本申请涉及领域自适应领域，特别涉及一种局部图像特征提取方法、装置、系统及一种计算机可读存储介质。
背景技术
局部图像特征是图像特征的局部表达，它反映了图像上具有的局部特性，与线特征、纹理特征、结构特征等全局图像特征相比，局部图像特征具有在图像中蕴含数量丰富，特征间相关度小，遮挡情况下不会因为部分特征的消失而影响其他特征的检测和匹配等优势在人脸识别、三维重建、目标识别及跟踪、影视制作、全景图像拼接等领域得到了广泛的应用。局部图像特征的提取通常是作为计算机视觉与数字图像处理中许多问题的第一步，例如图像分类、图像检索、宽基线匹配等，提取特征的优劣直接影响任务的最终性能。局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以及物体特征描述中有着重要的作用。因此，局部特征提取方法具有重要的研究价值。
然而，图像经常发生尺度、平移、旋转、光照、视角以及模糊等变化，特别是在实际应用场景中，图像不可避免的会存在较大噪声干扰、复杂背景和较大的目标姿态变化，在这种不利情况下局部特征的提取效果往往不能尽如人意。
因此，如何提升局部特征提取能力，提升细节特征提取效果，是本领域技术人员需要解决的技术问题。
技术实现要素：
本申请的目的是提供一种局部图像特征提取方法，该提取方法局部特征提取能力强，细节特征提取效果好；本申请的另一目的是提供一种局部图像特征提取装置、系统及一种计算机可读存储介质，具有上述有益效果。
本申请提供一种局部图像特征提取方法，包括：
对卷积神经网络中的卷积参数进行修正，得到修正后的卷积参数；
获取局部图像；
基于所述卷积神经网络根据所述修正后的卷积参数提取所述局部图像的特征信息，得到特征向量；
其中，所述卷积参数的修正方法包括：
将获取的包括不同类别的局部图像信息输入至卷积神经网络，得到各局部图像信息对应的特征向量；
计算各类别的局部图像信息对应的特征中心点；
根据所述特征中心点计算各类别间以及同一类别内局部图像的相似度；
根据所述相似度对所述卷积参数进行修正。
可选地，所述根据所述特征中心点计算各类别间以及同一类别内局部图像的相似度包括：
计算同一类别内各特征向量与对应的特征中心点的欧几里得距离；
统计各特征向量对应欧几里得距离的波动情况，作为对应类别内局部图像的相似度；
计算各不同类别间特征中心点间的欧几里得距离，作为各类别间局部图像的相似度。
可选地，所述统计各特征向量对应欧几里得距离的波动情况包括：
计算各特征向量对应欧几里得距离间的方差。
可选地，所述根据所述相似度对所述卷积参数进行修正包括：
根据所述相似度构建所述卷积神经网络的损失函数；
根据所述损失函数对所述卷积神经网络的所述卷积参数进行修正。
可选地，所述根据所述损失函数对所述卷积神经网络的所述卷积参数进行修正包括：
根据所述损失函数基于随机梯度下降方法对所述卷积神经网络的所述卷积参数进行修正。
可选地，所述获取局部图像包括：
接收整体图像；
接收进行特征提取的局部信息；
根据所述局部信息对所述图像进行裁剪，得到局部图像。
本申请公开一种局部图像特征提取装置，包括：
修正单元，用于对卷积神经网络中的卷积参数进行修正，得到修正后的卷积参数；
获取单元，用于获取局部图像；
特征提取单元，基于所述卷积神经网络根据所述修正后的卷积参数提取所述局部图像的特征信息，得到特征向量；
其中，所述修正单元包括：
图像输入子单元，用于将获取的包括不同类别的局部图像信息输入至卷积神经网络，得到各局部图像信息对应的特征向量；
中心点计算子单元，用于计算各类别的局部图像信息对应的特征中心点；
相似度计算子单元，用于根据所述特征中心点计算各类别间以及同一类别内局部图像的相似度；
参数修正子单元，用于根据所述相似度对所述卷积参数进行修正。
可选地，所述相似度计算子单元包括：
第一计算子单元，用于计算同一类别内各特征向量与对应的特征中心点的欧几里得距离；
统计子单元，用于统计各特征向量对应欧几里得距离的波动情况，作为对应类别内局部图像的相似度；
第二计算子单元，用于计算各不同类别间特征中心点间的欧几里得距离，作为各类别间局部图像的相似度。
本申请公开一种局部图像特征提取系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的局部图像特征提取方法的步骤。
本申请公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述局部图像特征提取方法的步骤。
