CN108764248A - 图像特征点的提取方法和装置 - Google Patents

图像特征点的提取方法和装置 Download PDF

Info

Publication number
CN108764248A
CN108764248A CN201810349620.4A CN201810349620A CN108764248A CN 108764248 A CN108764248 A CN 108764248A CN 201810349620 A CN201810349620 A CN 201810349620A CN 108764248 A CN108764248 A CN 108764248A
Authority
CN
China
Prior art keywords
image
training
characteristic point
neural network
network model
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.)
Granted
Application number
CN201810349620.4A
Other languages
English (en)
Other versions
CN108764248B (zh
Inventor
贺永刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201810349620.4A priority Critical patent/CN108764248B/zh
Publication of CN108764248A publication Critical patent/CN108764248A/zh
Application granted granted Critical
Publication of CN108764248B publication Critical patent/CN108764248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像特征点的提取方法和装置。其中，该方法包括：获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；通过特征点提取模型对待提取图像中的特征点进行提取。本发明解决了相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题。

Description

图像特征点的提取方法和装置
技术领域
本发明涉及图像处理领域，具体而言，涉及一种图像特征点的提取方法和装置。
背景技术
图像中的特征点的提取是图像处理领域中的一个重要的研究方向，从广义上来说，特征点是图像中具有某一种特征的像素点，例如，角点。角点的检测一直是计算机视觉的难点及研究方向，就目前而言，角点还没有明确的数学定义，通常来讲角点指示了与周围的邻域点有着明显差异的像素点。传统计算图像角点的方法主要是人工通过观察精心构造一些函数(例如Harris角点)或者设计一些规则(例如Fast角点)对图像中的每个点计算一个响应，然后设定阈值将响应较大的位置作为检测的角点。这类方法主要存在以下缺点：
1、每种算法只能提取特定类型的角点；
2、想要获取用户指定类型的角点非常困难；
3、算法在速度及精度上很难协调。
针对相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种图像特征点的提取方法和装置，以至少解决相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题。
根据本发明实施例的一个方面，提供了一种图像特征点的提取方法，该方法包括：获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；通过特征点提取模型对待提取图像中的特征点进行提取。
进一步地，获取特征点提取模型包括：获取对神经网络模型的结构参数的设置；获取多张训练图像；获取每张训练图像所包括的特征点的位置标签；通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练，将训练后的结构参数的神经网络模型作为特征点提取模型。
进一步地，每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，特征点标签图像与对应的训练图像长宽相同，且在特征点标签图像中与对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
进一步地，通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练包括：将每张训练图像输入神经网络模型；以每张训练图像输入神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练结构参数的神经网络模型。
进一步地，神经网络模型包括输入层、输出层、至少一个中间层，其中，每个中间层为一个带有修正线性单元ReLU激活函数的卷积层。
进一步地，特征点为角点。
根据本发明实施例的另一方面，还提供了一种图像特征点的提取装置，该装置包括：获取单元，用于获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；提取单元，用于通过特征点提取模型对待提取图像中的特征点进行提取。
进一步地，获取单元包括：第一获取模块，用于获取对神经网络模型的结构参数的设置；第二获取模块，用于获取多张训练图像；第三获取模块，用于获取每张训练图像所包括的特征点的位置标签；训练模块，用于通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练，将训练后的结构参数的神经网络模型作为特征点提取模型。
进一步地，每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，特征点标签图像与对应的训练图像长宽相同，且在特征点标签图像中与对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
进一步地，训练模块包括：输入子模块，用于将每张训练图像输入神经网络模型；训练子模块，用于以每张训练图像输入神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练结构参数的神经网络模型。
在本发明实施例中，通过获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；通过特征点提取模型对待提取图像中的特征点进行提取，解决了相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题，进而实现了能够更通用的对图像中不同类型的特征点进行提取的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种可选的图像特征点的提取方法的流程图；
图2是根据本发明实施例的另一种可选的图像特征点的提取方法的示意图；
图3是根据本发明实施例的一种可选的神经网络模型的示意图；
