申请/专利权人：东莞理工学院;深圳大学

申请日：2020-03-26

公开（公告）日：2020-07-24

公开（公告）号：CN111444962A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06K9/00(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.04.28#授权;2020.08.18#实质审查的生效;2020.07.24#公开

摘要：本发明提供的一种基于耦合卷积稀疏编码的跨模态图像匹配方法，包括：构建并训练基于耦合卷积稀疏编码的跨模态图像匹配算法模型；根据算法模型，结合KNN算法计算模型质量，完成跨模态图像的匹配。本发明提供的一种基于耦合卷积稀疏编码的跨模态图像匹配方法，利用卷积稀疏编码的思想代替传统稀疏编码的思想，能够全局运行在整张图像上，很大程度提高图像像素间的关联性从而提取到更加精确的模型特征图；不仅如此，本方法继承共同特征空间的基本理论并结合耦合卷积稀疏向量典型相关分析方法进一步提高在跨模态图像匹配上的性能，高精度化并且易于理解和编程，对实际工程中不同模态图像匹配提出了切实可行的匹配模型。

主权项：1.一种基于耦合卷积稀疏编码的跨模态图像匹配方法，其特征在于，包括以下步骤：S1：构建基于耦合卷积稀疏编码的跨模态图像匹配算法模型；S2：设定滤波器的维度和个数；设置两种模态训练集的样本数量并预处理得到训练集X和训练集Y；S3：根据维度和个数初始化投影矩阵TX,TY；根据训练集X、训练集Y初始化局部字典DXL,DYL，结合训练集X、训练集Y以及局部字典DXL,DYL初始化局部稀疏向量和完成参数的设置；S4：通过不断交叉迭代的方式优化更新参数DXL,DYL,TX,TY，每更新一对参数时，设定另外两对参数为常数，即保持上一次迭代的结果；每更新一对参数期间，其中一个参数设定为常数，更新另一个参数；以此类推直到达到设定的迭代次数或者模型收敛则停止迭代，输出训练完成的算法模型；S5：根据算法模型，结合KNN算法计算模型质量，完成跨模态图像的匹配。

全文数据：

权利要求：

百度查询： 东莞理工学院;深圳大学 一种基于耦合卷积稀疏编码的跨模态图像匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD