[发明专利]一种用于柱面全景拼接的鲁棒性图像对齐方法及装置

权利要求书

1.一种用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，包括：

获取图像样本集，并对所述图像样本集中的图像进行预处理；

从所述图像样本集中取两幅图像I_L和I_R，并依次对所述I_L和I_R进行缩放、正叠加和反叠加；

分别将正叠加和反叠加后的图像输入训练好的卷积神经网络模型中进行I_L和I_R的粗对齐，以获得所述I_L和I_R之间的水平位移初始值d_LR；

利用数值迭代优化方法对水平位移初始值d_LR进行调优，获得最佳水平位移从而完成鲁棒性图像对齐。

2.如权利要求1所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述预处理为对所述图像样本集中的所有图像进行灰度处理，并使所有图像的尺寸相同。

3.如权利要求1所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述卷积神经网络模型为轻量级卷积神经网络模型，依次包括：

特征提取层，用于在四个不同尺度上提取输入图像数据的高维特征；

特征处理层，用于对所述高维特征进行处理形成图像特征；

输出层，用于对所述图像特征进行转化以输出I_L和I_R之间的水平位移初始值d_LR。

4.如权利要求3所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述特征提取层包括若干卷积层、批规一化层和矫正线性单元激活层；所述特征处理层包括卷积层和自适应平均池化层；所述输出层包括全连接层和双曲正切操作层。

5.如权利要求1、3或4所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述卷积神经网络模型的训练过程为：

构建训练图像集；

搭建卷积神经网络模型并对卷积神经网络模型的参数初始化；

用训练图像集对卷积神经网络模型进行训练，以确定卷积神经网络模型的权重参数，获得训练好的卷积神经网络模型。

6.如权利要求5所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述训练图像集的构建过程为：

从历史数据集中随机抽取一幅原始图像I_o，并对所述I_o进行灰度处理和缩放，得到I_c；

从图像I_c中提取两个像素大小一样的区域，记两个区域对应的图像分块为I_l和I_r，图像分块I_l左上角在I_c中的坐标为(d₁,d₂)，图像分块I_r左上角在I_c中的坐标为d₁为在[96,416]之间的随机整数，d₂为在[0,352]之间的随机整数，为在[-96,96]之间的随机整数；

基于平均分布生成一个位于[0.0,1.0]之间的随机浮点数r₁，若r₁＞0.5，则对I_l和I_r进行亮度扰动；

对于图像分块对样本标签为对于图像分块对样本标签为从而生成两个训练样本

重复执行上述操作过程若干次，最终生成训练图像集。

7.如权利要求6所述的用于柱面全景拼接的鲁棒性图像对齐方法，其特征在于，所述亮度扰动为对图像分块的亮度进行缩放，所述缩放的缩放因子为位于[0.6,1.0]中的随机浮点数。