[发明专利]基于卷积神经网络模型的特征提取方法及装置

说明书

本申请提供了一种基于卷积神经网络模型的特征提取方法及装置。该方法包括：接收待处理图像，并将待处理图像置于正六边形像素坐标系中；利用具有六角形卷积核及六角形坐标系的卷积神经网络模型，提取待处理图像中的特征数据，并输出特征数据；其中，卷积神经网络模型中的坐标系为正六边形像素坐标系，正六边形像素坐标系中各像素点为正六边形。通过六角形卷积核中中心像素点到周围各个像素点的距离相同，使得周围各个像素点所提供的特征数据在卷积计算中对中心像素点的影响也相同，大大提高卷积计算结果的可信度，提升卷积计算结果的准确性，降低了卷积计算的计算量。

技术领域

本申请涉及计算机领域，尤其涉及一种基于卷积神经网络模型的特征提取方法及装置。

背景技术

卷积神经网络模型因其具有独特的权值共享结构，减小了网络规模，更容易训练。卷积神经网络模型广泛应用于图像处理领域，例如但不限于：人脸识别、手势识别、交通标志识别、商品识别等。

在卷积神经网络模型中，利用卷积核滑动进行卷积运算，通过对像素点及其周围的像素点取样(一个点的像素值用它周围的点的像素值的加权平均代替)，以此来逐个获取每个像素点的特征，如图1所示。

现有的卷积神经网路中，通常将图片中的各个像素值设置为方块点阵，并基于具体需求选取相应的卷积核的尺寸、数量和滑动的步长，以提取图片中的特征。但是，在卷积计算中，计算结果是周围点对中心点的加权平均，距离越近其影响的权重越高。现有卷积核多为方块九宫格结构(例如图2所示的卷积核)，对角线上像素点的权重相对较小，使得这些像素点所提供的特征信息对卷积计算的影响较少，影响卷积计算结果的可信度，准确性难以保证。因此，亟待提供一种技术方案用以克服上述技术问题。

发明内容

本申请解决的技术问题之一是提供一种基于卷积神经网络模型的特征提取方法及装置，用以提高卷积计算结果的可信度以及准确性。

根据本申请第一方面的一个实施例，提供了一种基于卷积神经网络模型的特征提取方法，包括：

接收待处理图像，并将待处理图像置于正六边形像素坐标系中；

利用具有六角形卷积核的卷积神经网络模型，提取所述待处理图像中的特征数据，并输出所述特征数据；

其中，所述卷积神经网络模型中的坐标系为正六边形像素坐标系，所述正六边形像素坐标系中各像素点为正六边形，所述六角形卷积核中中心像素点到周围各个像素点的距离相同。

根据本申请第二方面的一个实施例，提供了一种基于卷积神经网络模型的特征提取装置，包括：

接收单元，用于接收待处理图像，并将待处理图像置于正六边形像素坐标系中；

图像处理单元，用于利用具有六角形卷积核的卷积神经网络模型，提取所述待处理图像中的特征数据，并输出所述特征数据；

其中，所述卷积神经网络模型中的坐标系为所述正六边形像素坐标系，正六边形像素坐标系中各像素点为正六边形，所述六角形卷积核中中心像素点到周围各个像素点的距离相同。

根据本申请第三方面的一个实施例，提供了一种人脸识别方法，包括：

接收包含待识别对象的待处理图像，并将所述待处理图像置于正六边形像素坐标系中；

利用具有六角形卷积核的人脸识别模型，提取所述待处理图像中的人脸特征数据；

根据所述人脸特征数据进行识别，以得到所述待识别对象匹配的人脸识别结果；

其中，所述卷积神经网络模型中的坐标系为所述正六边形像素坐标系，所述正六边形像素坐标系中各像素点为正六边形，所述六角形卷积核中中心像素点到周围各个像素点的距离相同。

根据本申请第四方面的一个实施例，提供了一种姿态识别方法，包括：