一种图像特征的估计方法和设备的制造方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，尤其涉及一种图像特征的估计方法和设备。
【背景技术】
[0002] 随着现代社会的发展，利用摄像机摄像、通过智能手机拍照等应用技术逐渐得到 的普及，这样就意味着需要处理的图片数据量呈现增长趋势。在依靠人工技术处理图片数 据不仅花费比较大，而且在处理过程中出错的概率比较高，因此，通过计算机处理图片数据 成为一种发展趋势，其中，计算机的视觉技术成为一种重要的发展技术。
[0003] 计算机视觉技术是指是一门研究如何使机器"看"的技术，更进一步地说，就是指 用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处 理，使得计算机处理后的图像成为更适合人眼观察或传送给仪器检测的图像。
[0004] 但是使用计算机对采集到的图像数据中的特征进行估计成为计算机视觉技术中 的一个技术热点和技术难点。例如：计算机视觉技术中对复杂环境下图像数据中人体姿态 的估计。
[0005] 例如：在安全监控领域，长时间监视一个场合中的某个人，可以通过采集这段时间 的视频图像，并对这段时间内采集的视频图像进行处理，对被监视者的异常行为进行估计， 这一过程就属于人体姿态估计。
[0006] 然而，在目前的图像数据中对特征进行估计（例如：人体姿态估计）的方式中，一 种方式是采用特制的拍摄设备捕捉符合深度信息要求的图像数据，并利用图像数据以及深 度信息判断图像数据中的特征（例如：人体各部分的位置），以达到对图像数据的特征进行 估计的目的。但是，这种方式对拍摄设备的硬件性能要求比较高，同时对拍摄对象与拍摄设 备之间的距离也有严格要求，在实际应用中不能很灵活地适用各种现实需要，使得得到的 估计结果准确性无法保证。
[0007] 另一种方式是利用边缘检测、图像直方图等方式对得到的图像数据中的特征进行 分析，但是这种方式属于一种对静态图像数据进行估计的方式，对于现实生活中实时采集 的图像数据，存在特征估计的出错率较高的问题。
【发明内容】
[0008] 有鉴于此，本发明实施例提供了一种图像特征的估计方法和设备，用于解决目前 存在的特征估计正确率低的问题。
[0009] 根据本发明的第一方面，提供了一种图像特征的估计方法，包括：
[0010] 提取输入的图像数据的至少两个特征值，其中，所述特征值中至少包含了每一个 特征与对应的模板特征的匹配度、所述图像数据中任意两个特征同时出现在同一个位置上 的概率值、具有关联关系的两个特征之间的距离发生变化的得分值；
[0011] 针对提取到的每一个特征值，执行以下操作，直至提取到的特征值执行完毕：
[0012] 选择一个特征值，并利用预先得到的矩阵参数对所述特征值进行至少两次计算， 得到所述特征值对应的第一矩阵向量；
[0013] 在得到提取出的每一个特征值对应的第一矩阵向量时，根据得到的每一个特征值 对应的第一矩阵向量，利用网络计算方法得到针对提取出的至少两个特征值的第二矩阵向 量；
[0014] 根据所述第二矩阵向量，估计得到所述图像数据中图像特征的状态。
[0015] 结合本发明的第一方面可能的实施方式中，第一种可能的实施方式，所述选择一 个特征值，并利用预先得到的矩阵参数对所述特征值进行至少两次计算，得到所述特征值 对应的第一矩阵向量，包括：
[0016] 选择一个特征值，并利用预先得到的矩阵参数对所述特征值进行第一次计算，得 到所述特征值对应的第一个子矩阵向量；
[0017] 利用预先得到的矩阵参数对所述第一个子矩阵向量进行第二次计算，得到所述特 征值对应的第二个子矩阵向量；
[0018] 依次类推，利用预先得到的矩阵参数对所述第N-I个子矩阵向量进行第N次计算， 得到所述特征值对应的第一矩阵向量，其中，N为自然数。
[0019] 结合本发明的第一方面的第一种可能的实施方式中，第二种可能的实施方式，所 述利用预先得到的矩阵参数对所述特征值进行第一次计算，得到所述特征值对应的第一个 子矩阵向量，包括：
