CN110059707B - 图像特征点的优化方法、装置和设备 - Google Patents
图像特征点的优化方法、装置和设备 Download PDFInfo
- Publication number
- CN110059707B CN110059707B CN201910337920.5A CN201910337920A CN110059707B CN 110059707 B CN110059707 B CN 110059707B CN 201910337920 A CN201910337920 A CN 201910337920A CN 110059707 B CN110059707 B CN 110059707B
- Authority
- CN
- China
- Prior art keywords
- iteration
- feature
- image
- feature points
- points
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像特征点的优化方法、装置和设备。该方法包括:获取待检测的目标图像中的多个初始的特征点;对多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点,其中,预配置的迭代方式为:采用每个特征点对应的CNN模型获取迭代的步长,并根据迭代的步长,对多个特征点进行迭代处理;将迭代后的多个特征点,继续重复上述的预配置的迭代方式,进行预设次数的迭代,直至获取待检测的目标图像对应的多个优化特征点。本发明提供的图像特征点的优化方法、装置和设备,可以提高图像特征点的准确性。
Description
技术领域
本发明涉及图像识别技术,尤其涉及一种图像特征点的优化方法、装置和设备。
背景技术
随着图像识别技术在各领域的广泛应用,对图像识别的准确度提出了更高的要求。由于图像中的特征点反映了图像中标志性位置的形状,因此对图像特征点的准确识别,在图像识别中起着非常重要的作用。
在对图像特征点进行识别时,可以采用迭代回归的方法确定图像的特征点,即,通过对初始特征点的多次迭代找到最优的特征点,最终结果的准确性与每次迭代的精确度有关。现有的迭代回归方法中每次迭代时对特征点的处理方法单一,使得每次迭代的精确度较低,导致最终获得的特征点准确性较低。
发明内容
本发明提供一种图像特征点的优化方法、装置和设备,以提高图像特征点的准确度。
本发明提供一种图像特征点的优化方法,包括:
获取待检测的目标图像中的多个初始的特征点;
对于多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点;其中,该预配置的迭代方式为:采用每个特征点对应的卷积神经网络CNN模型获取迭代的步长,并根据该迭代的步长,对多个特征点进行迭代处理;
将迭代后的多个特征点,继续重复上述该的预配置的迭代方式,进行预设次数的迭代,直至获取该待检测的目标图像对应的多个优化特征点。
可选的,该方法还包括:
获取第一训练图像;分别对该第一训练图像中的多个训练特征点训练,以获取每个训练特征点对应的CNN模型。
可选的,该采用每个特征点对应的CNN模型获取迭代的步长,包括:
采用每个特征点对应的CNN模型确定每个特征点的特征向量;
根据多个特征点的特征向量和预设参数确定第一步长;
根据第一步长确定迭代的步长。
可选的,该根据第一步长确定迭代的步长,包括:
将第一步长确定为迭代的步长。
可选的,该根据第一步长确定迭代的步长,包括:
采用每个特征点对应的CNN模型,确定每个特征点的预测步长;
根据该每个特征点的预测步长,获取多个特征点的第二步长;
将第一步长和第二步长的平均值确定为迭代的步长。
可选的,该根据多个特征点的特征向量和预设参数确定第一步长,包括:
根据以下公式确定第一步长:
可选的,该方法还包括:
获取第二训练图像集;
确定该第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点;
根据下式迭代计算获得每次迭代的预设参数:
其中,di表示第二训练图像集中的第i个图像;Δx* ki表示第i个图像经过第k次迭代后的多个特征点和人工标记的最优特征点之间的差值;表示第i个图像经过第k次迭代后的多个特征点的特征向量;Rk、bk为第k+1次迭代的预设参数。
本发明提供一种图像特征点的优化装置,该装置包括:
获取模块,用于获取待检测的目标图像中的多个初始的特征点;
迭代模块,用于对多个初始的特征点,采用预配置的迭代方式进行迭代处理以获取迭代后的多个特征点;其中,该预配置的迭代方式为:采用每个特征点对应的卷积神经网络CNN模型获取迭代的步长,并根据该迭代的步长,对多个特征点进行迭代处理;
迭代模块还用于将迭代后的多个特征点,继续重复上述该的预配置的迭代方式,进行预设次数的迭代,直至获取该待检测的目标图像对应的多个优化特征点。
可选的,该装置还包括:
训练模块,用于获取第一训练图像;并分别对该第一训练图像中的多个训练特征点训练,以获取每个训练特征点对应的CNN模型。