图4是根据本发明实施例的一种可选的图像特征点的提取装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面对本发明中提及的部分英文缩写或术语进行解释如下：
ReLU：修正线性单元，全称Rectified Linear Units。
本申请提供了一种图像特征点的提取方法的实施例。
图1是根据本发明实施例的一种可选的图像特征点的提取方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；通过特征点提取模型对待提取图像中的特征点进行提取。
可选的，该实施例提供的图像特征点的提取方法中所需要提取的特征点为角点，也即，该实施例提供的方法用于检测待提取图像中的角点的位置。
可选的，在步骤S101中，获取特征点提取模型可以采用如下步骤：获取对神经网络模型的结构参数的设置；获取多张训练图像；获取每张训练图像所包括的特征点的位置标签；通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练，将训练后的结构参数的神经网络模型作为特征点提取模型。其中，神经网络模型的结构可以包括输入层、输出层、至少一个中间层，其中，每个中间层为一个带有修正线性单元ReLU激活函数的卷积层。
每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，特征点标签图像与对应的训练图像长宽相同，且在特征点标签图像中与对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。例如，特征点标签图像为二值化图像，在对应的训练图像中的特征点的位置处为像素值1，非特征点的位置处为像素值0。
在通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练时，可以采用如下步骤：将每张训练图像输入神经网络模型；以每张训练图像输入神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练结构参数的神经网络模型。
步骤S102，通过特征点提取模型对待提取图像中的特征点进行提取。
该实施例通过获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；通过特征点提取模型对待提取图像中的特征点进行提取，解决了相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题，进而实现了能够更通用的对图像中不同类型的特征点进行提取的技术效果。
下面结合图2对本发明实施例提供的图像特征点的提取方法的一种具体应用场景进行描述：
在该应用场景下，图像特征点的提取方法用于提取图像中的角点，可选的，可以通过测试阶段对测试图像的角点进行预测。该应用场景下的图像特征点的提取方法包括训练阶段和测试阶段。
在进行测试阶段之前，需要进行训练阶段，训练阶段主要完成卷积网络的参数训练，在训练阶段，通过预设的训练样本集训练神经网络模型，以使神经网络模型能够提取出所需要的角点。训练阶段通过将训练样本(图像)输入卷积网络，并使每个训练样本输入卷积网络之后得到的预测角点结果能够与角点标签相同为训练目标对卷积网络进行训练。其中，神经网络模型的网络模型结构包括一个输入层、一个输出层和至少一个中间层(隐含层)，输入层用于接收输入的图像，输出层用于输出检测角点的结果，中间层可以是卷积层，在中间层为卷积层的情况下，神经网络模型为卷积网络模型，以图3中所示的卷积网络模型的网络模型结构为例，包括一个输入层、一个输出层和三个带有ReLU激活函数的卷积层。
训练后的神经网络模型所能够提取的角点与训练样本集相关，其中，训练样本集中包括多个样本对，每个样本对包括一个训练样本(图像)与该图像对应的角点标签，训练样本(图像)可以是人工合成的图像也可以真实相机采集的图像，图像可以是任意格式，例如，RGB、YUV、灰度图等等。
每个训练样本的角点标签是预先确定好的，角点标签所标记的角点可以为多个，且多个角点可以是不同类型的角点，具体的，角点标签通过与训练样本图像长和宽(的像素个数)相同的图像表示，角点标签的图像中的至少一个角点的每个角点的位置通过像素值进行标记，例如，角点标签的图像设置为二值图像，角点位置处的像素值设置为1，非角点位置处的像素值设置为0。
以对图3所示的神经网络模型的训练过程为例，输入层为输入的样本图像，卷积层执行SAME模式的卷积操作，即输入和输出的特征图的长宽大小相同，每个卷积层跟一个ReLU激活，输出层为角点标签图像。角点标签是一幅与输入图像长宽相同的二值图像，值为1表示训练样本图像中对应位置的像素为一个角点，值为0则说明样本图像中对应的像素不是角点。这里角点标签图由用户根据想要的角点类型自己标注获得。
在通过多个由一个训练样本与其对应的角点标签组成的样本集对卷积网络进行训练之后，得到训练之后的卷积网络。训练后的卷积网络能够对输入的待检测图像提取出角点。
举例而言，在测试阶段，将测试图像输入到已经训练好的卷积网络中，得到图像中每个位置的角点响应。设定阈值得到目标角点，通常阈值可以设为0.5。
本发明实施例提供的图像特征点的提取方法利用深度学习来学习客户想要的任意类型的特征点(包括角点)，以适应于各种应用场景。同时，本发明也能够模拟传统角点提取算法来提取相应类型的角点。另外，通过设定精心设计网络层次及参数数量能够在角点检测精度及速率上进行平衡。
本发明技术方案与现有技术相比，不同点在于：
1、求解角点的方法不同，采用深度学习进行求解；
2、用户能够自己定义想要获得的角点。
本发明技术方案至少能够带来以下有益效果：
1、通过训练学习获得深度学习网络参数，精度上比人工构造函数的方法要高。
2、用户能够自由定义想要的角点类型。
3、当角点标签图像为传统方法检测的角点时，本方法则能够模拟传统的角点检测方法。
4、输入图像格式不受限制(传统方法普遍采用灰度图像)。
5、深度学习网络的深度能够自由设计，可以平衡检测精度和速度。
需要说明的是，在附图的流程图虽然示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请还提供了一种存储介质的实施例，该实施例的存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行本发明实施例的图像特征点的提取方法。
本申请还提供了一种处理器的实施例，该实施例的处理器用于运行程序，其中，程序运行时执行本发明实施例的图像特征点的提取方法。
本申请还提供了一种图像特征点的提取装置的实施例。
图4是根据本发明实施例的一种可选的图像特征点的提取装置的示意图，如图4所示，该装置包括获取单元10和提取单元20，获取单元用于获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；提取单元用于通过特征点提取模型对待提取图像中的特征点进行提取。
作为一种可选的实施例地，获取单元包括：第一获取模块，用于获取对神经网络模型的结构参数的设置；第二获取模块，用于获取多张训练图像；第三获取模块，用于获取每张训练图像所包括的特征点的位置标签；训练模块，用于通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练，将训练后的结构参数的神经网络模型作为特征点提取模型。