为解决上述技术问题，本申请提供一种局部图像特征提取方法，该方法通过卷积神经网络提取局部图像的特征信息，卷积神经网络可以发现并刻画局部图像内部复杂的结构特征，故而能够较大提高特征提取的性能；另外，通过将包括不同类别的局部图像信息输入至卷积神经网络，得到特征向量后，对各局部图像信息对应的特征向量通过计算特征中心点的方式寻找相同类别内以及不同类别间图像特征的相似程度，通过相似程度评估学习网络对同类图像内以及不同类图像间的区分程度，对不同类图像特征提取方法进行迁移，对同类局部图像特征提取进行区分，对卷积参数进行不断修正，得到可以更精准刻画细节区别特征的卷积参数，修正过程仅需计算相似程度即可，计算量较小，修正过程迅速，卷积参数修正后的卷积神经网络可以更准确地挖掘对应类别的特征，图像识别率高，鲁棒性高。
本申请还公开了一种局部图像特征提取装置、系统及一种计算机可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请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作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的局部图像特征提取方法的流程图；
图2为本申请实施例提供的卷积参数的修正方法的流程图；
图3为本申请实施例提供的相似度计算方法的流程图；
图4为本申请实施例提供的局部图像特征提取装置的结构框图；
图5为本申请实施例提供的修正单元的结构框图；
图6为本申请实施例提供的相似度计算子单元结构框图；
图7为本申请实施例提供的参数修正子单元的结构框图；
图8为本申请实施例提供的获取单元的结构框图。
具体实施方式
本申请的核心是提供一种基于领域自适应的文本信息提取方法，该方法可以提高领域迁移性，提升社交媒体等领域的文本分析提取能力；本申请的另一核心是提供一种基于领域自适应的文本信息提取装置、系统及一种可读存储介质，具有上述有益效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1为本实施例提供的局部图像特征提取方法的流程图；该方法可以包括：
步骤s100：对卷积神经网络中的卷积参数进行修正，得到修正后的卷积参数。
其中，图2为本实施例提供的卷积参数的修正方法的流程图，卷积参数的修正方法具体包括以下步骤：
步骤s110：将获取的包括不同类别的局部图像信息输入至卷积神经网络，得到各局部图像信息对应的特征向量；
任意选取k个分类，每个分类中各自随机抽取数目为n局部训练图像输入到卷积神经网络中，图像像素值在此不做限定，在此以局部训练图像为32×32像素为例进行介绍可以，得到k组共k×n个128维的特征向量作为图像的描述子。
步骤s120：计算各类别的局部图像信息对应的特征中心点；
在步骤s110中得到的k组特征向量中找出每组的中心点，特征中心点指特征向量的向量均值。例如，类别1中特征向量分别为1，2，3，4，5，则中心点即为3。其中，特征中心点并非仅限于特征向量中包含的向量。
步骤s130：根据特征中心点计算各类别间以及同一类别内局部图像的相似度；
在每组内评估每个特征向量与中心特征向量的相似度，以判断同类的局部图像的相似度；评估两组之间中心点特征向量的相似度，以判断不同分类的局部图像的相似度。
通过成像角度、灰度以及集合位置等方式进行图像特征的描述仅能反应图像的部分特征，本实施例提供的局部图像特征提取方法对图像的全面特征入手，通过相似度提升对图像特征的区分程度，从而发现图像与图像间的细小差别，本实施例提供的特征提取方法可以实现毛孔级别的图像识别，特征提取效果好。
其中，计算相似度的方法不做限定，比如每组内的相似度可以计算各特征向量与中心点的差值之和，不同类别间的相似度可以通过计算不同组之间中心点的差值，作为两组之间的相似度；也可以通过计算欧几里得距离来评估相似度等。优选地，为保证算法尽量简单的情况下对向量进行准确地评估，可以通过计算欧几里得距离来评估相似度，具体地，图3为本实施例提供的相似度计算方法的流程图，根据特征中心点计算各类别间以及同一类别内局部图像的相似度可以包括：
步骤s131：计算同一类别内各特征向量与对应的特征中心点的欧几里得距离；
步骤s132：统计各特征向量对应欧几里得距离的波动情况，作为对应类别内局部图像的相似度；
步骤s133：计算各不同类别间特征中心点间的欧几里得距离，作为各类别间局部图像的相似度。
在步骤s132中统计波动情况的具体算法可参照现有技术，在此不做限定，比如可以通过计算方差、标准差等，优选地，为保证计算过程精简化，可以通过计算各特征向量对应欧几里得距离间的方差来确定波动情况。
步骤s140：根据相似度对卷积参数进行修正。
利用步骤s130中得到的相似度信息评估当前卷积神经网络性能的好坏；不同类别间相似程度越低越能反映每个类别对应的独特的特征，相同类别内的相似度越低越能反映每张图像的细节差别，对卷积神经网络中的卷积参数进行修正，得到修正后的目标卷积神经网络。
修正的方法可以参照现有技术，为保证修正过程的定量化以及精准化，优选地，修正可以通过构建损失函数，损失函数越小，网络的拟合越好。则具体可以根据相似度对卷积参数进行修正包括：