可选的,该迭代模块还具体用于:采用每个特征点对应的CNN模型确定每个特征点的特征向量;并根据多个特征点的特征向量和预设参数确定第一步长;根据第一步长确定该迭代的步长。
可选的,该迭代模块还具体用于:将第一步长确定为该迭代的步长。
可选的,该迭代模块还具体用于:采用每个特征点对应的CNN模型,确定每个特征点的预测步长;根据该每个特征点的预测步长,获取多个特征点的第二步长;将第一步长和第二步长的平均值确定为迭代的步长。
可选的,该迭代模块还具体用于:根据以下公式确定第一步长:
可选的,训练模块还用于获取第二训练图像集;确定该第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点;根据下式迭代计算获得每次迭代的预设参数:
其中,di表示第二训练图像集中的第i个图像;Δx* ki表示第i个图像经过第k次迭代后的多个特征点和人工标记的最优特征点之间的差值;表示第i个图像经过第k次迭代后的多个特征点的特征向量;Rk、bk为第k+1次迭代的预设参数。
本发明提供一种图像特征点的优化设备,该设备包括存储器及处理器;该存储器与该处理器连接;
该存储器,用于存储计算机程序;
该处理器,用于在计算机程序被执行时,实现如上述任一项中的图像特征点的优化方法。
本发明提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如上述任一项中的图像特征点的优化方法。
本发明提供一种图像特征点的优化方法、装置和设备,通过获取待检测的目标图像中的多个初始的特征点;对多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点,其中,预配置的迭代方式为:采用每个特征点对应的CNN模型获取迭代的步长,并根据迭代的步长,对多个特征点进行迭代处理;将迭代后的多个特征点,继续重复上述的预配置的迭代方式,进行预设次数的迭代,直至获取待检测的目标图像对应的多个优化特征点。由于每个特征点具有对应的CNN模型,通过多个CNN模型分别对多个特征点进行处理,可使得获取的迭代步长准确度更高,从而使得迭代获得的优化特征点更准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明提供的一种图像特征点的优化方法的流程示意图一;
图2为目标图像的初始特征点的示意图;
图3为本发明提供的一种图像特征点的优化方法的流程示意图二;
图4为本发明提供的一种图像特征点的优化装置的结构示意图;
图5为本发明提供的一种图像特征点的优化设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
本发明实施例各部分的术语“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术语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。
图1为本发明提供的一种图像特征点的优化方法的流程示意图一。该方法的执行主体为图像特征点的优化装置或设备,可以通过软件和/或硬件的方式实现。如图1所示,本实施例的方法可以包括:
S101、获取待检测的目标图像中的多个初始的特征点。
对于待检测的目标图像,初始的特征点可以是预先设定的特征点。以目标图像为人脸图像来举例说明,人脸图像的特征点表示了人脸中的眉毛、眼睛、鼻子、嘴以及脸部轮廓的形状。在实际应用中,人脸图像的初始特征点可以为预先获取的多个人脸图像样本中这些部位的形状的平均值,因此,不同的目标图像可以具有相同的初始特征点。图2为目标图像的初始特征点的示意图,如图2所示,该人脸图像的初始特征点与人脸中的眉毛、眼睛、鼻子、嘴以及脸部轮廓的实际形状并不完全吻合,因此需要继续执行S102的步骤使初始特征点逐步优化。
S102、对多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点。
其中,预配置的迭代方式为:采用每个特征点对应的卷积神经网络(Convolutional Neural Networks,CNN)模型获取迭代的步长,并根据迭代的步长,对多个特征点进行迭代处理。
本实施例中预配置的迭代方式中每个特征点分别对应一个CNN模型,即每个特征点对应的CNN模型不同,采用每个特征点对应的CNN模型分别对每个特征点进行处理,通过CNN模型对多个特征点的处理结果来获取迭代的步长,按照该迭代的步长对特征点进行迭代即可得到迭代后的多个特征点。其中,每个特征点的CNN模型的输入为随机选取的该特征点周围的图像,输出为该特征点的特征向量,通过CNN模型的对多个特征点处理结果来获取迭代的步长,即通过多个特征点的特征向量来获取迭代的步长。
示例地,对多个初始的特征点,采用该预配置的迭代方式进行迭代处理,即,采用每个初始的特征点对应的CNN模型,对每个初始的特征点进行处理,每个CNN模型的输入为对应的每个初始的特征点的周围随机选取的图像,输出为该初始的特征点的特征向量,对每个初始的特征点均处理完成后,即可得到多个初始的特征点的特征向量,之后即可根据该多个初始的特征点的特征向量获得第一次迭代的步长,按照第一次迭代的步长进行迭代即可得到经过了迭代后的多个特征点。
