[发明专利]基于匹配困难度的自适应的两阶段特征点匹配方法

权利要求书

1.一种基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，包括下列步骤：

步骤1，输入待匹配的图片对，其中，输入的图片信息包括图片的亮度信息和图片的特征点信息，所述特征点信息包括位置信息和描述子，其中位置信息包括特征点的空间位置坐标和置信值；

步骤2，基于图片的亮度信息计算待匹配的图片对之间的图片差异度，若图片差异度达大于或等于差异阈值，则执行步骤3至5，否则执行步骤6；

所述图片差异度为：对图片对的两张图片进行尺寸归一化处理，再根据亮度信息的绝对误差和计算图片差异度；

步骤3，对各图片的特征点的位置信息进行升维处理，使得升维之后的特征点的位置信息的维度与描述子的维度一致，再将描述子与升维之后的位置信息相加，得到每个特征点的新的描述子；

步骤4，对每个特征点的新的描述子进行注意力聚合处理，得到每个特征点的匹配描述子；

步骤5，内积方式计算匹配结果：

将图片对的两张图片分别定义为第一图片和第二图片；

遍历第一图片的每个特征点，采用内积方式计算第一图片的各当前特征点分别与第二图片中的每个特征点的匹配描述子之间的匹配度，若最大匹配度大于或等于第一匹配阈值，则将最大匹配度所对应的第二图片的特征点作为第一图片的当前特征点的匹配结果；

步骤6，欧式距离方式计算匹配结果：

将图片对的两张图片分别定义为第一图片和第二图片；

遍历第一图片的每个特征点，采用欧式距离方式计算第一图片的各当前特征点分别与第二图片中的每个特征点的描述子之间的匹配度，若最小匹配度小于或等于第二匹配阈值，则将最小匹配度所对应的第二图片的特征点作为第一图片的当前特征点的匹配结果。

2.如权利要求1所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤3中，对各图片的特征点的位置信息进行升维处理的方式为：通过多层感知机对各图片的特征点的位置信息进行升维处理。

3.如权利要求2所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤3中，所述多层感知机为：

定义L表示多层感知机的网络层数，其中，前L-1层为L-1个第一卷积块的堆叠结构，第L层为加法层；第1个第一卷积块的输入为图片的所有特征点的位置信息，第L-1个第一卷积块输出的特征图的通道数与描述子的维度相同，且所述加法层的输入为图片的所有特征点的描述子和第L-1个第一卷积块的输出特征图，所述第一卷积块包括依次连接的卷积层、批处理层和激活函数ReLu层。

4.如权利要求1至3任一项所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤4中，对每个特征点的新的描述子进行注意力聚合处理为：

采用L^G层的图网络对特征点的新的描述子进行注意力聚合处理，其中L^G为大于1的奇数；

所述图网络的前面L^G-1层为self层和cross层的交错层结构，最后一层为全连接层；

其中，self层和cross层的网络结构相同，均为带注意力机制的神经网络层，所述self层的输入为待匹配的图片对的同一张图片的不同特征点，所述cross层的输入为待匹配的图片对的两张图片的不同特征点。

5.如权利要求4所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤4中，所述图网络的前L^G-1层的每一层的网络结构为两个堆叠的第二卷积块，按照前向传播的方向，每一层的第1个第二卷积块的输入通道数为2M，输出通道数为2M，该第1个第二卷积块的卷积核大小为1×2M×2M；每一层的第2个第二卷积块的输入通道数为2M，输出通道数为M，该第2个第二卷积块的卷积核大小为1×2M×M，其中，M表示描述子的维度，所述第二卷积块包括依次连接的卷积层和激活函数ReLu层。

6.如权利要求1所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤5中，所述第一匹配阈值的取值范围设置为9~11。

7.如权利要求1所述的基于匹配困难度的自适应的两阶段特征点匹配方法，其特征在于，步骤6中，所述第二匹配阈值的取值范围设置为0.8~1。