[发明专利]一种基于稀疏特征匹配点对的相机相对定向深度学习方法

权利要求书

1.一种基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，包括下列步骤：

获取同一场景不同视角下拍摄的两幅影像；

通过稀疏特征匹配模块后得到匹配点集；

通过匹配点对分类网络将匹配点集对分为内点集和外点集；

相机相对位姿参数解算网络根据所有内点集通过深度学习网络解释输出相对旋转、平移位姿参数。

2.如权利要求1所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述匹配点对分类网络基于OANet网络改造形成，网络输出的各匹配点对准确性值S经过tanh和ReLU函数处理，范围变换到[0,1)之间，将变换后的准确性值与阈值进行比较，小于阈值的认为是误匹配点，大于等于阈值的认为是正确匹配点。

3.如权利要求1所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述内点集为匹配误差小的相对准确匹配点的数据集合，所述外点集为匹配误差大的错误匹配点的数据集合。

4.如权利要求1所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述相机相对位姿参数解算网络包括基于注意力机制的全局特征提取模块、残差学习模块以及相机相对姿态回归模块，通过所述基于注意力机制的全局特征提取模块提取全部特征后，经所述残差学习模块提高网络的非线性度，最后由所述相机相对姿态回归模块回归输出相机相对姿态。

5.如权利要求4所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述基于注意力机制的全局特征提取模块以匹配点对为输入，通过自注意力机制在图结构上进行全局影像关系特征学习。

6.如权利要求4所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述残差学习模块由多个残差子模块连接而成，所述残差学习模块中的所有操作输出特征维度均为128×N×1。

7.如权利要求4所述的基于稀疏特征匹配点对的相机相对定向深度学习方法，其特征在于，

所述相机相对位姿回归模块由一个最大池化层和多个全连接层组成，其中最大池化层在空间维度进行操作。