[发明专利]多尺度卷积神经网络特征提取方法、系统、介质及应用

权利要求书

1.一种多尺度卷积神经网络特征提取方法，其特征在于，所述多尺度卷积神经网络特征提取方法包括：

改变高斯平滑因子构建多层的高斯特征金字塔，高斯特征金字塔的层数对应设计的网络中的尺度个数；最终得到的高斯金字塔每层是来源于一组特征图；在这组特征图中，第一层的特征通过对图像进行卷积操作获得，组内其他层特征通过改变高斯平滑因子来构建；

在高斯特征金字塔的基础上，将每组组内相邻两层的特征图相减，构建差分特征金字塔；

通过特征差分金字塔，获取三组尺度的差分特征图，每组差分特征图可构建一个尺度的特征图，构建多尺度特征差分金字塔；

所述高斯特征金字塔的构建包括：每个尺度下对应一组高斯模糊图像，通过对该尺度下的特征图进行一系列高斯平滑操作得到的；输入一张图片，对图像进行一次卷积操作，得到一张特征图conv1_1，对卷积后的特征图conv1_1进行一系列高斯平滑获得一组特征图，尺度下该组有五层特征图；

高斯平滑的公式如下：

；

其中，σ为平滑因子，由启发式算法取固定值为1.6，组内第二层特征图需要一个新的平滑因子，新平滑因子σ=k*σ,其中k为比例系数；随着组内层数的增加，平滑因子依次变为σ，kσ，k²σ，k³σ，k⁴σ；第一层特征图conv1_1经过卷积和下采样操作获得第二张卷积特征图conv2_1，并将特征图conv2_1作为高斯特征金字塔第二个尺度下的第一层，构建第二组的高斯特征图，在构建第三组的高斯特征图，共构建三组尺度不同的高斯特征金字塔。

2.如权利要求1所述的多尺度卷积神经网络特征提取方法，其特征在于，所述特征差分金字塔的构建；第一层构建方式：由获得了多尺度的高斯特征金字塔，每个尺度下对应一组特征图，每组下含有5层特征图，多尺度特征差分金字塔是在高斯特征金字塔的基础上构建的；

针对三个不同尺度下的三组特征图，每个尺度下对应一组，共三组，将每组内相邻层特征图相减，构成一组含有4层的差分特征图。

3.如权利要求1所述的多尺度卷积神经网络特征提取方法，其特征在于，所述多尺度特征差分金字塔的构建包括：在每组差分特征图中，设置一个大小为3*3的滤波器在每层特征图上自左向右、自上向下的滑动，滤波器的中心像素点与周围八个特征点进行大小比较，保留极大值；再与相邻上下层内的特征点比较，保留组内最大特征点，所得特征点即为该尺寸特征图下该位置的特征值，从三组差分特征图中获得三张尺寸不同的特征图，构成差分特征图下的多尺度特征金字塔。

4.如权利要求1所述的多尺度卷积神经网络特征提取方法，其特征在于，所述多尺度卷积神经网络特征提取包括：

（1）通过三次卷积操作获取三张不同尺寸的特征图，在每张尺寸的特征图上利用一系列高斯平滑操作得到一组特征图，共构建特征高斯金字塔（含三组特征）；

（2）利用图像特征高斯金字塔构建差分高斯特征金字塔；

（3）在高斯特征金字塔中，每组内相邻两层特征图相减获得该组的差分特征图；

（4）利用差分高斯特征金字塔的不同尺度下的特征图构建多尺度差分特征金字塔，在每组每层特征图像素点与3×3邻域的像素点进行大小比较，再与相邻上下层进行像素值的比较，最终选择极大值作为该特征图的该位置上的特征值；

（5）在每个尺度下，从特征差分金字塔的特征图上选出极大值构成该尺度下的特征图，从而构建多尺度卷积神经网络特征金字塔。

5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1~4任意一项所述的多尺度卷积神经网络特征提取方法。

6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1~4任意一项所述的多尺度卷积神经网络特征提取方法。

7.一种图像处理信息数据处理终端，其特征在于，所述图像处理信息数据处理终端信息数据处理终端用于实现权利要求1~4任意一项所述的多尺度卷积神经网络特征提取方法。

8.一种实施权利要求1~4任意一项所述多尺度卷积神经网络特征提取方法的多尺度卷积神经网络特征提取系统，其特征在于，所述多尺度卷积神经网络特征提取系统包括：

高斯特征金字塔构建模块，用于改变高斯平滑因子来构建多层的高斯特征金字塔，高斯特征金字塔的层数对应设计的网络中的尺度个数；

特征差分金字塔构建模块，用于在高斯特征金字塔的基础上，将每组组内相邻两层的特征图相减，构建差分特征金字塔；

多尺度特征差分金字塔构建模块，用于通过特征差分金字塔，获取三组尺度的差分特征图，每组差分特征图可构建一个尺度的特征图，构建多尺度特征差分金字塔。