根据相似度构建卷积神经网络的损失函数；
根据损失函数对卷积神经网络的卷积参数进行修正。
根据损失函数进行修正可以采用普通的迭代修正的方法，在此不做限定，可参照现有技术，由于普通的修正迭代方法比较耗时，为提高参数修正效率，优选地，可以根据损失函数基于随机梯度下降方法对卷积神经网络的卷积参数进行修正。sgd(随机梯度下降)可以在无法建立准确数学模型情况下的最优化求解，迭代逼近真实值的方法，不断降低模型输出误差，对单个样本进行近似优化，收敛速度快，计算量小，可以大大提升整体效率。
步骤s200：获取局部图像。
局部图像指图像中仅包括整体事物的一部分，例如整体人脸图像中的鼻子部分的图像即为局部图像。在此对局部图像的获取方法不做限定，可以直接输入局部图像，也可以在接收到整体图像后根据需要保留部分图像，其中，输入的图像像素以及分辨率需要尽量高，以免影响特征提取效果。
其中，可选地，获取局部图像具体可以包括：
接收整体图像；
接收进行特征提取的局部信息；
根据局部信息对图像进行裁剪，得到局部图像。
步骤s300：基于卷积神经网络根据修正后的卷积参数提取局部图像的特征信息，得到特征向量。
将局部图像输入至卷积神经网络中，卷积神经网络根据修正后精确的卷积参数进行自动特征提取，输出局部图像对应的特征向量。
需要说明的是，本实施例的提供的步骤s100中对卷积神经网络的卷积参数进行修正的过程并非需要在每次进行局部图像特征提取过程中完成，当卷积参数修正达到预设准确率时，步骤s100可以不执行，对特征的提取仅需根据修正后的精确的卷积参数执行步骤s200以及s300即可。
基于上述介绍，本申请提供的局部图像特征提取通过卷积神经网络提取局部图像的特征信息，卷积神经网络可以发现并刻画局部图像内部复杂的结构特征，故而能够较大提高特征提取的性能；另外，通过将包括不同类别的局部图像信息输入至卷积神经网络，得到特征向量后，对各局部图像信息对应的特征向量通过计算特征中心点的方式寻找相同类别内以及不同类别间图像特征的相似程度，通过相似程度评估学习网络对同类图像内以及不同类图像间的区分程度，对不同类图像特征提取方法进行迁移，对同类局部图像特征提取进行区分，对卷积参数进行不断修正，得到可以更精准刻画细节区别特征的卷积参数，修正过程仅需计算相似程度即可，计算量较小，修正过程迅速，卷积参数修正后的卷积神经网络可以更准确地挖掘对应类别的特征，图像识别率高，鲁棒性高。
为便于理解，在此以建立的卷积神经网络为七层卷积层为例对整个卷积参数的修正过程进行介绍，其它方式均可参照本实施例的介绍。
具体可以包括：
步骤s1.1：从训练局部图像集中随机选取k个分类，从每个类中随机选取n张图像；
步骤s1.2：将从步骤s1.1中得到的图像分别输入到卷积神经网络中的layer1卷积层，layer1卷积层包含32个3×3的卷积核，步长为1个像素，对输入的图像进行卷积操作并作批标准化(batchnormalization)，使用relu为激活函数，输出32×32×32的layer1卷积层特征图像；
步骤s1.3：将从步骤s1.2中得到的卷积层特征图像输入到layer2卷积层，layer2卷积层包含32个3×3的卷积核，步长为1个像素，对输入的图像进行卷积操作并作batchnormalization，使用relu为激活函数，输出32×32×32的layer2卷积层特征图像；
步骤s1.4：将从步骤s1.3中得到的卷积层特征图像输入到layer3卷积层，layer3卷积层包含64个3×3的卷积核，步长为2个像素，对输入的图像进行卷积操作并作batchnormalization，使用relu为激活函数，输出64×32×32的layer3卷积层特征图像；
步骤s1.5：将从步骤s1.4中得到的卷积层特征图像输入到layer4卷积层，layer4卷积层包含64个3×3的卷积核，步长为1个像素，对输入的图像进行卷积操作并作batchnormalization，使用relu为激活函数，输出64×32×32的layer4卷积层特征图像；
步骤s1.6：将从步骤s1.5中得到的卷积层特征图像输入到layer5卷积层，layer5卷积层包含128个3×3的卷积核，步长为2个像素，对输入的图像进行卷积操作并作batchnormalization，使用relu为激活函数，输出128×32×32的layer5卷积层特征图像；
步骤s1.7：将从步骤s1.6中得到的卷积层特征图像输入到layer6卷积层，layer6卷积层包含128个3×3的卷积核，步长为1个像素，对输入的图像进行卷积操作并作batchnormalization，使用relu为激活函数，输出128×32×32的layer5卷积层特征图像，并设置随机失活因子为0.25；