S103、将迭代后的多个特征点,继续重复上述的预配置的迭代方式,进行预设次数的迭代,直至获取待检测的目标图像对应的多个优化特征点。
采用迭代的方式对特征点进行优化时,通常需要通过多次迭代才能将初始特征点逐步优化至最优,因此,在对多个初始的特征点进行迭代后,需要对迭代后的多个特征点继续按照S102中预配置的迭代方式重复进行迭代,得到待检测的目标图像对应的多个优化特征点。其中,迭代的次数可以预先设定,例如,迭代次数可以为通过预先对训练图像的训练所获得的一个最优值,也可以为根据每次迭代的实际需要所设定的值。
本实施例提供的图像特征点的优化方法,通过获取待检测的目标图像中的多个初始的特征点;对多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点,其中,预配置的迭代方式为:采用每个特征点对应的卷积神经网络CNN模型获取迭代的步长,并根据迭代的步长,对多个特征点进行迭代处理;将迭代后的多个特征点,继续重复上述的预配置的迭代方式,进行预设次数的迭代,直至获取待检测的目标图像对应的多个优化特征点。该方法中每个特征点具有对应的CNN模型,通过多个CNN模型分别对多个特征点进行处理,可使得根据CNN模型的处理结果获取的迭代步长精确度更高,从而使得迭代获得的优化特征点更准确。
上述实施例中,每个特征点具有对应的CNN模型,在实际应用中,每个特征点对应的CNN模型可以通过训练获得,因此,基于图1所示的实施例,该方法还可以包括:
获取第一训练图像;分别对该第一训练图像中的多个训练特征点训练,以获取每个训练特征点对应的CNN模型。
对第一训练图像进行训练时,可以获得第一训练图像中的多个训练特征点,即第一训练图像的多个初始的特征点,还可以获取第一训练图像的多个人工标记的最优特征点,该人工标记的最优特征点是人为确定的与训练图像中的标志性位置的形状相吻合的特征点,例如,第一训练图像为人脸图像,人工标记的最优特征点是人为确定的与人脸中的眉毛、眼睛、鼻子、嘴以及脸部轮廓的形状相吻合的特征点。对于第一训练图像中的每一个训练特征点,采用一个通用的CNN模型进行训练,使每个训练特征点从初始的特征点靠近相对应的人工标记的最优特征点,从而获得该训练特征点对应的CNN模型。由于待检测的目标图像可以与第一训练图像具有相同的初始特征点,因此在对待检测的目标图像进行处理时,待检测的目标图像的每个初始特征点对应的CNN模型可以采用第一训练图像中相对应的训练特征点的CNN模型。
基于图1所示的实施例,本发明还可提供一种图像特征点的优化方法。图3为本发明提供的一种图像特征点的优化方法的流程示意图二。如图3所示,图1所示S102中采用每个特征点对应的CNN模型获取迭代的步长,可以包括:
S301、采用每个特征点对应的CNN模型确定每个特征点的特征向量。
本实施例中,每个特征点对应的CNN模型用于提取该特征点的特征向量,其中,CNN模型的输入为从该特征点周围随机获取的图像,CNN模型的输出即为该特征点的特征向量。该特征向量为多维特征向量,该多维特征向量的维数可以根据实际需要进行设置。例如选择100维特征向量时,采用每个特征点对应的CNN模型分别提取每个特征点的特征向量后可以获得多个100维的特征向量,该多个100维特征向量共同构成了待检测的目标图像的多个特征点的特征向量。
S302、根据多个特征点的特征向量和预设参数确定第一步长。
根据多个特征点的特征向量来获取迭代的第一步长时,每次迭代的第一步长均是基于当前的多个特征点,即上一次迭代后所得到的多个特征点。
例如,可以通过以下公式(1)确定第一步长:
其中,Δxk为第k+1次迭代的第一步长;为第k次迭代后的多个特征点的特征向量,即,对第k次迭代后的多个特征点分别采用对应的CNN模型提取相应的特征向量后,由每个特征点的特征向量共同构成的多个特征点的特征向量;Rk、bk为第k+1次迭代的预设参数。
上述公式(1)中Rk、bk为预先设置的迭代的参数,每次迭代时Rk、bk的值可以不同。在一种实现方式中,Rk、bk的值可以通过以下训练步骤预先获得:
获取第二训练图像集;确定该第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点;根据以下公式(2)迭代计算获得每次迭代的预设参数:
其中,di表示第二训练图像集中的第i个图像;Δx* ki表示第i个图像经过第k次迭代后的多个特征点和人工标记的最优特征点之间的差值;表示第i个图像经过第k次迭代后的多个特征点的特征向量,可采用每个特征点对应的CNN模型进行提取;Rk、bk为第k+1次迭代的预设参数。
第二训练图像集中包括了至少一个训练图像,通过训练图像集中每个图像的多个初始特征点、初始特征点的特征向量以及人工标记的最优特征点,即可按照公式(2)确定第一次迭代的预设参数R0、b0,进而可以根据公式(1)确定第一次迭代的第一步长,按照该第一步长迭代后获得第一次迭代后的特征点,继续按照公式(2)可计算之后每次迭代的预设参数Rk、bk。
