[发明专利]基于深度学习的图像匹配方法

说明书

本发明公开了一种基于深度学习的图像匹配方法，主要解决现有技术匹配效果弱的问题。其方案是：构建特征提取网络和图像匹配网络；对原图像进行剪裁，得到子图像数据集，并构建训练集样本和测试集样本；将训练样本依次输入到特征提取网络和图像匹配网络，得到训练样本预测坐标；利用训练样本真实坐标和预测坐标，得到均方误差损失；通过最小化均方误差损失对特征提取网络和图像匹配网络进行训练；将测试样本输入到训练好的特征提取网络和图像匹配网络中，得到测试样本预测坐标；利用测试样本预测坐标在原图像中找到与测试样本相同的子图像，实现图像匹配。本发明减少了原图像的特征信息丢失，降低了噪声数据干扰，增强了匹配效果，可用于目标识别。

技术领域

本发明属于图像处理技术领域，特别涉及一种图像匹配方法，可用于目标识别。

背景技术

在图像识别领域中，经常需要对两幅图像进行匹配。图像匹配是一种在不同图像中查找相似图像部分的方法，旨在将两幅图像中具有相同或相似属性的内容或结构进行像素上的识别与对齐。一般而言，待匹配的图像通常取自相同或相似的场景或目标，或者具有相同形状或语义信息的其他类型图像对，从而具有一定的可匹配性，图像匹配被广泛应用于目标识别和计算机视觉中。目前，图像匹配方法可以分为基于区域的方法、基于灰度的方法和基于特征的方法。基于区域的方法是整张图像或以截取的图像块，是最直接的图像匹配方法，基于区域的图像匹配方法对成像条件、图像形变以及噪声极其敏感，特别是要求图像对之间具有极高的重叠度，同时具有较高的计算复杂度，从而限制了其应用能力。基于灰度的图像匹配方法是利用图像的灰度信息来完成图像的匹配，该类方法虽无需分割图像及提取图像特征的特性，将预处理所造成的精度损失降到最低，但该类匹配方法匹配速度较慢，过于依赖点像素的信息，对噪声较敏感，易受灰度、角度和尺寸变化等的影响。对于图像来说，特征是图像中非常重要的信息，是图像局部信息的抽象描述，特征可在保留图像关键信息的同时又可大大减少数据量，因此，基于特征的图像匹配方法被广泛使用。

苏州科雷芯电子科技有限公司在其申请的专利文献“图像匹配方法”(申请号：201110411204.0，申请公布号：CN 102682275 A)中提出图像匹配方法。该方法首先获取两幅待进行匹配的HSV格式的V值图像，然后对两幅图像分别建立两个二维坐标系，使图像中的每个像素都能得到相应的坐标值，之后再对两幅图像分别建立一个三维坐标系，将两幅图像中每个像素的横坐标和纵坐标和对应该点灰度值绘制在各自的三维坐标系中，对应点的横坐标值和纵坐标值则为像素的灰度值，利用曲面拟合技术分别求两幅图像的拟合函数，通过判别两幅图像拟合函数的相似度来判断两幅图像的相似性。该方法存在的不足之处是：对数据进行处理时使用大量坐标系进行映射，处理过程过于繁杂，由于大量仿射计算，可能增加噪声、畸变及其他因素对匹配性能的影响，增加了许多对匹配不必要的计算。

哈尔滨工程大学在其申请的专利文献“一种图像特征提取与匹配方法”(申请号：202010204462.0，申请公布号：CN 111444948 A)中提出一种图像特征提取与匹配方法。该方法首先对原彩色图像进行灰度化处理，然后对特征点进行初步筛选，利用候选角点中横轴和纵轴方向的梯度对初步筛选特征点得到的候选角点进行二次筛选，计算二次筛选中得到的每个候选角点的自相关矩阵，通过迭代优化Harris位置获得像素级角点的亚像素级角点坐标，然后以一个特征点、半径为12个像素的圆形区域为中心表示描述子所选择的局部区域，所选局部区域被三个圆圈划分为三层，以特征点为中心的半径为4个像素，8个像素和12个像素点，中间的圆是一个子区域，中间层的环被均匀地分成4个子区域，最外层的环被均匀地分成8个子区域，共有13个子区域，在每个子区域中提取8方向梯度向量，将获得104维特征向量作为描述子，之后计算旋转不变快速变化描述子，最后进行特征提取与特征匹配。该方法存在的不足之处是：在特征提取与匹配前进行大量对原图像的预处理操作，其实现过于繁杂，此外，该方法特征提取不能充分挖掘图像中丰富的特征信息，缺失较为关键的数据信息点，降低了匹配效率。

发明内容