CN114092559A - 一种全景图像特征点描述符生成网络的训练方法以及装置 - Google Patents
一种全景图像特征点描述符生成网络的训练方法以及装置 Download PDFInfo
- Publication number
- CN114092559A CN114092559A CN202111443540.3A CN202111443540A CN114092559A CN 114092559 A CN114092559 A CN 114092559A CN 202111443540 A CN202111443540 A CN 202111443540A CN 114092559 A CN114092559 A CN 114092559A
- Authority
- CN
- China
- Prior art keywords
- processed
- feature points
- panoramic image
- feature point
- generation network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种全景图像特征点描述符生成网络的训练方法以及装置,该方法包括:获取待处理特征点;其中,待处理特征点是从待处理全景图像中提取的特征点;确定待处理特征点中的目标特征点;将待处理特征点作为输入参数,目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。可见,本申请通过自动训练全景图像特征点描述符生成网络,从而达到对有丰富图像信息和宽广视野的全景图像进行准确提取特征点的效果。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种全景图像特征点描述符生成网络的训练方法以及装置。
背景技术
相机空间定位是基于图像的三维重建中的基本步骤,根据同一物体对象对应的不同图像之间的特征点匹配来实现相机定位。一般地,根据全景图像之间的特征匹配实现的相机定位效果较佳。现有技术中,通过特征点描述符提取图像的特征点,但是,现有的特征点描述符只可以稳健的提取平面图像的特征点,无法对有丰富图像信息和宽广视野的全景图像进行准确提取特征点。
发明内容
本申请实施例提供了一种全景图像特征点描述符生成网络的训练方法以及装置,可以解决现有技术中无法对有丰富图像信息和宽广视野的全景图像进行准确提取特征点的问题。
第一方面,本申请实施例提供了一种全景图像特征点描述符生成网络的训练方法,包括:
获取待处理特征点;其中,所述待处理特征点是从待处理全景图像中提取的特征点;
确定所述待处理特征点中的目标特征点;
将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
在第一方面的一种可能的实现方式中,获取待处理特征点,包括:
获取待处理全景图像;
对所述待处理全景图像进行裁剪,得到透视图像;
提取所述透视图像中的待处理特征点。
在第一方面的一种可能的实现方式中,提取所述透视图像中的待处理特征点,包括:
根据预设提取算法确定出所述透视图像中的候选待处理特征点;
根据预设匹配算法对所述候选待处理特征点进行匹配对齐,得到待处理特征点。
在第一方面的一种可能的实现方式中,确定所述待处理特征点中的目标特征点,包括:
获取所述待处理特征点对应的相机拍摄位置;
根据所述相机拍摄位置筛选出所述待处理特征点中的目标特征点。
在第一方面的一种可能的实现方式中,所述全景图像特征点描述符生成网络包括深度级可分离卷积;
将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络,包括:
基于预设激活函数,根据所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对所述深度级可分离卷积进行训练,得到训练后的深度级可分离卷积。
第二方面,本申请实施例提供了一种全景图像特征点描述符生成网络的训练装置,包括:
获取模块,用于获取待处理特征点;所述待处理特征点是从待处理全景图像中提取的特征点;
确定模块,用于确定所述待处理特征点中的目标特征点;
训练模块,用于将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
在第二方面的一种可能的实现方式中,所述获取模块,包括:
获取子模块,用于获取待处理全景图像;
剪裁子模块,用于对所述待处理全景图像进行裁剪,得到透视图像;
提取子模块,用于提取所述透视图像中的待处理特征点。
在第二方面的一种可能的实现方式中,所述提取子模块,包括:
确定单元,用于根据预设提取算法确定出所述透视图像中的候选待处理特征点;
匹配单元,用于根据预设匹配算法对所述候选待处理特征点进行匹配对齐,得到待处理特征点。
在第二方面的一种可能的实现方式中,所述确定模块包括:
获取子模块,用于获取所述待处理特征点对应的相机拍摄位置;
筛选子模块,用于根据所述相机拍摄位置筛选出所述待处理特征点中的目标特征点。
在第二方面的一种可能的实现方式中,所述全景图像特征点描述符生成网络包括深度级可分离卷积;
所述训练模块,包括:
训练子模块,用于基于预设激活函数,根据所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对所述深度级可分离卷积进行训练,得到训练后的深度级可分离卷积。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例中,通过获取待处理特征点;其中,待处理特征点是从待处理全景图像中提取的特征点;确定待处理特征点中的目标特征点;将待处理特征点作为输入参数,目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。可见,本申请实施例通过自动训练全景图像特征点描述符生成网络,从而达到对有丰富图像信息和宽广视野的全景图像进行准确提取特征点的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的全景图像特征点描述符生成网络的训练方法的流程示意图;
图2是本申请实施例提供的全景图像特征点描述符生成网络的训练装置的结构框图;
图3是本申请实施例提供的服务器的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1,为本申请实施例提供的全景图像特征点描述符生成网络的训练方法的流程示意图,作为示例而非限定,该方法可以应用于服务器,该方法可以包括以下步骤:
步骤S101,获取待处理特征点。
其中,待处理特征点是从待处理全景图像中提取的特征点。
具体应用中,获取待处理特征点,包括:
步骤S201,获取待处理全景图像。
其中,待处理全景图像可以根据深度相机例如八目相机或者激光相机拍摄得到的。
步骤S202,对待处理全景图像进行裁剪,得到透视图像。
可以理解的是,一张全景图像根据视场角的选择可以裁剪重投影为多张的透视图,例如,采用90度的视场角,可以将一张全景图片裁剪为前后、左右、上下共六张透视图。也可以是采用60度的视场角将一张全景图像裁剪为18张透视图(上中下三个角度,一周360°分为6个角度,总共18张)。
步骤S203,提取透视图像中的待处理特征点。
示例性地,提取透视图像中的待处理特征点,包括:
步骤S301,根据预设提取算法确定出透视图像中的候选待处理特征点。
其中,预设提取算法是AKAZE算法。AKAZE特征算法是SIFT特征算法的一种改进版本,但不使用高斯模糊来构建尺度空间,因为高斯模糊具有丢失边缘信息的缺点,进而采用非线性扩散滤波来构建尺度空间,从而保留图像更多的边缘特征。
可见,本申请使用在透视图上表现很好的AKAZE特征点提取算法,通过SFM算法的筛选得到基于全景图的AKAZE特征点匹配数据集,再在此数据集上通过迭代的方式得到一个在全景图片上表现良好的AKAZE特征点描述符生成网络用以替代原本的AKAZE描述符生成算法。
步骤S302,根据预设匹配算法对候选待处理特征点进行匹配对齐,得到待处理特征点。
其中,预设匹配算法是BruteForce算法。BruteForce算法是一种暴力匹配算法,就是将目标串S的第一个字符与模式串T的第一个字符进行匹配,若相等,则继续比较S的第二个字符和 T的第二个字符;若不相等,则比较S的第二个字符和T的第一个字符,依次比较下去,直到得出最后的匹配结果。
步骤S102,确定待处理特征点中的目标特征点。
具体应用中,确定待处理特征点中的目标特征点,包括:
步骤S401,获取待处理特征点对应的相机拍摄位置。
可选的,采用SFM算法获取待处理特征点对应的相机拍摄位置。其中,SFM算法是一种基于各种收集到的无序图片进行三维重建的离线算法。
步骤S402,根据相机拍摄位置筛选出所述待处理特征点中的目标特征点。
可以理解的是,本申请通过相机拍摄位置来确定出真实特征点的三维坐标,然后再根据真实特征点的三维坐标来确定待处理特征点中的目标特征点。
示例性的,全景图片的空间位置信息已由原本的SFM算法计算获得,使用这些空间位置信息对特征点和特征匹配进行筛选,保留共视不少于4张全景图的匹配作为稳健匹配,将存在稳健匹配关系对应的待处理特征点作为目标特征点。
步骤S103,将待处理特征点作为输入参数,目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
其中,全景图像特征点描述符生成网络包括深度级可分离卷积。实际应用中,深度级可分离卷积的数量为6层,深度级可分离卷积为MobileNet卷积。
具体应用中,将待处理特征点作为输入参数,目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络,包括:
基于预设激活函数,根据待处理特征点作为输入参数,所述目标特征点作为输出参数,对所述深度级可分离卷积进行训练,得到训练后的深度级可分离卷积。
其中,预设激活函数为Relu激活函数。
本申请实施例中,通过获取待处理特征点;其中,待处理特征点是从待处理全景图像中提取的特征点;确定待处理特征点中的目标特征点;将待处理特征点作为输入参数,目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。可见,本申请实施例通过自动训练全景图像特征点描述符生成网络,从而达到对有丰富图像信息和宽广视野的全景图像进行准确提取特征点的效果。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法,图2示出了本申请实施例提供的全景图像特征点描述符生成网络的训练装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,该装置包括:
