技术特征：
1.一种图像特征点提取方法，其特征在于，所述提取方法包括：构建初始特征点提取模型；所述初始特征点提取模型包括特征提取模块；所述特征提取模块包括多尺度卷积层和可变形卷积层；利用训练数据集对所述初始特征点提取模型进行训练，得到训练后特征点提取模型；所述训练数据集包括多张训练用图像；将待处理图像输入所述训练后特征点提取模型，提取所述待处理图像的特征点。2.根据权利要求1所述的提取方法，其特征在于，所述初始特征点提取模型还包括特征点检测模块和描述子提取模块；所述特征点检测模块和所述描述子提取模块均与所述特征提取模块相连接；所述特征提取模块用于提取输入图像的特征；所述特征点检测模块用于基于所述特征确定所述输入图像中每一像素点为特征点的概率；所述描述子提取模块用于基于所述特征确定所述输入图像中每一像素点的特征描述符。3.根据权利要求2所述的提取方法，其特征在于，所述特征点检测模块包括特征点重复度子模块和特征点置信度子模块；所述特征点重复度子模块用于基于所述特征计算所述输入图像中每一像素点对应的局部特征区域在图像范围内的重复程度；所述特征点置信度子模块用于基于所述特征计算所述输入图像中每一像素点为特征点的置信度；所述每一像素点为特征点的概率即为所述像素点对应的局部特征区域在图像范围内的重复程度和所述像素点为特征点的置信度的乘积。4.根据权利要求3所述的提取方法，其特征在于，所述特征提取模块还包括第一卷积层、第二卷积层和第三卷积层；所述第一卷积层、所述第二卷积层、所述第三卷积层、所述多尺度卷积层和所述可变形卷积层顺序连接；所述特征点重复度子模块包括依次连接的第四卷积层和第一l2正则化层；所述特征点置信度子模块包括依次连接的第五卷积层和第二l2正则化层；所述描述子提取模块包括第三l2正则化层。5.根据权利要求4所述的提取方法，其特征在于，所述特征提取模块还包括卷积注意力子模块和坐标注意力子模块；所述卷积注意力子模块连接于所述多尺度卷积层和所述可变形卷积层之间；所述多尺度卷积层分别通过第一连接通道和第二连接通道与所述卷积注意力子模块相连接；所述卷积注意力子模块还与所述可变形卷积层相连接；所述坐标注意力子模块连接于所述可变形卷积层和所述特征提取模块的输出端之间；所述可变形卷积层分别通过第三连接通道和第四连接通道与所述坐标注意力子模块相连接；所述坐标注意力子模块还与所述特征提取模块的输出端相连接。6.根据权利要求1所述的提取方法，其特征在于，所述可变形卷积层为受单应矩阵约束的可变形卷积层；其中，计算所述可变形卷积层对应的单应矩阵包括：对用于计算所述单应矩阵的多个采样点进行尺度标准化变换，得到变换后参数；
基于所述变换后参数，利用dlt算法计算所述单应矩阵的参数，得到所述可变形卷积层对应的单应矩阵。7.根据权利要求1所述的提取方法，其特征在于，在利用训练数据集对所述初始特征点提取模型进行训练，得到训练后特征点提取模型之前，所述提取方法还包括对所述训练数据集进行数据增强，得到增强后数据集，并以所述增强后数据集作为新的训练数据集；其中，所述对所述训练数据集进行数据增强，得到增强后数据集具体包括：对于所述训练数据集中的每一训练用图像，采用多种变换方式对所述训练用图像进行变换，得到所述训练用图像对应的多张变换后图像；所有所述变换后图像组成所述增强后数据集；所述变换方式包括图片缩放、水平翻转、随机平移、随机旋转、颜色通道缩放、添加噪声、随机单应矩阵扰动、色彩抖动、随机裁切和明暗度调节。8.根据权利要求1所述的提取方法，其特征在于，所述利用训练数据集对所述初始特征点提取模型进行训练，得到训练后特征点提取模型具体包括：从所述训练数据集中随机抽取若干张训练用图像组成第一数据集；将所述第一数据集输入所述初始特征点提取模型，得到所述第一数据集中每一训练用图像的第一检测结果；所述第一检测结果包括所述训练用图像中每一像素点为特征点的概率和每一像素点的特征描述符；对所述训练用图像施加单应变换，得到每一所述训练用图像对应的变换后图像；所有所述变换后图像组成第二数据集；将所述第二数据集输入所述初始特征点提取模型，得到所述第二数据集中每一变换后图像的第二检测结果；所述第二检测结果包括所述变换后图像中每一像素点为特征点的概率和每一像素点的特征描述符；以所有所述第一检测结果和所有所述第二检测结果作为输入，基于损失函数计算损失值；基于所述损失值对所述初始特征点提取模型的网络参数进行优化调整，得到调整后特征点提取模型；判断是否达到预设迭代终止条件；若是，则以所述调整后特征点提取模型作为训练后特征点提取模型，结束迭代；若否，则以所述调整后特征点提取模型作为下一迭代中的初始特征点提取模型，返回“从所述训练数据集中随机抽取若干张训练用图像组成第一数据集”的步骤，继续迭代。9.根据权利要求1所述的提取方法，其特征在于，所述将待处理图像输入所述训练后特征点提取模型，提取所述待处理图像的特征点具体包括：将待处理图像输入所述训练后特征点提取模型，得到所述待处理图像的第三检测结果；所述第三检测结果包括所述待处理图像中每一像素点为特征点的概率和每一像素点的特征描述符；按照概率值从大到小的顺序对所有所述像素点进行排序，并选取前n个像素点作为所述待处理图像的特征点。10.一种图像特征点提取系统，其特征在于，所述提取系统包括：模型构建模块，用于构建初始特征点提取模型；所述初始特征点提取模型包括特征提取模块；所述特征提取模块包括多尺度卷积层和可变形卷积层；
训练模块，用于利用训练数据集对所述初始特征点提取模型进行训练，得到训练后特征点提取模型；所述训练数据集包括多张训练用图像；提取模块，用于将待处理图像输入所述训练后特征点提取模型，提取所述待处理图像的特征点。
技术总结
本发明涉及一种图像特征点提取方法及系统，先构建初始特征点提取模型，初始特征点提取模型包括特征提取模块，特征提取模块包括多尺度卷积层和可变形卷积层。利用训练数据集对初始特征点提取模型进行训练，得到训练后特征点提取模型。将待处理图像输入训练后特征点提取模型，即可提取待处理图像的特征点。本发明通过在特征点提取模型中引入多尺度卷积层和可变形卷积层，能够融合多尺度的图像特征信息，并能够更好的描述图像局部特征，解决缺乏多尺度信息的融合且会破坏局部纹理的完整性的问题，从而实现精确而鲁棒的特征点提取，对图像特征提取的研究与实际应用具有重要的理论和实践价值。论和实践价值。论和实践价值。
技术研发人员：汪志涛 胡健萌 卢勇 唐德军 唐崇伟 谢勇
受保护的技术使用者：上海智能交通有限公司
技术研发日：2021.12.10
技术公布日：2022/3/4