S303、根据第一步长确定迭代的步长。
在确定上述多个特征点的第一步长之后,可以采用至少两种可能的方式确定迭代的步长,以下对这两种可能的实现方式进行详细说明。
在一种可能的实现方式中,根据第一步长确定迭代的步长,可以包括:将第一步长确定为该迭代的步长。在进行迭代时按照第一步长所指示的长度和方向进行迭代,获得迭代后的特征点。
在另一种可能的实现方式中,根据第一步长确定迭代的步长,包括:采用每个特征点对应的CNN模型,确定每个特征点的预测步长;根据该每个特征点的预测步长,获取多个特征点的第二步长;将第一步长和第二步长的平均值确定为该迭代的步长。
在这种实现方式中,待检测的目标图像中每个特征点对应的CNN模型除了输出该特征点的特征向量之外,还输出该特征点的预测步长,每个特征点的预测步长共同构成了待检测的目标图像中多个特征点的第二步长,该第二步长和上述第一步长可能不同,因此,为了进一步减小误差,可以采用第一步长和第二步长的平均值作为迭代的步长。
本实施例提供的图像特征点的优化方法,在图1所示实施例的基础上,采用每个特征点对应的CNN模型确定每个特征点的特征向量;根据多个特征点的特征向量和预设参数确定第一步长;根据第一步长确定迭代的步长。该方法中提取每个特征点的特征向量时采用不同的CNN模型,提高了特征向量的提取精度,进而使得根据多个特征点的特征向量所确定的迭代步长更为精确,提高了图像特征点的准确度。
图4为本发明提供的一种图像特征点的优化装置的结构示意图。如图4所示,图像特征点的优化装置40包括:
获取模块401,用于获取待检测的目标图像中的多个初始的特征点。
迭代模块402,用于对多个初始的特征点,采用预配置的迭代方式进行迭代处理以获取迭代后的多个特征点;其中,该预配置的迭代方式为:采用每个特征点对应的CNN模型获取迭代的步长,并根据该迭代的步长,对多个特征点进行迭代处理。
迭代模块402还用于将迭代后的多个特征点,继续重复上述该的预配置的迭代方式,进行预设次数的迭代,直至获取该待检测的目标图像对应的多个优化特征点。
可选的,图像特征点的优化装置40还包括:
训练模块403,用于获取第一训练图像;并分别对该第一训练图像中的多个训练特征点进行训练,以获取每个训练特征点对应的CNN模型。
可选的,迭代模块402还具体用于:采用每个特征点对应的CNN模型确定每个特征点的特征向量;并根据多个特征点的特征向量和预设参数确定第一步长;根据第一步长确定迭代的步长。
可选的,迭代模块402还具体用于:将第一步长确定为该迭代的步长。
可选的,迭代模块402还具体用于:采用每个特征点对应的CNN模型,确定每个特征点的预测步长;根据每个特征点的预测步长,获取多个特征点的第二步长;将第一步长和第二步长的平均值确定为该迭代的步长。
可选的,迭代模块402还具体用于:
根据以下公式(3)确定第一步长:
可选的,训练模块403还用于获取第二训练图像集;确定该第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点;根据以下公式(4)迭代计算获得每次迭代的预设参数:
其中,di表示第二训练图像集中的第i个图像;Δx* ki表示第i个图像经过第k次迭代后的多个特征点和人工标记的最优特征点之间的差值;表示第i个图像经过第k次迭代后的多个特征点的特征向量;Rk、bk为第k+1次迭代的预设参数。
本实施例提供的图像特征点的优化装置用于实现上述任一实施例中的图像特征点的优化方法,其实现原理和技术效果相同,此处不再赘述。
图5为本发明提供的一种图像特征点的优化设备的结构示意图。如图5所示,该图像特征点的优化设备50包括存储器501及处理器502;存储器501与处理器502连接。
存储器501,用于存储计算机程序。
处理器502,用于在计算机程序被执行时,实现如上述任一实施例中的图像特征点的优化方法。
本实施例提供的图像特征点的优化设备用于实现上述任一实施例中的图像特征点的优化方法,其实现原理和技术效果相同,此处不再赘述。
一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如上述任一实施例中的图像特征点的优化方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (8)
1.一种图像特征点的优化方法,其特征在于,包括:
获取待检测的目标图像中的多个初始的特征点;
对多个初始的特征点,采用预配置的迭代方式进行迭代处理,以获取迭代后的多个特征点;其中,所述预配置的迭代方式为:采用每个特征点对应的卷积神经网络CNN模型获取迭代的步长,并根据所述迭代的步长,对多个特征点进行迭代处理;
将迭代后的多个特征点,继续重复上述所述的预配置的迭代方式,进行预设次数的迭代,直至获取所述待检测的目标图像对应的多个优化特征点;
所述采用每个特征点对应的CNN模型获取迭代的步长,包括:
采用每个特征点对应的CNN模型确定每个特征点的特征向量;
根据多个特征点的特征向量和预设参数确定第一步长;
