(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 202210329225.6 (22)申请日 2022.03.31 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 范淼　黄际洲　王海峰　 (74)专利代理 机构 北京鸿德 海业知识产权代理 有限公司 1 1412 专利代理师 谷春静 (51)Int.Cl. G06F 16/9537(2019.01) G06F 16/29(2019.01) G06V 10/40(2022.01) G06V 30/18(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 兴趣点验证方法、 装置、 电子设备及存储介 质 (57)摘要 本公开提供了兴趣点验证方法、 装置、 电子 设备及存储介质， 涉及计算机视觉、 深度学习以 及自然语言处理等人工智能领域， 其中的方法可 包括： 获取第一兴趣点的向量表示， 第一兴趣点 为采集到的任一兴趣点； 根据第一兴趣点的向量 表示以及数据库中的各兴趣点的向量表示， 从数 据库中的各兴趣点中选出第一兴趣点的N个最近 邻兴趣点， 作为候选兴趣点， N为正整数； 若确定 任一候选兴趣点与第一兴趣点为同一兴趣点， 则 确定本次验证通过。 应用本公开所述方案， 可节 省人力和时间成本， 提升验证效率 等。 权利要求书3页 说明书9页 附图2页 CN 114625984 A 2022.06.14 CN 114625984 A 1.一种兴趣点验证方法， 包括： 获取第一兴趣点的向量表示， 所述第一兴趣点 为采集到的任一兴趣点； 根据所述第 一兴趣点的向量表示以及数据库中的各兴趣点的向量表示， 从所述数据库 中的各兴趣点中选出 所述第一兴趣点的N个最近邻兴趣点， 作为 候选兴趣点， N 为正整数； 若确定任一 候选兴趣点与所述第一兴趣点 为同一兴趣点， 则确定 本次验证通过。 2.根据权利要求1所述的方法， 其中， 所述从所述数据库中的各兴趣点中选出所述第 一 兴趣点的N个最近邻兴趣点包括： 采用近似最近邻搜索方式， 从所述数据库中的各兴趣点中选出所述第一兴趣点的N个 最近邻兴趣点。 3.根据权利要求1所述的方法， 其中， 所述若确定任一候选兴趣点与 所述第一兴趣点为 同一兴趣点， 则确定 本次验证通过包括： 若基于获取到的人工比对结果确定任一候选兴趣点与 所述第一兴趣点为同一兴趣点， 则确定本次验证通过； 针对任一候选兴趣点， 所述人工比对结果包括： 将所述候选兴趣点对应的招牌图像与 所述第一兴趣点对应的招 牌图像进行比对后得到的所述候选兴趣点与所述第一兴趣点是 否为同一兴趣点的比对结果。 4.根据权利要求1所述的方法， 其中， 所述确定任一候选兴趣点与所述第 一兴趣点为同 一兴趣点包括： 若确定任一候选兴趣点的预定特征与所述第一兴趣点的预定特征之间的相似度大于 预定阈值， 则确定所述 候选兴趣点与所述第一兴趣点 为同一兴趣点； 所述预定特 征包括： 基于兴趣点对应的招牌图像提取 出的图像特 征和/或文本特 征。 5.根据权利要求1 ‑4中任一项所述的方法， 其中， 所述获取所述第一兴趣点的向量表示 包括： 根据所述第 一兴趣点对应的招牌图像生成图像特征矩阵， 根据 所述第一兴趣点对应的 坐标生成随机矩阵， 根据所述图像特征矩阵以及所述随机矩阵生成所述第一兴趣点的向量 表示； 所述数据库中的各兴趣点的向量表示与所述第一兴趣点的向量表示的生成方式相同。 6.