[发明专利]一种提高特征点匹配精度的方法

说明书

本发明公开了一种提高特征点匹配精度的方法，包括下述步骤：(1)通过SIFT检测出图像中的特征点；(2)提取特征点64*64领域的图像块；(3)分别计算该图像块的训练卷积描述符和预训练卷积描述符；(4)将预训练描述符通过一个编码器进行降维；(5)采用典型相关分析融合卷积描述符和降维后的预训练描述符；本发明将光照和视角变化采用两种描述符分别表示，可以有效降低特征点匹配的难度；采用典型相关分析方法来融合两种类型，可以有效提取两类描述符之间的互补信息，提高融合后描述符对光照和视角变化的鲁棒性；描述符融合系统是一个可升级系统，以后随着不同类型的描述符被提出，都可以应用到本系统中。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种提高特征点匹配精度的方法。

背景技术

特征点匹配是许多计算机视觉和机器人应用中非常关键的一步，比如运动获取，多视角立体，图像检索，以及视觉导航都依赖于特征点匹配。特征点匹配主要包括四个部分：(1)检测图像中的特征点；(2)计算特征点描述符；(3)计算两幅图像特征点描述符之间的距离，(4)通过最近邻搜索，找出两幅图像中的特征点匹配对。特征点匹配的好坏非常依赖于特征点描述符的设计，一个好的特征点描述符可以让特征点具有很高的区分度；尤其是两幅图像之间存在明显的光照和视角变化时，一个好的特征点描述符对光照和视角变化应该比较鲁棒。但是，现有特征点匹配中，当匹配的两幅图像存在光照和视角变化的时候，特征点匹配精度较低，不能够很好的满足在计算机视觉和机器人中的应用。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种提高特征点匹配精度的方法，该方法通过融合训练卷积神经网络模型和预训练卷积神经网络模型来提高描述符对光照和视角变化的鲁棒性。

本发明的目的通过下述技术方案实现：

一种提高特征点匹配精度的方法，包括下述步骤：

(1)通过SIFT检测出图像中的特征点；

(2)提取特征点64*64领域的图像块；

(3)分别计算该图像块的训练卷积描述符和预训练卷积描述符；

(4)将预训练描述符通过一个编码器进行降维；

(5)采用典型相关分析融合卷积描述符和降维后的预训练描述符。

优选地，所述步骤(3)中的训练卷积描述符选择HardNet模型生成的描述符；而预训练卷积描述符选择在ImageNet数据集上训练好的DenseNet169的第三层卷积作为图像的描述符。

优选地，所述步骤(4)中的编码器即自编码器训练好的模型的编码器部分；所述自编码器主要包括两个部分：编码器部分和解码器部分；而整个模型通过最小化输入与输出的误差来优化模型，模型训练好后，可以使用编码器的输出作为图像压缩后的描述符。

优选地，所述编码器部分和解码器部分都包括三个块；其中编码器部分的每个块都包括一个卷积层CL、一个批正则化层BN和一个参数化修正线性单元PReLU激活函数；其中解码器部分每个块都包括一个反卷积层DCL、一个批正则化层BN和一个参数化修正线性单元PReLU。

本发明与现有技术相比具有以下的有益效果：

(1)本发明将光照和视角变化采用两种描述符分别表示，可以有效降低特征点匹配的难度；

(2)本发明采用典型相关分析方法来融合两种类型，可以有效提取两类描述符之间的互补信息，提高融合后描述符对光照和视角变化的鲁棒性；

(3)本发明的描述符融合系统是一个可升级系统。

附图说明

图1为本发明自编码器的流程示意图；

图2为本发明卷积自编码模型示意图。