获取模块21,用于获取待处理特征点;所述待处理特征点是从待处理全景图像中提取的特征点;
确定模块22,用于确定所述待处理特征点中的目标特征点;
训练模块23,用于将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
在一种可能的实现方式中,所述获取模块,包括:
获取子模块,用于获取待处理全景图像;
剪裁子模块,用于对所述待处理全景图像进行裁剪,得到透视图像;
提取子模块,用于提取所述透视图像中的待处理特征点。
在一种可能的实现方式中,所述提取子模块,包括:
确定单元,用于根据预设提取算法确定出所述透视图像中的候选待处理特征点;
匹配单元,用于根据预设匹配算法对所述候选待处理特征点进行匹配对齐,得到待处理特征点。
在一种可能的实现方式中,所述确定模块包括:
获取子模块,用于获取所述待处理特征点对应的相机拍摄位置;
筛选子模块,用于根据所述相机拍摄位置筛选出所述待处理特征点中的目标特征点。
在一种可能的实现方式中,所述全景图像特征点描述符生成网络包括深度级可分离卷积;
所述训练模块,包括:
训练子模块,用于基于预设激活函数,根据所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对所述深度级可分离卷积进行训练,得到训练后的深度级可分离卷积。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图3为本申请实施例提供的服务器的结构示意图。如图3所示,该实施例的服务器3包括:至少一个处理器30、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意各个方法实施例中的步骤。
所述服务器3可以是桌上型计算机、笔记本、掌上电脑等计算设备。该服务器可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是服务器3的举例,并不构成对服务器3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述服务器3的内部存储单元,例如服务器3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述服务器3的外部存储设备,例如所述服务器3上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述服务器3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述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实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种全景图像特征点描述符生成网络的训练方法,其特征在于,包括:
获取待处理特征点;其中,所述待处理特征点是从待处理全景图像中提取的特征点;
确定所述待处理特征点中的目标特征点;
将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
2.如权利要求1所述的全景图像特征点描述符生成网络的训练方法,其特征在于,获取待处理特征点,包括:
获取待处理全景图像;
对所述待处理全景图像进行裁剪,得到透视图像;
提取所述透视图像中的待处理特征点。
3.如权利要求2所述的全景图像特征点描述符生成网络的训练方法,其特征在于,提取所述透视图像中的待处理特征点,包括:
根据预设提取算法确定出所述透视图像中的候选待处理特征点;
根据预设匹配算法对所述候选待处理特征点进行匹配对齐,得到待处理特征点。
4.如权利要求1至3任一项所述的全景图像特征点描述符生成网络的训练方法,其特征在于,确定所述待处理特征点中的目标特征点,包括:
获取所述待处理特征点对应的相机拍摄位置;
根据所述相机拍摄位置筛选出所述待处理特征点中的目标特征点。
5.如权利要求1至3任一项所述的全景图像特征点描述符生成网络的训练方法,其特征在于,所述全景图像特征点描述符生成网络包括深度级可分离卷积;
将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络,包括:
基于预设激活函数,根据所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对所述深度级可分离卷积进行训练,得到训练后的深度级可分离卷积。
6.一种全景图像特征点描述符生成网络的训练装置,其特征在于,包括:
获取模块,用于获取待处理特征点;所述待处理特征点是从待处理全景图像中提取的特征点;
确定模块,用于确定所述待处理特征点中的目标特征点;
