一种复杂色域环境下目标特征值的提取方法与流程

本发明属于图像处理，尤其涉及一种复杂色域环境下目标特征值的提取方法。

背景技术：

1、目前，现有目标特征值提取的流程是外部通过led灯进行环境光补光，图像isp驱动对图像进行锐化，饱和度提升，色度提升，对比度提升，亮度提升等一系列初始化处理，接着进行图像归一化，最后送入特征值提取神经网络进行计算，从而特征值。

2、但是，申请人发现：现有的目标特征值提取方法存在以下缺陷：

3、1、在归一化图像特征点误差率增大的情况下，进行神经网络的卷积特征值提取存在波动范围较大，特征值结果精度降低，增加了应用基于特征值的开发难度。

4、2、在复杂色域环境下，图像isp驱动输出的图像复杂，导致归一化处理图像特征点误差率增大。

5、3、需要增加外部环境光补光，导致硬件成本增加，维护难度加大。

6、4、图像isp驱动对图像的初始化参数，只能在相对稳定的色域环境下，初始化参数对图像处理明显，在多复杂色域场景下，图像isp的处理难免力不从心，增加了驱动开发难度和适配难度。

技术实现思路

1、为解决现有技术中存在的上述问题，本发明提供了一种复杂色域环境下目标特征值的提取方法。

2、为解决上述技术问题，本发明采用如下技术方案：

3、本发明所述的一种复杂色域环境下目标特征值的提取方法，包括：

4、s1.增加神经网络提取特征值卷积的宽度和各种色域的权重，并设置多色域处理模块机制，构建动态神经卷积网络；

5、s2.获取原始输入图像；

6、s3.通过步骤s1的动态神经卷积网络计算原始输入图像中各色域的权重，并将所有色域的权重进行相加，得到原始输入图像的新权重；

7、然后动态神经卷积网络基于该原始输入图像的新权重进行卷积计算；

8、s4.基于步骤s3的卷积计算结果，进行归一化处理、激活和池化，获得初始化特征值；

9、s5.根据获得初始化特征值进行fullconnect层计算，输出特征值。

10、进一步地，步骤s1构建的动态神经卷积网络的原始输入图像的新权重计算公式为：

11、y＝k1*w1*x+k2*w2*x+k3*w3*x+……+kn*wn*x+b；

12、式中y为原始输入图像的新权重，w1、w2、w3、wn为特征值卷积矩阵，其中1、2、3、……、n表示特征值卷积宽度，k1*w1、k2*w2、k3*w3、……、kn*wn为各色域权重，k1、k2、k3、……、kn为各色域的权重系数，且k1+k2+k3+……+kn＝1，x为自定义的各色域的增强系数矩阵，b为神经网络相加权重。

13、进一步地，所述多色域处理模块机制为通过根据获取的原始输入图像自动控制动态神经卷积网络中参数的打开/关闭，从而确定动态神经卷积网络进行新权重计算时包含的所有色域对应的特征值卷积矩阵。

14、进一步地，步骤s4采用的归一化处理为batchnormal归一化处理。

15、进一步地，步骤s4的激活采用relu激活函数。

16、进一步地，该方法还包括：在进行步骤s5的fullconnect层计算之前，根据获得初始化特征值的波动判断是否进行递归处理。

17、本发明通过上述技术方案，主要具有以下有益效果：

18、1、增强了在复杂色域情况下指定色域特征点的特征值，减少了特征值的波动，从而提高了特征值的提取精度；

19、2、省去图像isp驱动的归一化处理图像工作，减少了图像归一化的处理流程，整体处理流程减少，计算量减少，速度更快，也减少了在基于外部复杂色域情况下图像isp驱动的工作量和工作难度；

20、3、减少了基于外部复杂色域情况下led补光的硬件成本和硬件维护工作；

21、4、能够支持动态数据，对未来多色域场景应用开发增加了适应性。

技术特征：

1.一种复杂色域环境下目标特征值的提取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，步骤s1构建的动态神经卷积网络的原始输入图像的新权重计算公式为：

3.根据权利要求2所述的方法，其特征在于，所述多色域处理模块机制为通过根据获取的原始输入图像自动控制动态神经卷积网络中参数的打开/关闭，从而确定动态神经卷积网络进行新权重计算时包含的所有色域对应的特征值卷积矩阵。

4.根据权利要求1-3中任一所述的方法，其特征在于，步骤s4采用的归一化处理为batchnormal归一化处理。

5.根据权利要求1-3中任一所述的方法，其特征在于，步骤s4的激活采用relu激活函数。

6.根据权利要求1-3中任一所述的方法，其特征在于，还包括：在进行步骤s5的fullconnect层计算之前，根据获得初始化特征值的波动判断，是否进行递归处理。

技术总结
本发明涉及一种复杂色域环境下目标特征值的提取方法，包括：S1.增加神经网络提取特征值卷积的宽度和各种色域的权重，设置多色域处理模块机制，构建动态神经卷积网络；S2.获取原始输入图像；S3.通过动态神经卷积网络计算原始输入图像中各色域的权重，并相加所有色域的权重，得到原始输入图像的新权重；然后基于该原始输入图像的新权重进行卷积计算；S4.基于卷积计算结果，进行归一化处理、激活和池化，获得初始化特征值；S5.根据获得初始化特征值进行FullConnect层计算，输出特征值。这样即可增强原始输入图像特征值，减少特征值的波动范围，提高特征值提取精度，还能减少图像归一化的处理流程、整体处理流程、计算量。

技术研发人员：曾金生,何广能
受保护的技术使用者：珠海六点智能科技有限公司
技术研发日：
技术公布日：2024/1/16