根据第一步长确定所述迭代的步长;
所述方法还包括:
获取第二训练图像集;
确定所述第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点;
根据下式迭代计算获得每次迭代的预设参数:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第一训练图像;
分别对所述第一训练图像中的多个训练特征点进行训练,以获取每个训练特征点对应的CNN模型。
3.根据权利要求1所述的方法,其特征在于,所述根据第一步长确定所述迭代的步长,包括:
将第一步长确定为所述迭代的步长。
4.根据权利要求1所述的方法,其特征在于,所述根据第一步长确定所述迭代的步长,包括:
采用每个特征点对应的CNN模型,确定每个特征点的预测步长;
根据所述每个特征点的预测步长,获取多个特征点的第二步长;
将第一步长和第二步长的平均值确定为所述迭代的步长。
6.一种图像特征点的优化装置,其特征在于,包括:
获取模块,用于获取待检测的目标图像中的多个初始的特征点;
迭代模块,用于对多个初始的特征点,采用预配置的迭代方式进行迭代处理以获取迭代后的特征点;其中,所述预配置的迭代方式为:采用每个特征点对应的卷积神经网络CNN模型获取迭代的步长,并根据所述迭代的步长,对每个特征点进行迭代处理;
迭代模块还用于将迭代后的多个特征点,继续重复上述所述的预配置的迭代方式,进行预设次数的迭代,直至获取所述待检测的目标图像对应的多个优化特征点;
所述迭代模块还具体用于:采用每个特征点对应的CNN模型确定每个特征点的特征向量,根据多个特征点的特征向量和预设参数确定第一步长,根据第一步长确定所述迭代的步长;
所述装置还包括:
训练模块,用于获取第二训练图像集,确定所述第二训练图像集中每个图像的多个初始的特征点和人工标记的最优特征点,根据下式迭代计算获得每次迭代的预设参数:
7.一种图像特征点的优化设备,其特征在于,包括存储器及处理器;所述存储器与所述处理器连接;
所述存储器,用于存储计算机程序;
所述处理器,用于在计算机程序被执行时,实现如上述权利要求1-5中任一项所述的图像特征点的优化方法。
8.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上述权利要求1-5中任一项所述的图像特征点的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337920.5A CN110059707B (zh) | 2019-04-25 | 2019-04-25 | 图像特征点的优化方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910337920.5A CN110059707B (zh) | 2019-04-25 | 2019-04-25 | 图像特征点的优化方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059707A CN110059707A (zh) | 2019-07-26 |
CN110059707B true CN110059707B (zh) | 2021-05-14 |
Family
ID=67320613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337920.5A Active CN110059707B (zh) | 2019-04-25 | 2019-04-25 | 图像特征点的优化方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059707B (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138963A (zh) * | 2015-07-31 | 2015-12-09 | 小米科技有限责任公司 | 图片场景判定方法、装置以及服务器 |
CN105631519A (zh) * | 2015-12-31 | 2016-06-01 | 北京工业大学 | 一种基于预决策的卷积神经网络加速方法及系统 |
CN106991364B (zh) * | 2016-01-21 | 2020-06-12 | 阿里巴巴集团控股有限公司 | 人脸识别处理方法、装置以及移动终端 |
US9922432B1 (en) * | 2016-09-02 | 2018-03-20 | Artomatix Ltd. | Systems and methods for providing convolutional neural network based image synthesis using stable and controllable parametric models, a multiscale synthesis framework and novel network architectures |
