欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022101044800
申请人: 南通大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于显著性区域检测的室外地点重识别方法,其特征在于,包括以下步骤:步骤一、SE-ResNet特征图的提取

在卷积神经网络中,卷积操作是在空间上把特征融合,或是通过多通道提取多尺度空间信息,SE-Net的关注通道之间的关系,使得模型自动学习到不同通道特征的重要程度,SE-Net嵌入到ResNet当中,在特征图的提取中,采用SE-ResNet模型对图像进行卷积操作,对输入图像I∈R步骤二、显著性区域的检测

通过分析室外场景图像的特点,发现室外地点通过标志性建筑、或者路标来辨别两幅图像是否属于同一地点,通过卷积后得到的特征图F中,激活值高的区域是图像中特别显著的区域,为了适应各个显著性区域的大小不同,使用非零值的连通区域的检测方法确定显著性区域的位置;

步骤三、训练视觉词袋模型

普遍的视觉词袋模型是基于图像提取的SIFT特征训练得到,使用SE-ResNet的网络层生成特征描述符,保留卷积信息和局部特征,描述符的性能优于类似SIFT的探测器,特别是在SIFT包含许多异常值或无法匹配足够数量特征点的情况下;

步骤四、图像之间的相似度匹配

对于两幅图像I

2.根据权利要求1所述的基于显著性区域检测的室外地点重识别方法,其特征在于,对所述步骤一中提取到的特征图进行如下步骤操作:(1)、二值化特征图

图像在经过卷积神经网络的卷积层和激活函数的处理后保留图像的空间纹理特征,其中特征图的激活值大小反映了图像该区域的纹理强度大小,先在各个通道的特征图中划分需要检测的区域,使用二值化特征图划分各个图像物体区域,特征图中激活值较大的区域使用1表示该区域为值得关注的区域,激活值较小的区域则用0表示其为纹理较少,不值得关注的区域,在二值化特征图过程中,使用阈值δ区分每个区域应该被设置为0还是1;

通过如下公式得到二值化之后的特征图F

(2)、划分相关区域ROI

假设显著性区域之间是独立的,或者至少是无重叠的,使用非零值的连通区域表示每一个单独的图像区域;

在二值特征图F

(3)、确定显著区域位置

对N个ROI对应特征图的区域计算特征图激活值的均值并按照均值a

(4)、提取局部特征

对于某一选定的显著性区域s

其中

3.根据权利要求1所述的基于显著性区域检测的室外地点重识别方法,其特征在于,所述步骤三中,训练视觉词袋模型由图像特征提取、视觉词汇树生成、视觉词汇特征构建三个部分组成,其中,图像特征提取在步骤一和步骤二中得到,步骤三中对视觉词汇树生成、视觉词汇特征构建具体内容包括如下步骤:(1)、收集用于构建词汇树的特征

对于视觉词汇树生成,使用k-means方法,k-means算法作为聚类方法,在聚类之前,收集一定数量的具有代表性的室外场景图像,并对每一张图像按所述步骤一和步骤二进行特征提取,每一张图片选取m个显著性区域,得到所有显著性区域的局部特征;

(2)、使用k-means构建词汇树T

先构建根节点,使用k-means对所有特征进行第一次聚类,得到k个类及其类中心,取类中心作为根节点的子节点,完成词汇树第一层的构建,继续对第一层每个节点的类进行k-means聚类,得到k类,类中心作为该节点的子节点,一直循环,直到所有特征都分到叶子节点上,则词汇树T构建完成;

(3)、视觉词汇特征向量V

词汇树的每个叶子节点代表一个视觉单词,假设词汇树包含v个视觉单词,统计单词表中每个单词在图像中出现的次数s,从而将图像表示成一个维度为v的向量V(4)、加权的特征向量V

使用TF-IDF重加权方法,其中,TF是某视觉单词出现的频率,IDF是逆向文档频率,包含某视觉单词的图片越少,IDF值越大,该词语具有很强的区分能力,TF-IDF值越大表示该特征词对这个文本的重要性越大,其计算公式如下:TFIDF=TF×IDF

其中,s为视觉单词出现的次数,v为视觉单词总量,TF