个3x3卷积核、80个3x3卷积核、80个3x3卷积核、80个2x2卷积核、和80个2x2卷积核。

7.根据权利要求1所述的方法，其中，在所述CNN中，所述第一类卷积层在所述第二类卷积层之前。

8.根据权利要求1所述的方法，其中，基于所述第二处理数据来确定所述图像中的特征点的步骤还包括：

使用所述CNN中的第三类卷积层来处理所述第二处理数据，以生成第三处理数据，所述第三类卷积层是全连接卷积层；以及

基于所述第三处理数据来确定所述图像中的特征点。

9.根据权利要求1所述的方法，其中，紧接在每个所述第一类卷积层和/或每个所述第二类卷积层之后，所述CNN还包括激活层，所述激活层采用以下各激活函数之一：Sigmoid函数、双曲正切函数、和/或纠正线性单元“ReLU”函数。

10.根据权利要求1所述的方法，其中，紧接在每个所述第一类卷积层和/或每个所述第二类卷积层之后，所述CNN还包括池化层，所述池化层采用以下各池化函数之一：最大池化函数和/或平均池化函数。

11.根据权利要求1所述的方法，其中，所述CNN是使用随机梯度下降法“SGD”来训练的。

12.根据权利要求11所述的方法，其中，初始学习速率为10^-2。

13.根据权利要求11所述的方法，其中，所述CNN中的各卷积层的初始权重值是使用以0为平均值且方差为0.01的高斯随机数来初始化的。

14.一种使用卷积神经网络“CNN”来检测图像中的特征点的设备，包括：

第一卷积处理单元，用于使用所述CNN中的第一类卷积层来处理所述图像的数据，以生成第一处理数据，所述第一类卷积层包括针对同一输入数据的不同感受野具有非共享权值的卷积核；

第二卷积处理单元，用于使用所述CNN中的第二类卷积层来处理所述第一处理数据，以生成第二处理数据，所述第二类卷积层包括针对同一输入数据的不同感受野具有共享权值的卷积核；以及

特征点确定单元，用于基于所述第二处理数据来确定所述图像中的特征点。

15.一种存储指令的计算机可读存储介质，当所述指令在由计算机执行时，使得所述计算机：

使用卷积神经网络“CNN”中的第一类卷积层来处理图像的数据，以生成第一处理数据，所述第一类卷积层包括针对同一输入数据的不同感受野具有非共享权值的卷积核；

使用所述CNN中的第二类卷积层来处理所述第一处理数据，以生成第二处理数据，所述第二类卷积层包括针对同一输入数据的不同感受野具有共享权值的卷积核；以及

基于所述第二处理数据来确定所述图像中的特征点。