CN106548201B (zh) * | 2016-10-31 | 2020-07-21 | 北京小米移动软件有限公司 | 卷积神经网络的训练方法、图像识别方法及装置 |
CN106980812A (zh) * | 2016-12-14 | 2017-07-25 | 四川长虹电器股份有限公司 | 基于级联卷积神经网络的三维人脸特征点定位方法 |
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 |
CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
CN107748867A (zh) * | 2017-10-20 | 2018-03-02 | 北京小米移动软件有限公司 | 目标对象的检测方法及装置 |
CN108257154B (zh) * | 2018-01-12 | 2021-10-29 | 西安电子科技大学 | 基于区域信息和cnn的极化sar图像变化检测方法 |
CN109145734A (zh) * | 2018-07-17 | 2019-01-04 | 深圳市巨龙创视科技有限公司 | 基于4k平台的ipc智能人脸识别抓拍算法 |
CN109492556B (zh) * | 2018-10-28 | 2022-09-20 | 北京化工大学 | 面向小样本残差学习的合成孔径雷达目标识别方法 |
CN109635674A (zh) * | 2018-11-22 | 2019-04-16 | 深圳市唯特视科技有限公司 | 一种基于姿态适应的树突状卷积神经网络的人脸对齐方法 |
-
2019
- 2019-04-25 CN CN201910337920.5A patent/CN110059707B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110059707A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658417B (zh) | 改进图像分割学习方法和装置及使用其的测试方法和装置 | |
CN110969250B (zh) | 一种神经网络训练方法及装置 | |
TWI794157B (zh) | 自動多閾值特徵過濾方法及裝置 | |
CN106778820B (zh) | 识别模型确定方法及装置 | |
CN109670575B (zh) | 用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置 | |
CN109271958B (zh) | 人脸年龄识别方法及装置 | |
US11157796B2 (en) | Joint position estimation device, joint position estimation method, and joint position estimation program | |
CN109063584B (zh) | 基于级联回归的面部特征点定位方法、装置、设备及介质 | |
KR102024872B1 (ko) | 3d 얼굴의 모델링 방법 및 장치, 얼굴 추적 방법 및 장치 | |
CN109272457B (zh) | 一种图像掩膜生成方法、装置及服务器 | |
CN109670574B (zh) | 用于同时执行激活和卷积运算的方法和装置及其学习方法和学习装置 | |
CN104978764A (zh) | 三维人脸网格模型处理方法和设备 | |
CN105320945A (zh) | 图像分类的方法及装置 | |
CN110648289B (zh) | 图像的加噪处理方法及装置 | |
CN107610146A (zh) | 图像场景分割方法、装置、计算设备及计算机存储介质 | |
CN109685805B (zh) | 一种图像分割方法及装置 | |
CN112101547B (zh) | 一种对网络模型的剪枝方法、装置、电子设备及存储介质 | |
CN109460813B (zh) | 卷积神经网络计算的加速方法、装置、设备及存储介质 | |
JP6283124B2 (ja) | 画像特性推定方法およびデバイス | |
CN111260056A (zh) | 一种网络模型蒸馏方法及装置 | |
CN109190757B (zh) | 任务处理方法、装置、设备及计算机可读存储介质 | |
WO2004090782A1 (en) | Accurate linear parameter estimation with noisy inputs | |
CN109101858B (zh) | 动作识别方法及装置 | |
JP2018055384A (ja) | 信号調整装置、信号生成学習装置、方法、及びプログラム | |
CN110059707B (zh) | 图像特征点的优化方法、装置和设备 |
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 |