[发明专利]一种基于图形基元的双模深度学习描述子构造方法

摘要

本发明适用于图像配准技术领域，提供了一种基于图形基元的双模深度学习描述子构造方法，该方法别通过标注样本学习补丁图像的属性类别，利用图形基元学习补丁图像的几何特征，将属性类别与几何特征融合进而得到局部补丁图像的特征向量，也即：基于图形基元的描述子。通过描述子向量的相似完成补丁之间的配准，实现了基于机器学习描述子的分类刻画，本发明提出的基于图形基元的双模深度学习描述子构造方法，针对经典图像配准方法CPU计算量较大的弊端，探索GPU(图像处理器)计算的描述子分类方法。主要建立描述子训练集，构建多模卷积网络，在GPU上训练类别与几何模式，实现局部补丁图像的分类配准。解决描述子的分类描述方法，以及GPU上的实现问题。

主权项

1.一种基于图形基元的双模深度学习描述子构造方法，其特征在于，所述方法包括如下步骤：S1、提取图像I1和图像I2的关键点p1i及p2i，分别构成关键点集合P1及关键点集合P2；S2、截取关键点集合P1及关键点集合P2中所有关键点的补丁图像，基于补丁图像来构成关键点局部区域的尺度空间，所述补丁图像是指以某一关键点为中心，截取的N个不同尺寸图像；S3、将各关键点对应的补丁图像分别缩放成设定尺寸，得到规范化尺度补丁图像，并同时执行步骤S4及步骤S5；S4、将关键点的规范化尺度补丁图像分别输入类别检测模型，输出规范化尺寸补丁图像的类别；S5、边缘化规范化尺度补丁图像，得到补丁边缘化图像，并输入几何检测模型，得到补丁边缘化图像的几何特征向量；S6、将同一关键点在不同尺寸补丁图像上的类别和几何特征向量联合，组合成各关键点在不同尺度补丁图像上的描述子向量。