[发明专利]一种基于全卷积网络的图像匹配方法

说明书

本发明提供一种基于全卷积网络的图像匹配方法，属于计算机视觉领域。其具体步骤为：第一步，构建用于图像匹配的全卷积图像匹配网络模型，设定模型初始化参数和损失函数，整个全卷积匹配网络模型由8部分组成；第二步，根据全卷积图像匹配网络模型得到训练模型的图像数据；第三步，在GPU设备上，采用图像数据对全卷积图像匹配网络模型进行训练；第四步，用训练好的全卷积图像匹配网络模型对图像进行匹配。本发明具有较好的匹配精度和匹配效率，解决了图配准确率与匹配效率不能兼得的问题，与传统方法相比具有较多优势。

技术领域

本发明属于计算机视觉领域，涉及一种基于全卷积网络的图像匹配算法。

背景技术

特征匹配是计算机视觉中的一项基础任务，在计算机机视觉中扮演重要角色，它主要应用于SFM(Structure From Motion)、双目视觉中的基线配准、全景图构建、目标识别、等高水平视觉任务。

在数据驱动的特征学习方法流行前，该领域研究主要致力于研究局部描述子设计和描述子的匹配算法。Lowe设计了一种具有较好鲁棒性的特征点即SIFT特征点[Lowe DG.Distinctive image features from scale-invariant keypoints[J].Internationaljournal of computer vision,2004,60(2)：91-110.]。以此为开端，紧接着各种手工的特征点接踵而至，至今还在使用的有SIFT、ORB、SURF等。SIFT具有最好的鲁棒性但其算法效率不高，不能满足具有实时性要求的应用场景；SURF是SIFT的一种近似方法，其在算法效率上相比SIFT有所提升，但鲁棒性稍弱于SIFT；ORB特征点具有较高的算法效率，但其鲁棒性较差，以该特征进行特征匹配存在较多误匹配。描述子的匹配是通过距离函数对待匹配特征的相似度进行度量(汉明距离、欧拉距离等)，选取出合适匹配点的过程。特征点匹配采用强力搜索的方法对特征进行匹配，当特征点数量较大时，强力搜索方法运算量较大，采用快速近似最近邻ANN(Approximate Nearest Neighbors)算法，对特征匹配进行加速。

人工设计的特征描述子具有局限性，不能同时保证描述子的鲁棒性及算法效率。近几年卷积网络在目标检测、图像分类和图像分割等高水平任务中取得了优异的表现，并且高性能并行计算硬件GPU、FPGA等及其配套的软件技术已趋于成熟，为了解决图像匹配准确性及匹配效率不能兼得的问题，本发明提出一种基于全卷积网络匹配方法，提高特征匹配准确率及匹配速度。

发明内容

为解决传统特征匹配算法的匹配准确率与匹配效率不能共存的问题，本发明提出一种基于全卷积网络的图像匹配方法，提高图像的匹配准确率及匹配效率。

为了实现上述目标，本发明采用的技术方案是：

一种基于全卷积网络的图像匹配方法，包括以下步骤：

步骤一，构建用于图像匹配的全卷积图像匹配网络模型，设定模型初始化参数和损失函数，整个全卷积匹配网络模型由8部分组成，包括以下子步骤：

1)第一部分由卷积层和池化层组成，输入为2通道图像块堆叠而成的图像，图像大小为64x64，其卷积层参数为3x3x2，卷积个数为64，卷积后的输出数据经过RELU激活函数处理后，输出大小为64x64x64的特征图；该特征图经过步长参数为2的最大池化层处理，输出大小为32x32x64的特征图；

2)第二部分结构由卷积层和池化层组成，步骤1)得到的特征图作为第二部分卷积层的输入，其卷积层参数为3x3x64x128，卷积后的输出数据经过RELU激活函数处理，输出大小为32x32x12的特征图；该特征图经过步长为2的最大池化层，输出大小为16x16x128的特征图；

3)第三部分结构仅包括卷积层，该部分不存在池化层；步骤2)得到的特征图作为第三部分卷积层的输入，其卷积层参数为3x3x128x128，卷积后的输出数据经过RELU激活函数处理，输出大小为16x16x128的特征图；