[发明专利]基于LFGC网络和压缩激励模块的图像匹配方法

说明书

本发明提供了一种基于LFGC网络和压缩激励模块的图像匹配方法，获取图像，所述图像中，一部分作为训练集，一部分作为验证集，剩下的一部分作为测试集；将压缩激励模块融入LFGC网络中，构建用于图像匹配的网络模型；利用作为训练集的图像对所述用于图像匹配的网络模型进行训练，获得训练好的用于图像匹配的网络模型；利用所述训练好的用于图像匹配的网络模型对待匹配图像进行匹配，获得待匹配图像的匹配结果。本发明可以使用全局信息来有选择地强调信息丰富的特征，并抑制无用特征，并提高了网络的表征能力。

技术领域

本发明涉及图像匹配领域，尤其涉及一种基于LFGC网络和压缩激励模块的图像匹配方法。

背景技术

在两组图像点集间建立一组可靠的匹配关系是计算机视觉中的一项基本任务，在目标识别与跟踪(Target recognition andtracking)、医学图像分析(Medical imageanalysis)及遥感图像处理(Remote sensing image processing)等方面的广泛应用使得这一任务受到了研究者们的关注。从现有的研究成果来看，图像匹配通常采用两步法，即先建立初始匹配然后再剔除掉错误匹配(离群点)。建立初始匹配的过程通常是对一些局部特征描述子进行匹配，例如SIFT和LIFT。但是，由于关键点定位错误、局部描述子的局限性和视角变化等问题，初始匹配中通常都会不可避免地出现一些错误匹配。为了解决这个问题，研究者们通常采用离群点剔除方法作为后处理，以确保剔除掉更多错误匹配从而提高最终匹配结果的准确性。另外，离群点剔除算法对于精确的相机相对姿态估计也是必需的，在剔除掉离群点之后可以从内点中恢复出由本质矩阵编码的相机相对姿态。

图像匹配技术有着广泛的应用背景，其涉及的领域包括计算机视觉、医学图像分析以及遥感图像处理等。在计算机视觉领域中，图像匹配技术用于对目标进行三维形状重建、对监控视频进行实时监测以及对实时图像的模板进行匹配；医学图像分析中图像匹配技术的应用包括了对康复治疗及肿瘤变化的监控，以及对病人图像与数字化人体图像进行对比，从而能够为病人提供有效的治疗方案；在遥感图像处理中，土地使用监测、景观规划和航空卫星影像匹配等都使用到了图像匹配技术。另外，该技术还用于融合不同传感器获取的具有不同特征的信息，例如提供最佳空间分辨率的全色图像以及独立于云量和太阳光照的雷达图像等。在诸多领域中的应用无疑说明了图像匹配技术的重要性。从图像匹配技术在以上领域中的应用可以发现，不同领域的人们对匹配技术的要求越来越高。在这种需求下，如何才能使图像匹配算法达到匹配结果准确率高的同时又拥有较好的实时性、鲁棒性和抗干扰性成为了研究人员们首要的追求目标。另外，在实际应用过程中，待匹配的图像点集往往数量庞大且种类复杂多样，想要设计一个统一的通用算法来解决所有的图像匹配问题是非常困难的。因此，对图像匹配技术进行进一步的研究具有重要的意义。

发明内容

为了解决上述问题，本发明提供了一种基于LFGC网络和压缩激励模块的图像匹配方法，包括以下步骤：

S1、获取图像，所述图像中，一部分作为训练集，一部分作为验证集，剩下的一部分作为测试集；

S2、将压缩激励模块融入LFGC网络中，构建用于图像匹配的网络模型；

S3、利用步骤S1中作为训练集的图像对所述用于图像匹配的网络模型进行训练，获得训练好的用于图像匹配的网络模型；

S4、利用所述训练好的用于图像匹配的网络模型对待匹配图像进行匹配，获得待匹配图像的匹配结果。

进一步地，在步骤S2中，所述用于图像匹配的网络模型的输入为一个H×D的张量P，输出为一个H×C的张量O；

所述用于图像匹配的网络模型包含M个SE-CNe模块，且M个残差网络模块从上到下依次连接；

每个SE-CNe模块中均包括：第一感知器、上下文标准化层、批量标准化层与ReLU激活函数、第二感知器和压缩激励模块；