根据权利要求5所述的方法， 其中， 所述根据所述第 一兴趣点对应的招牌图像生成图 像特征矩阵包括： 根据所述第 一兴趣点对应的招牌图像生成原始特征矩阵， 所述原始特征矩阵中的每个 元素分别对应所述招牌图像中的一个像素点， 且每个元素的取值分别等于对应的像素点的 取值； 对所述原 始特征矩阵进行 卷积神经网络运 算， 得到所述图像特 征矩阵。 7.根据权利要求5所述的方法， 其中， 所述根据所述第 一兴趣点对应的坐标生成随机矩 阵包括： 将所述坐标映射 为由0和1组成的第一特 征向量； 基于生成的随机向量对所述第一特 征向量进行扩充， 得到所述随机矩阵。 8.根据权利要求5所述的方法， 其中， 所述根据所述图像特征矩阵以及所述随机矩阵生 成所述第一兴趣点的向量表示包括：权　利　要　求　书 1/3 页 2 CN 114625984 A 2对所述图像特征矩阵以及所述随机矩阵进行特征交叉融合， 得到第 一交叉融合结果以 及第二交叉融合结果； 对所述第一交叉融合结果进行平均池化， 得到第二特征向量， 对所述第二交叉融合结 果进行平均池化， 得到第三特 征向量； 将所述第二特征向量和所述第三特征向量进行合并， 得到所述第一兴趣点的向量表 示。 9.根据权利要求8所述的方法， 其中， 所述进行 特征交叉融合时用到的参数为基于所构建的训练数据集预 先训练得到的； 所述训练数据集中包括： 参考兴趣点、 与所述参考兴趣点为同一兴趣点但对应的坐标 不同的正向兴趣点、 与所述参考兴趣点为不同兴趣点的负向兴趣点以及各兴趣点分别对应 的向量表示， 所述 坐标为采集 点坐标。 10.一种兴趣点验证装置， 包括： 第一获取模块、 第二获取模块以及验证模块； 所述第一获取模块， 用于获取第一兴趣点的向量表示， 所述第一兴趣点为采集到的任 一兴趣点； 所述第二获取模块， 用于根据 所述第一兴趣点的向量表示以及数据库中的各兴趣点的 向量表示， 从所述数据库中的各兴趣点中选出所述第一兴趣点的N个最近邻兴趣点， 作为候 选兴趣点， N 为正整数； 所述验证模块， 用于若确定任一候选兴趣点与所述第一兴趣点为同一兴趣点， 则确定 本次验证通过。 11.根据权利要求10所述的装置， 其中， 所述第二获取模块采用近似最近邻 搜索方式， 从所述数据库中的各兴趣点中选出所述 第一兴趣点的N个最近邻兴趣点。 12.根据权利要求10所述的装置， 其中， 所述验证模块基于获取到的人工比对结果确定任一候选兴趣点与所述第一兴趣点为 同一兴趣点， 则确定 本次验证通过； 针对任一候选兴趣点， 所述人工比对结果包括： 将所述候选兴趣点对应的招牌图像与 所述第一兴趣点对应的招 牌图像进行比对后得到的所述候选兴趣点与所述第一兴趣点是 否为同一兴趣点的比对结果。 13.根据权利要求10所述的装置， 其中， 所述验证模块确定任一候选兴趣点的预定特征与所述第一兴趣点的预定特征之间的 相似度大于预定阈值， 则确定所述 候选兴趣点与所述第一兴趣点 为同一兴趣点； 所述预定特 征包括： 基于兴趣点对应的招牌图像提取 出的图像特 征和/或文本特 征。 14.根据权利要求10 ‑13中任一项所述的装置， 其中， 所述第一获取模块根据 所述第一兴趣点对应的招牌图像生成图像特征矩阵， 根据 所述 第一兴趣点对应的坐标生成随机矩阵， 根据所述图像特征矩阵 以及所述随机矩阵生成所述 第一兴趣点的向量表示； 所述数据库中的各兴趣点的向量表示与所述第一兴趣点的向量表示的生成方式相同。 15.根据权利要求14所述的装置， 其中， 所述第一获取模块根据 所述第一兴趣点对应的招牌图像生成原始特征矩阵， 所述原始权　利　要　求　书 2/3 页 3 CN 114625984 A 3