[发明专利]一种基于无监督深度学习神经网络的图像特征提取方法

权利要求书

1.一种基于无监督深度神经网络的图像特征提取方法，其特征在于，具体包括如下步骤：

S1，获取当前不同视点的图像{X₁、X₂、X₃、…、X_n}，调整所有图像为统一大小，利用灰度转换生成灰度图{Y₁、Y₂、Y₃、…、Y_n}；

S2，对灰度图{Y₁、Y₂、Y₃、…、Y_n}进行单应性变换，其中对图像Y₁变换生成新图像Y₁`，Y<sub>2</sub>生成Y<sub>2</sub>`，以此类推，最后生成n个图像对{(Y₁，Y₁`)、(Y<sub>2</sub>，Y<sub>2</sub>`)、(Y₃，Y₃`)、…、(Y<sub>n</sub>，Y<sub>n</sub>`)}；

S3，随机选择每个图像对中的一张图像构成图像组A，另一张图像构成图像组B；

S4，把图像组A中每张图片按图像长宽比进行分块，最终分成M块，对每一块图片进行尺度不变特征变换，提取出每块图片中一个关键点的信息，最后把M块图片提取出的关键点信息统计成M×128维的向量；

S5，把图像组B作为无监督深度学习神经网络的输入，利用无监督深度学习神经网络从图像中提取特征，生成N×4×14×19的特征地图，其中N代表输入图片个数，再利用三层全连接层生成M×128维图像的特征向量；

S6，利用L2损失函数对图像组A和图像组B中每张图像生成的2个M×128的一维向量进行误差计算，并利用计算出的误差E对无监督深度学习神经网络进行反向传播，逐层调整神经网络参数。

2.根据权利要求1所述的一种基于无监督深度神经网络的图像特征提取方法，其特征在于，步骤S1具体为：

通过单目相机获取机器人不同视角的环境图像{X₁、X₂、X₃、…、X_n}，在获取到相关图像后，利用公式(1)

对所有图像进行灰度化处理，并把灰度化后的图像重新命名为{Y₁、Y₂、Y₃、…、Y_n}；其中Gray(i,j)表示图像灰度化后在横向距离i和纵向距离j处的像素值，R(i,j)、G(i,j)、B(i,j)分别表示彩色图像中(i,j)坐标在红色、绿色、蓝色通道中的像素值。