[发明专利]一种基于哈希算法的大规模影像匹配方法

权利要求书

1.一种基于哈希算法的大规模影像匹配方法，所述方法包括：

步骤1)提取原图像和目标图像的所有特征点；

步骤2)在每个特征点处提取特征描述子，并为特征点分配方向值，生成特征向量；

步骤3)利用哈希算法将所有的特征向量映射到哈希表，每个特征向量对应一个哈希特征码，利用映射函数将哈希特征码分别分配至若干个桶组中；

步骤4)从原图像中选取一个特征点的特征向量为原特征向量，利用哈希表中的特征向量对原图像和目标图像进行匹配，获取匹配的同名点。

2.根据权利要求1所述的基于哈希算法的大规模影像匹配方法，其特征在于，所述步骤1)具体为：

采用sift算法为原图像和目标图像建立尺度空间及为特征点建立方向向量，从而检测出一种对尺度、旋转变化都具备不变性的特征点。

3.根据权利要求2所述的基于哈希算法的大规模影像匹配方法，其特征在于，所述步骤2)具体为：

以特征点为中心取16*16的邻域作为采样窗口，将采样窗口的采样点与特征点的相对方向通过高斯加权后归入包含8个方向的梯度直方图，最后获得128维特征向量；将每个特征描述子归一化至0-120区间。

4.根据权利要求1所述的基于哈希算法的大规模影像匹配方法，其特征在于，所述步骤3)的哈希算法为：MD2、MD4、MD5或SHA-1。

5.根据权利要求3所述的基于哈希算法的大规模影像匹配方法，其特征在于，所述步骤3)包括：

步骤3-1)采用正态分布随机数生成器生成所有特征向量的哈希特征码；

步骤3-2)利用映射函数将哈希特征码分别映射至6个桶组，每个桶组含2¹⁰只桶；

步骤3-3)分别计算每个特征向量在6只桶组里的桶ID号。

6.根据权利要求4所述的基于哈希算法的大规模影像匹配方法，其特征在于，所述步骤4)具体包括：

步骤4-1)采用桶ID号作为初次匹配相似性度量，将原图像的原特征向量Hash₀所在的桶组里检索具有相同桶ID号的目标图像的特征向量，检索到的特征向量为初始匹配特征向量Hash_i，1≤i≤M,M为初始匹配特征向量的个数；

步骤4-2)对初始匹配特征向量采用海明距离做第二次相似性度量，获得10个备选匹配特征向量；

对初始匹配特征向量Hash_i和原特征向量Hash₀进行异或运算，计算出两个特征哈希码的海明距离dH_i，从中选出10个海明距离最小的特征向量作为备选匹配特征向量：

步骤4-3)采用欧式距离对10个备选匹配特征向量做第三次相似性度量，获得2个最近备选匹配特征向量；

计算10个备选匹配特征向量与原特征向量的欧式距离，选择距离最近的两个备选匹配特征向量为最近匹配特征向量；

原图像中特征向量表示为R＝(r₁,r₂,…,r₁₂₈)

目标图像中特征向量表示为S＝(s₁,s₂,…,s₁₂₈)

以上两个特征之间的欧式距离表示为：

步骤4-4)计算两个最近匹配特征向量与原特征向量的欧式距离的比值，如果比值小于阈值T，则取欧式距离最小的点为该特征点的匹配点，否则，判断该特征点没有匹配点。