步骤s1.8：将从步骤s1.7中得到的卷积层特征图像输入到layer7卷积层，layer7卷积层包含128个8×8的卷积核，对输入的图像进行卷积操作并作batchnormalization，输出128维的特征表示向量；
步骤s2.1：设从步骤s1.8中得到的k个分类为a1,a2,a3,...,ak，其中每个分类组i包含
步骤s2.2：计算得到步骤s2.1中每个分类组的中心点
步骤s2.3：计算每组内所有点
步骤s2.4：计算每组内中心点
步骤s2.5：对于任意一个组i的中心点
并设该j组的中心点特征表示向量为
步骤s3：根据步骤s2.3得到的
步骤s4：根据步骤s3得到的损失函数，利用随机梯度下降的方法，优化卷积神经网络参数，重复上述步骤，直至步骤s3的损失函数不再变小或者稳定，得到包括修正后的卷积参数的卷积神经网络。
通过上述步骤进行参数的修正，修正过程效率很高，通过包含上述步骤修正得到的卷积参数的神经网络进行特征提取，提取效果较好。
下面对本申请提供的局部图像特征提取装置进行介绍，请参考图4，图4为本申请实施例提供的局部图像特征提取装置的结构框图；该装置可以包括：
修正单元100，用于对卷积神经网络中的卷积参数进行修正，得到修正后的卷积参数；
获取单元200，用于获取局部图像；
特征提取单元300，用于基于卷积神经网络根据修正单元100修正后的卷积参数提取局部图像的特征信息，得到特征向量；
其中，修正单元100的结构框图如图5所示，主要包括：
图像输入子单元110，用于将获取的包括不同类别的局部图像信息输入至卷积神经网络，得到各局部图像信息对应的特征向量；
中心点计算子单元120，用于计算各类别的局部图像信息对应的特征中心点；
相似度计算子单元130，用于根据特征中心点计算各类别间以及同一类别内局部图像的相似度；
参数修正子单元140，用于根据相似度对卷积参数进行修正。
需要说明的是，本申请具体实施方式中的局部图像特征提取装置中的各个单元，其工作过程请参考图1对应的具体实施方式，在此不再赘述。
可选地，相似度计算子单元130结构框图如图6所示，具体可以包括：
第一计算子单元131，用于计算同一类别内各特征向量与对应的特征中心点的欧几里得距离；
统计子单元132，用于统计各特征向量对应欧几里得距离的波动情况，作为对应类别内局部图像的相似度；
第二计算子单元133，用于计算各不同类别间特征中心点间的欧几里得距离，作为各类别间局部图像的相似度。
其中，统计子单元132具体可以用于计算各特征向量对应欧几里得距离间的方差。
可选地，参数修正子单元140的结构框图如图7所示，主要包括：
损失函数构建子单元141，用于根据相似度构建卷积神经网络的损失函数；
损失函数修正子单元142，用于根据损失函数对卷积神经网络的卷积参数进行修正。
其中，损失函数修正子单元142具体可以用于根据损失函数基于随机梯度下降方法对卷积神经网络的卷积参数进行修正。
可选地，获取单元200的结构框图如图8所示，具体可以包括：
接收子单元210，用于接收整体图像；
提取子单元220，用于接收进行特征提取的局部信息；
裁剪子单元230，用于根据局部信息对图像进行裁剪，得到局部图像。
下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的局部图像特征提取方法可相互对应参照。
本申请还公开一种局部图像特征提取系统，主要包括：存储器以及处理器。
其中，存储器用于存储计算机程序；
处理器用于执行计算机程序时实现上述的局部图像特征提取方法的步骤。
本申请还公开一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现局部图像特征提取方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，系统，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
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，可以存储在一个移动终端中。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，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的局部图像特征提取方法、装置、系统及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。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，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。