[发明专利]无监督特征点检测方法及装置

说明书

本发明提供一种无监督特征点检测方法及装置，该方法包括：利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值；根据多次训练结果，得到损失函数最小时的编码器网络；基于训练后的编码器网络，确定待检测图像的K个特征点位置。该方法无需手工标注特征点位置来进行有监督学习，可有效避免人工标注的人力成本和人工标注带来的主观错误，同时能够提高检测效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种无监督特征点检测方法及装置。

背景技术

在图像处理和与计算机视觉领域，兴趣点(interest points)，也被称作关键点(key points)、特征点(feature points)。它被大量用于解决物体识别、图像识别、图像匹配、视觉跟踪、三维重建等一系列的问题。我们不再观察整幅图，而是选择某些特殊的点，然后对它们进行局部有的放矢分析。

随着应用领域对特征检测算法实时性，精确性和鲁棒性要求的日益提高，传统的特征检测算法如以角点检测算子为主的Harris检测算子和SIFT等多尺度人工定义的特征以及无法满足应用需求。近年来，随着深度学习技术的发展，基于深度学习的特征点检测和匹配算法发展迅速。相对于传统算法中人工设计的特征算子，基于深度学习的方法可以更加直观、稳定地提取出图像中的有效信息，减少特征数量，提高特征鲁棒性。基于深度学习的特征点检测算法应用广泛，但是仍存在一些问题，如需要手工标注特征点位置来进行有监督学习，耗费大量人力。

发明内容

针对现有技术存在的问题，本发明提供一种无监督特征点检测方法及装置。

本发明提供一种无监督特征点检测方法，包括：利用编码器网络对训练图像提取特征，得到K个通道的特征图，归一化后生成特征点位置概率分布图；对所述概率分布图求解质心后，基于所述质心对概率分布图进行高斯重构；将高斯重构后特征图，输入解码器网络得到输出图像，根据输入图像、输出图像、概率分布图和高斯重构后特征图，确定预设损失函数的损失值；根据多次训练结果，得到损失函数最小时的编码器网络；基于训练后的编码器网络，确定待检测图像的K个特征点位置。

根据本发明一个实施例的无监督特征点检测方法，所述对所述概率分布图求解质心，包括：

其中，为空间归一化因子，W′，H′分别为概率分布图宽和高，d_k，i，j为概率分布图的特征值。

根据本发明一个实施例的无监督特征点检测方法，所述基于所述质心对概率分布图进行高斯重构，包括：

其中，δ为预设的标准差，x_k和y_k为质心坐标，u_k，i，j和v_k，i，j分别为概率分布图的坐标。

根据本发明一个实施例的无监督特征点检测方法，所述预设损失函数为：

L＝ω₁L_self+ω₁L_norm；

其中，ω₁和ω₁为两个约束函数之间调节的权重，I为输入编码器网络之前的图像，I′为解码器网络输出的图像。

根据本发明一个实施例的无监督特征点检测方法，所述编码器网络和所述解码器网络为对应的卷积神经网络。