[0020] 通过以下方式得到所述特征值对应的第一个子矩阵向量：
[0021] h1'1 = aQWb1'1);
[0022] 其中，h1'1表示提取的第i个特征值对应的第一个子矩阵向量，a为激活函数，i T为 第i个特征值的转置矩阵，W1"为矩阵参数中针对第i个特征值的第一个矩阵，b1· 1为针对 第i个特征值的第一个偏移量。
[0023] 结合本发明的第一方面的第二种可能的实施方式中，第三种可能的实施方式，利 用预先得到的矩阵参数对所述第一个子矩阵向量进行第二次计算，得到所述特征值对应的 第二个子矩阵向量，包括：
[0024] 通过以下方式得到所述特征值对应的第二个子矩阵向量：
[0025] h2,1 = a ((h1, x) W'x+ (b2, x)τ)；
[0026] 其中，h2·1表示提取的第i个特征值对应的第二个子矩阵向量，a为激活函数， Oi1It为第i个特征值的第一个子矩阵向量的转置矩阵，W2' 1为矩阵参数中针对第i个特征 值的第二个矩阵，（b2'Dt为针对第i个特征值的第二个偏移量。
[0027] 结合本发明的第一方面可能的实施方式中，或者结合本发明的第一方面的第一种 可能的实施方式中，或者结合本发明的第一方面的第二种可能的实施方式中，或者结合本 发明的第一方面的第三种可能的实施方式中，第四种可能的实施方式，所述根据得到的每 一个特征值对应的第一矩阵向量，利用网络计算方法得到针对提取出的至少两个特征值的 第二矩阵向量，包括：
[0028] 通过以下方式利用网络计算方法得到针对提取出的至少两个特征值的第二矩阵 向量：
[0029] hn+1 = a((hn)T*ffn+1+bn+1)；
[0030] 其中，hn+1为利用网络计算方法得到针对提取出的至少两个特征值的第二矩阵向 量，a为激活函数，hn = [h"'1，hn'2,. . .，hn'\ . . .，hn'n]T，hn'n为第η个特征值在进行η次计算 的第一矩阵向量，Wn+1为矩阵参数中第η+1个矩阵，bn+1为第η+1个偏移量。
[0031] 结合本发明的第一方面可能的实施方式中，或者结合本发明的第一方面的第一种 可能的实施方式中，或者结合本发明的第一方面的第二种可能的实施方式中，或者结合本 发明的第一方面的第三种可能的实施方式中，或者结合本发明的第一方面的第四种可能的 实施方式中，第五种可能的实施方式，所述图像数据中图像特征的状态包括：所述图像数据 中图像特征的位置信息；
[0032] 所述根据所述第二矩阵向量，估计得到所述图像数据中图像特征的状态，包括：
[0033] 通过以下方式估计得到所述图像数据中图像特征的状态：
[0034] fpst =(￥ f ^Wpst +bps,；
[0035] 其中，Ft为估计得到所述图像数据中图像特征的状态，Wpst为理论矩阵参数，b pst 为理论偏移量，r 根据 hn 得到，hn = [p1，hn'2,...，hn'\...，h n'n]T。
[0036] 结合本发明的第一方面可能的实施方式中，或者结合本发明的第一方面的第一种 可能的实施方式中，或者结合本发明的第一方面的第二种可能的实施方式中，或者结合本 发明的第一方面的第三种可能的实施方式中，或者结合本发明的第一方面的第四种可能的 实施方式中，或者结合本发明的第一方面的第五种可能的实施方式中，第六种可能的实施 方式，所述方法还包括：
[0037] 根据所述第二矩阵向量，确定得到的估计状态的可靠度。
[0038] 结合本发明的第一方面的第六种可能的实施方式中，第七种可能的实施方式，所 述根据所述第二矩阵向量，确定得到的估计状态的可靠度，包括：
[0039] 通过以下方式确定得到估计状态的可靠度：
[0040] fs =a((hn)T*WLh +bck)；
[0041] 其中，为确定得到的估计状态的可靠度，σ为激活函数，为理论矩阵参数， b~为理论偏移量。
[0042] 根据本发明的第二方面，提供了一种图像特征的估计设备，包括：