作为一种可选的实施例地，每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，特征点标签图像与对应的训练图像长宽相同，且在特征点标签图像中与对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
作为一种可选的实施例地，训练模块包括：输入子模块，用于将每张训练图像输入神经网络模型；训练子模块，用于以每张训练图像输入神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练结构参数的神经网络模型。
获取单元，用于获取特征点提取模型和待提取图像，其中，特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；提取单元，用于通过特征点提取模型对待提取图像中的特征点进行提取。
进一步地，获取单元包括：第一获取模块，用于获取对神经网络模型的结构参数的设置；第二获取模块，用于获取多张训练图像；第三获取模块，用于获取每张训练图像所包括的特征点的位置标签；训练模块，用于通过多张训练图像和每张训练图像所包括的特征点的位置标签对结构参数的神经网络模型进行训练，将训练后的结构参数的神经网络模型作为特征点提取模型。
作为一种可选的实施例地，每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，特征点标签图像与对应的训练图像长宽相同，且在特征点标签图像中与对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
作为一种可选的实施例地，训练模块包括：输入子模块，用于将每张训练图像输入神经网络模型；训练子模块，用于以每张训练图像输入神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练结构参数的神经网络模型。
该实施例通过获取单元获取特征点提取模型和待提取图像，通过提取单元通过特征点提取模型对待提取图像中的特征点进行提取，解决了相关技术中的图像特征点的提取方法能够识别的特征点的种类单一的技术问题，进而实现了能够更通用的对图像中不同类型的特征点进行提取的技术效果。
上述的装置可以包括处理器和存储器，上述单元均可以作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
上述本申请实施例的顺序不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。
其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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系统，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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
另外，在本申请各个实施例中的各功能单元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。
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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种图像特征点的提取方法，其特征在于，包括：
获取特征点提取模型和待提取图像，其中，所述特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；
通过所述特征点提取模型对所述待提取图像中的特征点进行提取。
2.根据权利要求1所述的方法，其特征在于，获取特征点提取模型包括：
获取对神经网络模型的结构参数的设置；
获取所述多张训练图像；
获取所述每张训练图像所包括的特征点的位置标签；
通过所述多张训练图像和所述每张训练图像所包括的特征点的位置标签对所述结构参数的神经网络模型进行训练，将训练后的所述结构参数的神经网络模型作为所述特征点提取模型。
3.根据权利要求2所述的方法，其特征在于，所述每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，所述特征点标签图像与对应的训练图像长宽相同，且在所述特征点标签图像中与所述对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
4.根据权利要求2所述的方法，其特征在于，通过所述多张训练图像和所述每张训练图像所包括的特征点的位置标签对所述结构参数的神经网络模型进行训练包括：
将所述每张训练图像输入所述神经网络模型；
以所述每张训练图像输入所述神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练所述结构参数的神经网络模型。
5.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括输入层、输出层、至少一个中间层，其中，每个所述中间层为一个带有修正线性单元ReLU激活函数的卷积层。
6.根据权利要求1所述的方法，其特征在于，所述特征点为角点。
7.一种图像特征点的提取装置，其特征在于，包括：
获取单元，用于获取特征点提取模型和待提取图像，其中，所述特征点提取模型为通过多张训练图像和每张训练图像所包括的特征点进行训练得到的模型；
提取单元，用于通过所述特征点提取模型对所述待提取图像中的特征点进行提取。
8.根据权利要求7所述的装置，其特征在于，所述获取单元包括：
第一获取模块，用于获取对神经网络模型的结构参数的设置；
第二获取模块，用于获取所述多张训练图像；
第三获取模块，用于获取所述每张训练图像所包括的特征点的位置标签；
训练模块，用于通过所述多张训练图像和所述每张训练图像所包括的特征点的位置标签对所述结构参数的神经网络模型进行训练，将训练后的所述结构参数的神经网络模型作为所述特征点提取模型。
9.根据权利要求8所述的装置，其特征在于，所述每张训练图像所包括的特征点的位置标签通过特征点标签图像表示，其中，所述特征点标签图像与对应的训练图像长宽相同，且在所述特征点标签图像中与所述对应的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。
10.根据权利要求8所述的装置，其特征在于，所述训练模块包括：
输入子模块，用于将所述每张训练图像输入所述神经网络模型；
训练子模块，用于以所述每张训练图像输入所述神经网络模型所得到的输出与对应的特征点的位置标签相同作为训练目标，训练所述结构参数的神经网络模型。
CN201810349620.4A 2018-04-18 2018-04-18 图像特征点的提取方法和装置 Active CN108764248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810349620.4A CN108764248B (zh) 2018-04-18 2018-04-18 图像特征点的提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810349620.4A CN108764248B (zh) 2018-04-18 2018-04-18 图像特征点的提取方法和装置

