[发明专利]一种图像特征点匹配方法

权利要求书

1.一种图像特征点匹配方法，其特征在于，包括以下步骤，

入库图片特征点提取：提取入库图像的特征并构成入库特征向量，对其维度进行降维；

向量入库：分割降维后的入库特征向量，并对分割后的每部分先做乘积量化再做向量量化，构成乘积量化器、向量量化器，并建立检索树和哈希表；

待匹配图片特征点提取：提取待匹配图像的特征并构成待匹配特征向量，对其维度进行降维；

向量匹配：分割降维后的待匹配特征向量，找出待匹配特征向量与乘积量化器、向量量化器的聚类中心距离靠前的多个聚类中心，根据检索树和哈希表找到多个聚类中心所对应的图片并构成候选集，采用浮点向量计算候选集中与待匹配特征向量的距离最近的图片；

所述向量入库的具体方法包括以下步骤：

入库特征向量分割步骤：将降维后的入库特征向量分割成不相交的P个部分；

乘积量化步骤：在每个部分内部进行聚类中心个数为k₁的k-means聚类，共得到P*k₁个聚类中心，将所有P*k₁个聚类中心进行存储，构成乘积量化器；

向量量化步骤：针对乘积量化步骤得到的每个聚类中心，将所有分配到该聚类中心的数据再次进行聚类步骤，聚类中心个数为k₂；共得到P*k₁*k₂个第二层聚类中心，将该P*k₁*k₂个第二层聚类中心进行存储，构成向量量化器；

建立检索树和哈希表：用P个哈希表分别记录映射到对应聚类中心的所有特征的ID或对应图片的名称；所述向量匹配的具体方法为：

将待匹配特征向量分割成不相交的P个部分；

在每个部分内部，计算待匹配特征向量与乘积量化步骤中获得的k₁个聚类中心的距离，并选择距离最小的W个聚类中心；

针对选取的W个聚类中心，将待匹配特征向量与该聚类中心对应的k₂个第二层聚类中心一一进行距离计算，得到k₂个距离；

对W*k₂个距离进行排序，取距离最近的m个距离，其中，m为大于1的自然数；

取出m个距离对应的聚类中心，找到对应的哈希表入口，将这些入口中的图片名称或者ID构成候选集；

将候选集中的图片ID对应的图片特征向量与待匹配特征向量采用浮点向量一一计算进距离，最后得到距离最小的即为目标。

2.根据权利要求1所述的一种图像特征点匹配方法，其特征在于：所述k-means聚类采用并行处理方式。

3.根据权利要求1所述的一种图像特征点匹配方法，其特征在于：采用主成分分析方法对特征的维度降维。

4.根据权利要求1所述的一种图像特征点匹配方法，其特征在于：所述降维的具体步骤为：

利用L条n维特征向量数据构成矩阵M，对矩阵M求协方差得到矩阵Var(M)，其中，矩阵M＝{D₁,D₂,…D_n}，n为特征向量的维度，L为大于1的自然数；

求协方差矩阵Var(M)的n个特征值和对应的特征向量，并选取最大的d个特征值以及其对应的向量，作为降维的矩阵R；

计算MR就能得到一个L*d的矩阵，实现降维。