训练模块,用于将所述待处理特征点作为输入参数,所述目标特征点作为输出参数,对全景图像特征点描述符生成网络进行训练,得到训练后的全景图像特征点描述符生成网络。
7.如权利要求6所述的全景图像特征点描述符生成网络的训练装置,其特征在于,所述获取模块,包括:
获取子模块,用于获取待处理全景图像;
剪裁子模块,用于对所述待处理全景图像进行裁剪,得到透视图像;
提取子模块,用于提取所述透视图像中的待处理特征点。
8.如权利要求7所述的全景图像特征点描述符生成网络的训练装置,所述提取子模块,包括:
确定单元,用于根据预设提取算法确定出所述透视图像中的候选待处理特征点;
匹配单元,用于根据预设匹配算法对所述候选待处理特征点进行匹配对齐,得到待处理特征点。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时
实现如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443540.3A CN114092559A (zh) | 2021-11-30 | 2021-11-30 | 一种全景图像特征点描述符生成网络的训练方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443540.3A CN114092559A (zh) | 2021-11-30 | 2021-11-30 | 一种全景图像特征点描述符生成网络的训练方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092559A true CN114092559A (zh) | 2022-02-25 |
Family
ID=80305912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111443540.3A Pending CN114092559A (zh) | 2021-11-30 | 2021-11-30 | 一种全景图像特征点描述符生成网络的训练方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092559A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090020452A (ko) * | 2007-08-23 | 2009-02-26 | 삼성전자주식회사 | 디지털 이미지에서 특징점을 추출하는 방법 및 장치 |
CN109086782A (zh) * | 2018-08-21 | 2018-12-25 | 广东工业大学 | 特征描述子生成方法、装置、设备及计算机可读存储介质 |
CN109523597A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 相机外参的标定方法和装置 |
CN111382696A (zh) * | 2020-03-06 | 2020-07-07 | 北京百度网讯科技有限公司 | 用于检测目标的边界点的方法和装置 |
CN111627065A (zh) * | 2020-05-15 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种视觉定位方法及装置、存储介质 |
CN112927362A (zh) * | 2021-04-07 | 2021-06-08 | Oppo广东移动通信有限公司 | 地图重建方法及装置、计算机可读介质和电子设备 |
CN112990136A (zh) * | 2021-04-29 | 2021-06-18 | 成都深蓝思维信息技术有限公司 | 一种目标检测方法及装置 |
CN113240031A (zh) * | 2021-05-25 | 2021-08-10 | 中德(珠海)人工智能研究院有限公司 | 全景图像特征点匹配模型的训练方法、装置以及服务器 |
CN113436338A (zh) * | 2021-07-14 | 2021-09-24 | 中德(珠海)人工智能研究院有限公司 | 火灾现场的三维重建方法、装置、服务器及可读存储介质 |
CN113592015A (zh) * | 2021-08-06 | 2021-11-02 | 北京百度网讯科技有限公司 | 定位以及训练特征匹配网络的方法和装置 |
-
2021
- 2021-11-30 CN CN202111443540.3A patent/CN114092559A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090020452A (ko) * | 2007-08-23 | 2009-02-26 | 삼성전자주식회사 | 디지털 이미지에서 특징점을 추출하는 방법 및 장치 |
CN109523597A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 相机外参的标定方法和装置 |
CN109086782A (zh) * | 2018-08-21 | 2018-12-25 | 广东工业大学 | 特征描述子生成方法、装置、设备及计算机可读存储介质 |
