[发明专利]一种求解二次图匹配模型的方法

说明书

一种求解二次图匹配模型的方法，该方法在给定图匹配模型和容忍满足所有约束条件的图像匹配矩阵时，首先在容忍满足等式约束的条件计算图匹配目标函数的上升方向，然后在至少有一个等式约束和不等式约束的违反超过容忍度时，计算回拉梯度矩阵增量并执行回拉操作，以保证整个迭代计算上升方向的过程在容忍满足所有约束的条件下进行。其中，当对某个不等式约束的违反超过容忍度时，意味着该不等式约束此时能够提供可行域的部分边界信息，故将被暂时当作等式约束处理用于上升方向的计算。本方法的创新之处在于提供一种求解图匹配问题的非线性规划方法，可广泛应用于解决计算机视觉领域的对象检测、特征跟踪、图片分类、形状匹配和图片检索等问题。

技术领域

本发明涉及一种求解二次图匹配问题的通用方法，该技术可应用于解决计算机视觉领域的对象检测、特征跟踪、图像分类、形状匹配和图像检索等问题。

背景技术

图像匹配是指在2幅图像的视觉特征集合间建立一致对应关系。具体来说，图像匹配就是将同一景物或者物体在不同视点、不同角度的2副图像中的对应点关联起来。图匹配模型把2副图像(如G和G′)的特征点匹配问题转化为图匹配优化问题，需要事先从图像G中提出n₁个特征点，从图像G′中提取n₂(本发明要求n₁＝n₂)个特征点，然后利用这些特征点构造一阶、二阶、三阶甚至更高阶的混合目标函数，并对其进行优化。

国内外学者已经提出了大量优化解图匹配问题中的目标函数的方法，包括稀疏全局最优化方法、普匹配算法以及机器学习方法等。稀疏全局最优算法的核心思想是将图匹配问题形式化为一个整数规划问题，并通过一个凹目标函数在放松搜索域的条件下寻找等价的全局最优解，不仅能处理大多数常用假设，而且能避免组合搜索，缺点是需要限制优化问题的维数，特别是在高阶多项式的情况下；谱匹配算法针对图匹配问题中一对一及多对一的放射性约束提出一种光谱松弛方法，并对目标函数进行归一化处理，较之前的谱匹配及毕业分配算法，增加了对噪声的容忍性，准确度也有了一定的提高；机器学习算法通过对图匹配模型的权重参数进行学习，以达到最优化目标函数的目的，优点是准确度较高，缺点是学习权重参数需要人工精确标注的训练数据难于获得广泛应用。

本发明通过将图匹配目标函数的优化问题视作一个一般的非线性规划问题来计算，而且在求解过程中无需引入辅助变量和辅助函数把原问题转化为无约束极值问题，就可以直接计算求解。所以，本发明不仅具有使用非常方便，计算过程简单，编程实现容易和运行效率较高的优点，而且具有很好的通用性。

发明内容