(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211401655.0 (22)申请日 2022.11.10 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 陈刚　林文蔚　仲崇豪　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 梁嘉琦 (51)Int.Cl. G06V 10/75(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/46(2022.01) G06V 10/82(2022.01) (54)发明名称 基于扇形卷积神经网络的图像特征匹配方 法 (57)摘要 本发明公开了基于扇形卷积神经网络的图 像特征匹配方法， 通过构建扇形卷积神经网络， 根据损失函数对扇形卷积神经网络进行训练优 化， 获得目标模型， 使得本发明的实施例具有较 强的泛化能力和鲁棒性； 通过在图像中提取特征 点， 并以特征点为中心在图像中提取正方形图像 块集； 将图像块集输入扇形卷积神经网络中， 得 到旋转描述子； 其中， 旋转描述子是可旋转重编 码描述子； 对旋转描述子进行处理， 能够在图像 任意旋转变化的情况下， 完成图像的高精度特征 匹配。 本发 明的实施例可广泛应用于计算机图像 处理技术领域。 权利要求书2页 说明书8页 附图3页 CN 115439673 A 2022.12.06 CN 115439673 A 1.基于扇形 卷积神经网络的图像特 征匹配方法， 其特 征在于， 包括： 构建扇形卷积神经网络， 根据损 失函数对所述扇形卷积神经网络进行训练优化， 获得 目标模型； 在图像中提取 特征点， 并以所述特 征点为中心在所述图像中提取正方 形图像块 集； 将所述正方形图像块集输入所述目标模型中， 得到旋转描述子； 其中， 所述旋转描述子 为可旋转重编码描述子； 对所述旋转描述子进行处 理， 完成图像的特 征匹配。 2.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述构建扇形卷积神经网络， 根据损失函数对所述卷积神经网络进行训练优化， 获得目标模 型， 包括： 构建一层扇形 卷积层， 并构建五层一维卷积层； 根据所述扇形 卷积层以及所述 一维卷积层构建扇形 卷积神经网络； 通过损失函数对所述扇形 卷积神经网络进行训练， 获得目标模型。 3.根据权利要求2所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述通过损失函数对所述扇形 卷积神经网络进行训练， 所述损失函数为： 其中， L代表损失函数， 代表旋转描述子的长度， 代表负样本的损失函数， gt代表 所述旋转描述子在正确角度匹配的展开点序号， 代表正样本的损失函数， 代表 的距离参数， 代表 的距离参数， 代表正样本与参考样本在正确角度的相似 度， 代表参考样本和正样本在错误角 度的相似度， 代表负样本与参考样本特征点的 相似度。 4.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述在图像中提取 特征点， 并以所述特 征点为中心在所述图像中提取正方 形图像块 集， 包括： 采用特征点检测方法提取 特征点； 以所述特 征点为中心， 在图像中提取正方 形图像块， 形成正方 形图像块 集。 5.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述将所述 正方形图像块 集输入所述目标模型中， 得到 旋转描述子， 包括： 通过扇形卷积核对图像块进行卷积， 得到特征图； 其中， 所述图像块来源于所述正方形 图像块集； 对所述特征图进行循环填充， 并将循环填充后的所述特征图输入一维卷积层进行卷 积， 得到可旋转重编码的旋转描述子 。 6.根据权利要求5所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 115439673 A 2述通过扇形 卷积核对图像块进行 卷积， 得到特 征图， 包括： 确定扇形卷积核的夹角大小、 扇形卷积核的半径大小、 扇形卷积核的旋转步长、 卷积开 始位置； 根据所述扇形卷积核的夹角大小、 所述扇形卷积核的半径大小、 所述扇形卷积核的旋 转步长、 所述卷积开始位置以特 征点为中心进行旋转卷积； 对扇形卷积核覆盖的像素进行加权求和， 得到特 征值； 当旋转角度累积到 360°， 得到一个特 征向量环； 以所述卷积开始位置为向量首位进行展开， 获得 特征向量； 将所述特 征向量输入激活函数， 输出 特征图。 7.根据权利要求5所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述对所述特 征图进行循环填充， 包括： 在特征图的起始位置填充末尾特 征值； 在特征图的末尾位置填充起始特 征值。 8.根据权利要求1所述的基于扇形卷积神经网络的图像特征匹配方法， 其特征在于， 所 述对所述旋转描述子进行处 理， 完成图像的特 征匹配， 包括： 确定一组所述旋转描述子为固定描述子组， 对另一组所述旋转描述子中的每个描述子 进行旋转重编码， 得到全角度描述子组； 计算所述全角度描述子组与所述固定描述子组的余弦相似度矩阵； 对所述余弦相似度矩阵进行双 向暴力匹配， 得到所述特征点的匹配关系， 完成图像特 征匹配。 9.一种电子设备， 其特征在于， 包括处理器以及存储器； 所述存储器用于存储程序； 所 述处理器执行所述程序实现如权利要求1至8中任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序， 所述程序被处 理器执行实现如权利要求1至8中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115439673 A 3