[发明专利]特征匹配方法和装置

说明书

本申请公开了一种特征匹配方法及装置。其中，该方法包括：将待进行特征匹配的第一图片和第二图片先后输入到预先训练好的第一CNN；第一CNN分别识别输入的第一图片和第二图片的特征点，并在第一图片和第二图片上对识别出的特征点进行标识，分别输出带有特征点标识的第一图片和第二图片；将带有特征点标识的第一图片和所述带有特征点标识的第二图片输入到预先训练好的第二CNN；第二CNN对带有特征点标识的第一图片和带有特征点标识的第二图片进行特征匹配，获取第一图片的特征点和第二图片的特征点之间的单应性矩阵，以得到第一图片的特征点和第二图片的特征点之间的对应关系。

技术领域

本申请涉及计算机视觉领域，特别是涉及一种特征匹配方法和装置。

背景技术

每张图像中拥有独特的像素点，这些点可以认为是图像的特征，可以称为特征点。目前，兴趣点(也称关键点或特征点)的概念已经得到了广泛的应用，计算机视觉领域中图像特征匹配是以特征点为基础而进行的，因此，如何定义和找出一幅图像中的特征点对之后的特征匹配很重要。从图像中选取某些特征点并对图像进行局部分析，而非观察整幅图像，只要图像中有足够多可检测的兴趣点，并且这些兴趣点各不相同且特征稳定，能被精确地定位，那么这些特征点在目标识别、图像配准、视觉跟踪、三维重建等领域就十分有效。

传统的特征匹配算法比如：加速稳健特征(Speeded Up Robust Feature，SURF)，其出发点是，不仅在任何尺度下拍摄的物体都能检测到一致的关键点，而且每个被检测的特征点都对应一个尺度因子，以此来解决尺度问题。对应的匹配算法是，在这两个关键点中，设置阈值T，若最短距离除以次短距离得到的比率ratio少于T，则认为这是一对匹配点。另外还有尺度不变特征转换(ScaleInvariant Feature Transform，SIFT)算法，SURF算是SIFT算法的增强，而SIFT是另一种应用广泛的尺度不变特征检测法，SIFT基于浮点内核计算特征点，检测的特征在空间和尺度上定位更加精确。

随着深度学习的不断发展，利用深度网络的实现特征匹配的方法层出不穷。如：LIFT网络，通过学习生成的不变特征变换，分别计算检测器(Detector)、方位估计量(Orientation Estimator)以及描述符(Descriptor)，保持端到端的可微性，性能优于许多基准数据集的最先进(state-of-the-art)的方法，且不需要再训练。另如，Yann LeCun提出的一种对比图像块的算法，通过使用卷积神经网络从小图像块中学习相似性度量来解决匹配开销计算，使用相似和不相似的成对图像块构建了一个二分类数据集，并进行一系列后处理操作：基于交叉的开销聚合，半全局匹配等以提高精度。

在上述相关的特征匹配技术中，由于特征计算量巨大而使得特征点提取的过程异常花费时间，因此很难应用到注重速度的场场景，并且，使用匹配结果去实现图像拼接或者物体追踪时，需要进一步筛选匹配点，来获取优秀的匹配点。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种特征匹配方法，包括：将待进行特征匹配的第一图片输入到预先训练好的第一卷积神经网络CNN，其中，所述第一CNN网络具有与计算机视觉组VGG相似的网络架构；所述第一CNN识别输入的第一图片的特征点，并在第一图片上对识别出的特征点进行标识，输出带有特征点标识的第一图片；将待进行特征匹配的第二图片输入到所述第一CNN；所述第一CNN识别输入的第二图片的特征点，并在第二图片上对识别出的特征点进行标识，输出带有特征点标识的第二图片；将所述带有特征点标识的第一图片和所述带有特征点标识的第二图片输入到预先训练好的第二CNN，其中，所述第二CNN具有与VGG相似的网络架构，且第二CNN具有与第一CNN相同的卷积核；所述第二CNN对所述带有特征点标识的第一图片和所述带有特征点标识的第二图片进行特征匹配，获取所述第一图片的特征点和所述第二图片的特征点之间的单应性矩阵，以得到所述第一图片的特征点和所述第二图片的特征点之间的对应关系。