CN111382696A (zh) * | 2020-03-06 | 2020-07-07 | 北京百度网讯科技有限公司 | 用于检测目标的边界点的方法和装置 |
CN111627065A (zh) * | 2020-05-15 | 2020-09-04 | Oppo广东移动通信有限公司 | 一种视觉定位方法及装置、存储介质 |
CN112927362A (zh) * | 2021-04-07 | 2021-06-08 | Oppo广东移动通信有限公司 | 地图重建方法及装置、计算机可读介质和电子设备 |
CN112990136A (zh) * | 2021-04-29 | 2021-06-18 | 成都深蓝思维信息技术有限公司 | 一种目标检测方法及装置 |
CN113240031A (zh) * | 2021-05-25 | 2021-08-10 | 中德(珠海)人工智能研究院有限公司 | 全景图像特征点匹配模型的训练方法、装置以及服务器 |
CN113436338A (zh) * | 2021-07-14 | 2021-09-24 | 中德(珠海)人工智能研究院有限公司 | 火灾现场的三维重建方法、装置、服务器及可读存储介质 |
CN113592015A (zh) * | 2021-08-06 | 2021-11-02 | 北京百度网讯科技有限公司 | 定位以及训练特征匹配网络的方法和装置 |
Non-Patent Citations (4)
Title |
---|
孟繁杰: "基于球形摄像机模型的全景三维跟踪算法的研究", 中国优秀硕士学位论文全文数据库-信息科技辑,2016年第08期, 15 August 2016 (2016-08-15), pages 138 - 803 * |
李成等: "基于360°环视的高效停车位检测网络", 自动化仪表, 20 November 2020 (2020-11-20), pages 76 - 81 * |
程禹;王晓华;王文杰;张蕾;: "基于改进AKAZE算法的图像特征匹配方法", 西安工程大学学报, no. 04, 18 July 2020 (2020-07-18), pages 54 - 59 * |
胡国华: "语音情感识别中的若干技术研究", 31 December 2020, 中国商业出版社, pages: 92 - 95 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
CN112581629A (zh) | 增强现实显示方法、装置、电子设备及存储介质 | |
CN108711144B (zh) | 增强现实方法及装置 | |
CN113807451B (zh) | 全景图像特征点匹配模型的训练方法、装置以及服务器 | |
CN111862035B (zh) | 光斑检测模型的训练方法、光斑检测方法、设备及介质 | |
CN113436338A (zh) | 火灾现场的三维重建方法、装置、服务器及可读存储介质 | |
US11017557B2 (en) | Detection method and device thereof | |
KR20120023052A (ko) | 3 차원에 있어서의 형상의 일치를 판정하는 방법 및 장치 | |
CN112102404B (zh) | 物体检测追踪方法、装置及头戴显示设备 | |
CN115205383A (zh) | 相机位姿的确定方法、装置、电子设备及存储介质 | |
KR102421604B1 (ko) | 이미지 처리 방법, 장치 및 전자 기기 | |
CN109117693B (zh) | 一种基于广角取景的扫描识别的方法及终端 | |
CN111290684A (zh) | 图像显示方法、图像显示装置及终端设备 | |
CN114187333A (zh) | 一种图像对齐方法、图像对齐装置及终端设备 | |
CN111161348B (zh) | 一种基于单目相机的物***姿估计方法、装置及设备 | |
WO2022199395A1 (zh) | 人脸活体检测方法、终端设备及计算机可读存储介质 | |
CN114758145A (zh) | 一种图像脱敏方法、装置、电子设备及存储介质 | |
CN117313364A (zh) | 一种数字孪生三维场景构建方法及装置 | |
CN108776959B (zh) | 图像处理方法、装置及终端设备 | |
CN113393506B (zh) | 图像配准方法及相关装置、设备 | |
CN112785651A (zh) | 用于确定相对位姿参数的方法和装置 | |
CN114913105A (zh) | 激光点云融合方法、装置、服务器及计算机可读存储介质 | |
CN114092559A (zh) | 一种全景图像特征点描述符生成网络的训练方法以及装置 | |
CN114066731A (zh) | 生成全景图的方法、装置、电子设备及存储介质 | |
WO2019080257A1 (zh) | 电子装置、车祸现场全景图像展示方法和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |