[发明专利]基于多尺度稀疏语义动态图的高质量特征匹配选择方法

权利要求书

1.一种基于多尺度稀疏语义动态图的高质量特征匹配选择方法，其特征在于，包括以下步骤：

步骤S1:根据SIFT算法在给定的图像对上检测关键点和相应的特征描述符,根据最近邻匹配策略得到初始特征匹配集合S＝{c₁,c₂,...,c_N}∈R^N×4，其包含N对初始的特征匹配.其中,c_i＝(x_i,y_i,x_i′,y_i′)表示第i个初始特征匹配，(x_i,y_i)和(x_i′,y_i′)是相机对应参数下的所选择点的归一化坐标；

步骤S2:构建稀疏语义动态图模型，并根据初始特征匹配集合，生成匹配概率集合p'＝{p₁′；p₂′；...；p′_N}。

2.根据权利要求1所述的基于多尺度稀疏语义动态图的高质量特征匹配选择方法，其特征在于，所述步骤S2具体为：

步骤S21:构建稀疏语义动态图，为每个特征匹配映射f_i及其k近邻构建一个有向图G；

步骤S22:采用Transformer操作边集合E_ij聚合动态图信息；

步骤S23:稀疏语义图重构；

步骤S24:将不同维度的特征映射沿其维度连接起来,完成信息融合；

步骤S25:构建MS²DG-Net网络；

步骤S26:在初始的MS²DG-Net中，第一个感知器层将初始特征匹配集合S∈R^N×4转换为特征映射集合F∈R^N×64；

步骤S27:将特征映射的维度从64变为192，特征映射F有序地通过剩余的网络，得到初始的逻辑集合o和初始的概率集p，将它们作为先验信息连接起来用来指导网络进行学习；

步骤S28:把先验信息和初始特征匹配集合连接起来放在迭代的MS²DG-Net中，得到最终的概率集合p′。

3.根据权利要求2所述的基于多尺度稀疏语义动态图的高质量特征匹配选择方法，其特征在于，所述步骤S21具体为：

步骤S211：利用多层感知器将特征匹配c_i映射为特征映射f_i＝{a_s},s＝1,2,K,S，其中S表示特征空间的维度；

步骤S212：根据特征匹配的稀疏语义相似性，选择特征映射f_i的k个最近邻居，其中，稀疏语义相似性与空间稀疏语义距离成反比，空间稀疏语义距离为：

步骤S213:通过连接所选的特征匹配的特征映射和残差特征映射来构造边的集合E_ij；构建边的集合，定义为：

E_ij＝[f_i||f_i-f_ij],j＝1,2,K,k

其中，[·||·]表示连接操作；f_i和f_i-f_ij分别表示特征匹配映射和残余特征映射；

步骤S214:根据稀疏语义相似性，为每个特征匹配映射f_i及其k近邻构建一个有向图G，以捕获局部拓扑结构，其表示为：

G_i＝(V_ij,E_ij),i＝1,2,K,N,j＝1,2,K,k

其中，G_i表示特征匹配映射f_i的有向图；V_ij＝{f_i1；f_i2；...；f_ik}表示特征匹配映射f_i的邻居；E_ij表示一个有向边的集合。