[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

说明书

本发明涉及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，包括针对图像的特征匹配，构建稀疏语义动态图模型，建立信息聚集模型，提出稀疏语义图重构的思想，以及在不同维度的多尺度稀疏语义动态图的信息融合模型，构建多尺度稀疏语义动态图网络，进一步实现高质量特征匹配。本发明能够实现高质量的图像匹配。

技术领域

本发明涉及图像匹配领域，具体涉及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。

背景技术

在过去的很长一段时间中，特征匹配已经发展为实现图像匹配最主要的形式，高质量的特征匹配选择是计算机视觉中一个基础且重要的任务，而且是许多高级计算机视觉任务的基础，比如说图像配准、三维重建、闭环检测、图像拼接、三维目标识别等。由于，其旨在对来自两幅图像中具有相同或相似属性的显著且稳定的特征结构进行识别并配对，是计算机视觉、模式识别以及图像处理领域一个基础而关键的问题。但是，特征匹配本质上是一个复杂组合优化问题，具有极高的计算复杂度，同时噪声、离群点以及复杂场景变换的影响造成现有的特征匹配方法存在多方面的不足，从而严重制约了其实际应用能力。因此，研究一种准确、鲁棒且高质量的特征匹配方法对实现智能视觉有着极为重要的理论研究意义和实际应用价值。

发明内容

有鉴于此，本发明的目的在于提供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，能够解决使用欧式距离计算相似度的缺陷，利用稀疏语义相似度来捕获特征匹配之间的局部拓扑结构，得到更加精准的邻域选择，做出更加精准的信息融合，从而找到正确的特征匹配，更好的识别内点。

为实现上述目的，本发明采用如下技术方案：

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，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'＝{p′₁；p′₂；...；p′_N}。

进一步的，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；