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: 2023101217081
申请人: 山东科技大学
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、…、Xn},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、…、Yn};

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

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、…、Xn},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、…、Yn};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。

3.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S2具体包括:S2.1,将原始灰度图像{Y1、Y2、Y3、…、Yn}中每张图像的角边界框中随机选取的4个点Pr1(x1,y1)、Pr2(x2,y2)、Pr3(x3,y3)、Pr4(x4,y4),依次与新灰度图像的4个角的点Pc1(0,0)、Pc2(0,h)、Pc3(w,0)、Pc4(w,h)相对应;

其中,xi、yi(i=1、2、3、4)为4个随机点的横、纵坐标值,w和h分别为原始灰度图像的长和宽,同时也是新灰度图像的长和宽;

S2.2,分组计算投影变换矩阵的参数;

投影变换矩阵H是一个3×3的矩阵,但仅有8个自由度,所以一般写为

由矩阵方程 得

其中x′1、y′1为点(x1,y1)经过投影变换后对应点的横、纵坐标值;

分别代入四组匹配点的坐标,有

从而求出所有参数,得到投影变换矩阵H;

S2.3,将原始灰度图像中每个像素点坐标都通过矩阵H变换得到对应于新灰度图像中的坐标,从而得到不同视点的新灰度图像{Y1`、Y2`、Y3`、…、Yn`};

S2.4,把通过步骤2.3获得的不同视点的灰度图像{Y1`、Y2`、Y3`、…、Yn`}与输入的灰度图像{Y1、Y2、Y3、…、Yn}放在一起,构成n个图像对{(Y1,Y1`)、(Y2,Y2`)、(Y3,Y3`)、…、(Yn,Yn`)}。

4.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S3具体为:针对图像对Y1与Y1`,若把Y1分如图像组A中,那么Y1`则分入图像组B中;对剩下的图像对Y2与Y2`、Y3与Y3`、…、Yn与Yn`也用相同的方法进行拆分,并且要保证每次分配时具有随机性。

5.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S4具体包括:S4.1,首先把图像组A中每张图片按图像长宽比分成M块,接着对每一块图片用SIFT算法提取出特征点;

S4.2,通过梯度直方图统计法,获得每个特征点的位置、尺度以及方向信息,然后用一组向量将这个特征点的信息表述出来,表示方法采用4×4×8=128维向量,最后把每张图片M块提取出的所有特征点信息统计在一起用M×128维的向量表示。

6.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S5具体包括:S5.1,对输入的图像进行第一次卷积操作,利用5×5卷积核对输入图像进行卷积运算,设置步长为2;然后对卷积后输出图像使用Relu激活函数,去掉图像中的负值,最后设置3×

3的池化窗对输入图像进行池化操作,实现降维且最大程度上保留图像特征;

S5.2,对S5.1的输出图像进行再次卷积,其中具体步骤为:利用4×4卷积核对输入图像进行卷积运算,设置步长为1;然后对卷积后输出图像使用Relu激活函数,去掉图像中的负值,最后设置3×3的池化窗对输入图像进行池化操作;

S5.3,对S5.2的输出图像进行纯卷积操作,其中利用3×3的卷积核,设置步长为1,卷积后使用Relu函数去除负值;

S5.4,对S5.3输出的结果连续使用三次全连接层,获得M×128维向量。

7.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S6中的误差E计算公式为: