[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

说明书

本发明公开了一种基于匹配困难度的自适应的两阶段特征点匹配方法，属于图像处理技术领域。本发明的技术方案为：首先基于图片对之间的图片差异度来选择后续的具体匹配方式，若图片差异度较小，则直接基于特征点的描述子之间的欧式距离进行匹配处理；否则，对各图片的特征点的位置信息进行升维处理，使其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，再通过注意力聚合处理，得到每个特征点的匹配描述子，基于匹配描述子之间的内积进行匹配处理。本发明用于图像对的特征点匹配，实现了自适应的两阶段特征点匹配，提升了匹配的准确性和处理效率。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于匹配困难度的自适应的两阶段特征点匹配方法。

背景技术

特征点匹配是指在图片提取特征点集合后，如何正确对不同图片的特征点集合进行匹配。在基于几何学的计算机视觉任务中，有很重要的应用。比如同时定位与建图技术是无人驾驶的关键技术，通过对摄像机拍摄的图片对进行特征点提取与匹配，根据匹配关系，可以计算出在各个时刻机器人或者车辆的位置信息。良好的匹配结果不仅有助于提高后续计算出的位置的准确性，而且可以为后续的迭代算法提供一个不错的初始值，帮助迭代算法尽快达到最优结果。

特征点匹配早期主要是使用最近邻匹配算法。当特征点提取完成时，会得到一个描述其周围信息的向量，称为描述子。而最近邻匹配算法，就是计算描述子之间的欧式距离作为衡量标准，距离越小的特征点越有可能匹配。

虽然最近邻匹配在一些简单环境中有良好的表现，但是当面对困难场景(比如模糊，遮挡，大视角变换)下的匹配，就很难取得令人满意的结果。所以近些年来随着神经网络在图像处理方面的优秀表现，人们开始使用神经网络进行匹配。

虽然用神经网络算法来完成匹配任务，在准确率上取得了较大进步。但是随之而来的是计算量的增加，这让特征点匹配任务很难应用到实时应用中，比如同时定位与建图。

发明内容

本发明实施例提供了一种基于匹配困难度的自适应的两阶段特征点匹配方法，用于提高图片特征点匹配的准确率。

本发明实施例提供的一种基于匹配困难度的自适应的两阶段特征点匹配方法，包括下列步骤：

步骤1，输入待匹配的图片对，其中，输入的图片对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；

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。