[发明专利]一种改进的基于陆标-卷积特征的图像方法

权利要求书

1.一种改进的基于陆标-卷积特征的图像方法，其特征在于：采用陆标生成机制，即直接根据卷积层的激活值识别图像中的ROI，利用一种专为闭环检测任务设计的无监督深度神经网络提取陆标的卷积特征，该闭环检测同时具有视点不变性和外观不变性的特点，滤除环境中显著存在的动态对象，主要由四个部分组成：

a.图像预处理：首先利用目标检测网络识别场景图像帧中的动态因子，然后对这些区域采用图像的滤波处理，滤出场景中的动态对象；

b.陆标生成：将预处理后的图像输入到预先训练的卷积神经网络中，然后直接从卷积神经网络的最后一层卷积层识别出感兴趣区域，对每一幅查询帧和数据库图像分别识别出感兴趣区域生成陆标特征标识；

c.卷积特征提取：利用一个无监督的深度神经网络对从图像中生成的每一个陆标提取卷积特征描述子，得到对应的特征向量；

d.场景检索：最后根据匹配的陆标对计算查询帧和每一幅数据库图像之间的整体相似度，以确定查询帧的最佳匹配参考帧。

2.根据权利要求1所述的一种改进的基于陆标-卷积特征的图像方法，其特征在于：图像预处理阶段，利用YOLOv4作为场景中的动态因子检测的工具，其训练在Pascal VOCdataset上的预训练模型能够正确区分闭环检测任务中出现的大多数动态对象，无需重新进行训练可直接使用其提供的预训练模型。

3.根据权利要求1所述的一种改进的基于陆标-卷积特征的图像方法，其特征在于：在检测出图像中存在的动态对象的区域之后，采用图像平均模糊的方法处理这部分区域，覆盖掉动态目标信息。

4.根据权利要求1所述的一种改进的基于陆标-卷积特征的图像方法，其特征在于：识别图像的感兴趣区域生成陆标具体步骤：

把每一帧经动态滤除处理后的图像作为卷积神经网络AlexNet的输入，直接通过该卷积网络的最后一层卷积层输出图像对应的特征映射；

将这些特征映射的所有非零激活值及其周围8个相邻的激活值分别聚为一类，记为，M表示一幅图像中的聚类数目，每个聚类的能量值可计算为：

其中表示第i个聚类的大小， 表示中的第j个激活值；

c.在得到M个聚类的能量值之后，取其中T个具有最大能量值的聚类映射回原图像中作为最终生成的陆标集合，记为： 。

5.根据权利要求1所述的一种改进的基于陆标-卷积特征的图像方法，其特征在于：对于生成的每个陆标，利用构建的无监督卷积自动编码器网络来提取卷积特征描述符；路标作为输入,X表示HOG特征的维度，表示重建的特征描述子的维度，在自编码模型中，对三个卷积层使用的是线性整流函数（ReLU）激活，对全连接层使用sigmoid激活以便网络重建HOG特征，当训练结束时，网络即具备学习重建HOG特征的能力，对于相同大小的输入提取的HOG特征的维度是相同的，可以利用欧几里得距离作为HOG描述子的距离度量，在损失层利用损失函数来比较X和其重建的的大小：。

6.根据权利要求1所述的一种改进的基于陆标-卷积特征的图像方法，其特征在于：为了计算查询帧和参考帧之间的相似性得分，交叉匹配从这两幅图像中提取的所有陆标，利用余弦距离度量的陆标与的陆标之间的相似性。