Publications (2)

Publication Number Publication Date
CN108764248A true CN108764248A (zh) 2018-11-06
CN108764248B CN108764248B (zh) 2021-11-02

Family

ID=64011241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810349620.4A Active CN108764248B (zh) 2018-04-18 2018-04-18 图像特征点的提取方法和装置

Country Status (1)

Country Link
CN (1) CN108764248B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032659A (zh) * 2019-04-08 2019-07-19 湖南城市学院 一种面向数字人文的移动视觉检索方法
CN111768369A (zh) * 2020-06-01 2020-10-13 湖南视比特机器人有限公司 钢板角点与边点定位方法和工件抓取方法及生产线
CN111951319A (zh) * 2020-08-21 2020-11-17 清华大学深圳国际研究生院 一种图像立体匹配方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276408A (zh) * 2008-04-24 2008-10-01 长春供电公司 一种基于电力系统网络安全访问的人脸识别方法
US20100172584A1 (en) * 2009-01-07 2010-07-08 Rastislav Lukac Method Of Classifying Red-Eye Objects Using Feature Extraction And Classifiers
CN104615996A (zh) * 2015-02-15 2015-05-13 四川川大智胜软件股份有限公司 一种多视角二维人脸特征点自动定位方法
CN105760834A (zh) * 2016-02-14 2016-07-13 北京飞搜科技有限公司 一种人脸特征点定位方法
CN105957095A (zh) * 2016-06-15 2016-09-21 电子科技大学 一种基于灰度图像的Spiking角点检测方法
CN106097356A (zh) * 2016-06-15 2016-11-09 电子科技大学 一种基于Spiking的图像角点检测方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN106650688A (zh) * 2016-12-30 2017-05-10 公安海警学院 基于卷积神经网络的眼部特征检测方法，装置及识别系统
CN106951840A (zh) * 2017-03-09 2017-07-14 北京工业大学 一种人脸特征点检测方法
CN107808129A (zh) * 2017-10-17 2018-03-16 南京理工大学 一种基于单个卷积神经网络的面部多特征点定位方法
CN107871098A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 人脸特征点的获取方法和装置
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101276408A (zh) * 2008-04-24 2008-10-01 长春供电公司 一种基于电力系统网络安全访问的人脸识别方法
US20100172584A1 (en) * 2009-01-07 2010-07-08 Rastislav Lukac Method Of Classifying Red-Eye Objects Using Feature Extraction And Classifiers
CN104615996A (zh) * 2015-02-15 2015-05-13 四川川大智胜软件股份有限公司 一种多视角二维人脸特征点自动定位方法
CN105760834A (zh) * 2016-02-14 2016-07-13 北京飞搜科技有限公司 一种人脸特征点定位方法
CN106097322A (zh) * 2016-06-03 2016-11-09 江苏大学 一种基于神经网络的视觉系统标定方法
CN105957095A (zh) * 2016-06-15 2016-09-21 电子科技大学 一种基于灰度图像的Spiking角点检测方法
CN106097356A (zh) * 2016-06-15 2016-11-09 电子科技大学 一种基于Spiking的图像角点检测方法
CN107871098A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 人脸特征点的获取方法和装置
