[发明专利]基于深度学习的图像匹配方法

权利要求书

1.一种基于深度学习的图像匹配方法，其特征在于，包括以下步骤：

(1)构建包括6个卷积层和5个池化层级联组成的特征提取网络，并设置该特征提取网络输入数据尺寸标准；

(2)构建由输入层、两个并列全连接层及两个并列输出层级联组成的图像匹配网络；

(3)根据特征提取网络输入数据尺寸对原图像数据进行随机剪裁，得到子图像数据集；

(4)将子图像数据集的60％作为训练集，40％作为测试集；

(5)将训练集输入到特征提取网络，提取训练集样本数据特征，得到训练集样本数据特征向量；

(6)将训练集样本数据特征向量输入到图像匹配网络中，分别经过两个全连接层，由网络输出层分别输出训练集样本数据的横坐标预测向量和纵坐标预测向量；

(7)分别取横坐标预测向量和纵坐标预测向量中的元素值作为横坐标预测值x'和纵坐标预测值y'；

(8)根据训练集样本的真实坐标(x,y)和预测坐标(x',y')，计算真实坐标和预测坐标之间的均方误差损失MSE；

(9)循环(5)-(7)，并通过最小化均方误差损失完成对特征提取网络和图像匹配网络的训练；

(10)将测试集输入到训练好的特征提取网络中，得到测试集样本数据特征向量，再将测试集样本数据特征向量输入到训练好的图像匹配网络中，得到测试集样本数据的预测坐标；

(11)根据得到的测试集样本数据预测坐标在原图像中找到与测试集样本相同的子图像以实现图像匹配。

2.根据权利要求1所述的方法，其特征在于：(1)中构建的特征提取网络，结构关系为：第1卷积层-第1池化层-第2卷积层-第2池化层-第3卷积层-第3池化层-第4卷积层-第4池化层-第5卷积层-第5池化层-第6卷积层-第6池化层；

每个卷积层所使用的激活函数均为ReLU激活函数，卷积核大小为3×3；

每个池化层均为卷积步长为2、卷积核尺寸为2的最大值池化。

3.根据权利要求1所述的方法，其特征在于：(2)中的输入层、两个并列全连接层使用激活函数为ReLU的激活函数，两个并列输出层使用激活函数为softmax的激活函数，且每个全连接层由依次连接的第1隐藏层和第2隐藏层组成。

4.根据权利要求1所述的方法，其特征在于：(8)中计算真实坐标和预测坐标之间的均方误差损失MSE，通过如下公式进行：

其中，(x_i,y_i)表示第i个训练集数据样本的真实坐标，(x′_i,y′_i)表示第i个训练集数据样本的预测坐标，i＝1,2,3...,n表示第i个输入训练集数据样本，n表示输入到特征提取网络中的训练集样本总数。