[发明专利]一种基于Triplet深度神经网络结构的特征匹配方法

权利要求书

1.一种基于Triplet深度神经网络结构的特征匹配方法，其特征在于，所述方法包括如下步骤：

步骤一：训练基于Triplet结构的深度神经网络

Triplet结构的深度神经网络输入为三元组，该三元组由三个样本构成：一个是从训练数据集中随机选一个样本，该样本称为参考样本，然后再随机选取一个和参考样本属于同一类的样本和不同类的样本，这两个样本分别称为同类样本和异类样本；三个样本构成一个三元组，通过损失函数来训练整个网络；

基于Triplet结构的深度神经网络训练过程如下：

从训练数据库中生成三元组，其中表示参考样本，表示同类样本，表示异类样本，λ表示训练间隔；

训练一个深度神经网络，由网络输出得到每组样本相应的特征表达，分别记为：和让和特征表达之间的距离尽可能小，而和的特征表达之间的距离尽可能大，并且要让与之间的距离和与之间的距离之间有一个最小间隔λ；将上述内容表示成下列不等式形式：

该不等式定义了同类样本和异类样本之间的距离关系，即：所有同类样本之间的距离加上最小间隔λ，要小于异类样本之间的距离；当距离关系不满足上述不等式时，可通过求解下列损失函数：

+表示[]内的值大于零的时候，取该值为误差，小于零的时候，误差为零；

根据对正负匹配对距离分布的分析，对正负匹配对的均值和方差做约束以减小重叠区域面积，其中均值采用如下约束：

其中m是两分布均值之间的最小距离的间隔因子，μ_neg表示负匹配对的距离均值，μ_pos表示正匹配对的距离均值；

对分布的方差做如下约束：

L_var＝σ_pos+σ_neg (4)

其中σ_pos表示正匹配对的方差，σ_neg表示负匹配对的方差；

将三元组误差函数、均值约束、方差约束结合起来得到最终损失函数：

L_loss＝L_tri+L_mean+L_var (5)

利用损失函数L_loss分别对和求偏导，可分别计算出L_loss在和方向的梯度，并根据反向传播算法调节深度神经网络的参数直至网络收敛到稳定状态为止；

步骤二：图像的特征点检测

对目标图像和待匹配图像分别进行特征点检测，

利用FAST算法做图像特征点检测：先通过图像上各像素点与其对应圆周上像素的差值是否满足设定阈值来快速筛选出可能的兴趣点，然后，使用ID3算法训练一个决策树，将特征点圆周上的16个像素输入决策树中，进一步筛选出最优的特征点；

使用非极大值抑制算法去除局部密集特征点以减小局部特征点聚集；计算每一个特征点的响应大小，对临近特征点比较，保留响应值大的特征点，删除其余特征点；分别得到目标图像、待匹配图像的特征点；

步骤三：用训练好的神经网络计算目标图像、待匹配图像上各特征点的特征描述子，

以每个特征点为中心提取一个分辨率为32*32大小的正方形图像块，将其输入到训练好的深度神经网络中，得到输出为128维的特征描述子；

步骤四：使用高维数据的近似最近邻算法进行快速匹配

利用FLANN算法计算目标图像上每个特征点与待匹配图像上所有特征点的128维特征描述子的欧式距离以实现快速匹配，欧式距离越小，则相似度越高，当欧式距离小于等于设定的阈值时，判定为匹配成功；

步骤五：计算仿射变换矩阵，完成特征匹配

在特征匹配的基础上，利用随机抽样一致性算法计算两幅图像的仿射变换矩阵。

2.根据权利要求1所述的一种基于Triplet深度神经网络结构的特征匹配方法，其特征在于，在步骤四中，特征点匹配是利用FLANN算法，通过计算两组特征点的128维特征描述子的欧式距离实现，具体过程为：

(1)计算待匹配的特征点各维度的方差，选取方差最大一维将特征集合划分成两部分，再在各子集重复相同的过程，以此方式建立k-d树保存特征；

(2)做特征匹配时，进行基于k-d树的特征搜索，通过二叉查找和回溯操作找到最近邻匹配。

3.根据权利要求1或2所述的一种基于Triplet深度神经网络结构的特征匹配方法，其特征在于，步骤五的具体实现过程为：

(1)从目标图像、待匹配图像的所有特征匹配结果中每次随机选出3组不共线点对，计算仿射变换矩阵，并测试其他所有匹配结果在此仿射变换矩阵下的误差，并统计小于设定误差阈值的匹配数目；

(2)重复第(1)步n次，并从最终结果中选择匹配数目最多的一组参数作为最终的仿射变换矩阵。