CN106650688A (zh) * 2016-12-30 2017-05-10 公安海警学院 基于卷积神经网络的眼部特征检测方法，装置及识别系统
CN106951840A (zh) * 2017-03-09 2017-07-14 北京工业大学 一种人脸特征点检测方法
CN107808129A (zh) * 2017-10-17 2018-03-16 南京理工大学 一种基于单个卷积神经网络的面部多特征点定位方法
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HIROKI YOSHIHARA等: "Automatic Feature Point Detection Using Deep Convolutional Networks for Quantitative Evaluation of Facial Paralysis", 《2016 9TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING，BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 *
杨阳 等: "基于深度学习的图像自动标注算法", 《数据采集与处理》 *
王志飞: "城市轨道安全门智能门机控制系统研究", 《铁路计算机应用》 *
谷彩连 等: "基于Matlab和BP神经网络的角点检测方法研究", 《电脑开发与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032659A (zh) * 2019-04-08 2019-07-19 湖南城市学院 一种面向数字人文的移动视觉检索方法
CN111768369A (zh) * 2020-06-01 2020-10-13 湖南视比特机器人有限公司 钢板角点与边点定位方法和工件抓取方法及生产线
CN111768369B (zh) * 2020-06-01 2023-08-25 湖南视比特机器人有限公司 钢板角点与边点定位方法和工件抓取方法及生产线
CN111951319A (zh) * 2020-08-21 2020-11-17 清华大学深圳国际研究生院 一种图像立体匹配方法

Also Published As

Publication number Publication date
CN108764248B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN109754015B (zh) 用于画作多标签识别的神经网络及相关方法、介质和设备
CN108399386A (zh) 饼图中的信息提取方法及装置
CN109740413A (zh) 行人重识别方法、装置、计算机设备及计算机存储介质
CN109919209B (zh) 一种领域自适应深度学习方法及可读存储介质
CN109492627B (zh) 一种基于全卷积网络的深度模型的场景文本擦除方法
CN101441717B (zh) 一种色情视频检测方法及检测系统
CN108229575A (zh) 用于检测目标的方法和装置
CN111723691B (zh) 一种三维人脸识别方法、装置、电子设备及存储介质
CN107679466B (zh) 信息输出方法和装置
CN108052523A (zh) 基于卷积神经网络的赌博网站识别方法和系统
CN108681743A (zh) 图像对象识别方法和装置、存储介质
CN110490232B (zh) 训练文字行方向预测模型的方法、装置、设备、介质
CN108229519A (zh) 图像分类的方法、装置及系统
CN110582783B (zh) 训练装置、图像识别装置、训练方法和计算机可读信息存储介质
CN111626284A (zh) 一种手写字体去除的方法、装置、电子设备和存储介质
CN108764248A (zh) 图像特征点的提取方法和装置
CN109670491A (zh) 鉴别人脸图像的方法、装置、设备和存储介质
CN109409428A (zh) 木板识别及木板识别模型的训练方法、装置及电子设备
CN112348828A (zh) 基于神经网络的实例分割方法和装置以及存储介质
CN110135446A (zh) 文本检测方法及计算机存储介质
CN113569852A (zh) 语义分割模型的训练方法、装置、电子设备及存储介质
CN114419363A (zh) 基于无标注样本数据的目标分类模型训练方法及装置
CN108171229A (zh) 一种空心粘连验证码的识别方法及系统
CN108921138A (zh) 用于生成信息的方法和装置
CN110135379A (zh) 舌象分割方法及装置

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
GR01 Patent grant
GR01 Patent grant