[0043] 提取模块，用于提取输入的图像数据的至少两个特征值，其中，所述特征值中至少 包含了每一个特征与对应的模板特征的匹配度、所述图像数据中任意两个特征同时出现在 同一个位置上的概率值、具有关联关系的两个特征之间的距离发生变化的得分值；
[0044] 第一矩阵向量计算模块，用于针对所述提取模块提取到的每一个特征值，执行以 下操作，直至提取到的特征值执行完毕：选择一个特征值，并利用预先得到的矩阵参数对所 述特征值进行至少两次计算，得到所述特征值对应的第一矩阵向量；
[0045] 第二矩阵向量计算模块，用于在得到所述第一矩阵向量计算模块计算得到的提取 出的每一个特征值对应的第一矩阵向量时，根据得到的每一个特征值对应的第一矩阵向 量，利用网络计算方法得到针对提取出的至少两个特征值的第二矩阵向量；
[0046] 估计模块，用于根据所述第二矩阵向量计算模块计算得到的所述第二矩阵向量， 估计得到所述图像数据中图像特征的状态。
[0047] 结合本发明的第二方面可能的实施方式中，第一种可能的实施方式，所述第一矩 阵向量计算模块，具体用于选择一个特征值，并利用预先得到的矩阵参数对所述特征值进 行第一次计算，得到所述特征值对应的第一个子矩阵向量；
[0048] 利用预先得到的矩阵参数对所述第一个子矩阵向量进行第二次计算，得到所述特 征值对应的第二个子矩阵向量；
[0049] 依次类推，利用预先得到的矩阵参数对所述第N-I个子矩阵向量进行第N次计算， 得到所述特征值对应的第一矩阵向量，其中，N为自然数。
[0050] 结合本发明的第二方面的第一种可能的实施方式中，第二种可能的实施方式，所 述第一矩阵向量计算模块，具体用于通过以下方式得到所述特征值对应的第一个子矩阵向 量：
[0051] h1,1 = aCi^ff^^b1,1)；
[0052] 其中，h1'1表示提取的第i个特征值对应的第一个子矩阵向量，a为激活函数，i T为 第i个特征值的转置矩阵，W1"为矩阵参数中针对第i个特征值的第一个矩阵，b1· 1为针对 第i个特征值的第一个偏移量。
[0053] 结合本发明的第二方面的第二种可能的实施方式中，第三种可能的实施方式，所 述第一矩阵向量计算模块，具体用于通过以下方式得到所述特征值对应的第二个子矩阵向 量：
[0054] h2,1 = a ((h1, x) W'x+ (b2, x)τ)；
[0055] 其中，h2'1表示提取的第i个特征值对应的第二个子矩阵向量，a为激活函数， Oi1It为第i个特征值的第一个子矩阵向量的转置矩阵，W2' 1为矩阵参数中针对第i个特征 值的第二个矩阵，（b2'Dt为针对第i个特征值的第二个偏移量。
[0056] 结合本发明的第二方面可能的实施方式中，或者结合本发明的第二方面的第一种 可能的实施方式中，或者结合本发明的第二方面的第二种可能的实施方式中，或者结合本 发明的第二方面的第三种可能的实施方式中，第四种可能的实施方式，所述第二矩阵向量 计算模块，具体用于通过以下方式利用网络计算方法得到针对提取出的至少两个特征值的 第二矩阵向量：
[0057] hn+1 = a((hn)T*ffn+1+bn+1)；
[0058] 其中，hn+1为利用网络计算方法得到针对提取出的至少两个特征值的第二矩阵向 量，a为激活函数，h n = [h"'1，hn'2,. . .，hn'\ . . .，hn'n]T，hn'n为第η个特征值在进行η次计算 的第一矩阵向量，W n+1为矩阵参数中第η+1个矩阵，bn+1为第η+1个偏移量。
[0059] 结合本发明的第二方面可能的实施方式中，或者结合本发明的第二方面的第一种 可能的实施方式中，或者结合本发明的第二方面的第二种可能的实施方式中，或者结合本 发明的第二方面的第三种可能的实施方式中，或者结合本发明的第二方面的第四种可能的 实施方式中，第五种可能的实施方式，所述图像数据中图像特征的状态包括：所述图像数据 中图像特征的位置信息；
[0060] 所述估计模块，具体用于通过以下方式估计得到所述图像数据中图像特征的状 态：
[0061] V