[发明专利]一种图像特征匹配方法、装置、计算机设备及存储介质

说明书

本发明公开了一种图像特征匹配方法、装置、计算机设备和存储介质，本发明通过获取第一全景图片和第二全景图片的特征点坐标、特征点标识符和特征点置信度，并对特征点坐标、特征点标识符和特征点置信度进行聚合，得到第一聚合矩阵和第二聚合矩阵，计算第一聚合矩阵和第二聚合矩阵的乘积，得到分数矩阵，求解分数矩阵，得到最优分配矩阵，基于最优分配矩阵对第一全景图片和第二全景图片中的特征点进行特征匹配映射。本发明通过将特征点的数据信息导入图神经网络中获得分数矩阵，基于分数矩阵构建特征点的特征匹配映射，通过图神经网络进行数据运算计算效率较高，使特征匹配程度更好，通过学习特征点数据后使特征点更少，更稳定。

技术领域

本发明属于人工智能技术领域，具体涉及一种图像特征匹配方法、装置、计算机设备和存储介质。

背景技术

随着相机产业及人工智能的发展，计算视觉领域无论是在视频采集还是在视频目标识别的性能上和数据规模上都取得了巨大的突破。然而，目前的图像识别算法仍受限于图像的清晰程度与视频数据的质量，对于高清视频监控、高清全景视频拍摄以及在线视频识别等需求，需要提高图像和实时视频的分辨率。

全景图像和视频涉及到宽视场范围，由于单相机的视场达不到全景效果，因此需要使用至少两个相机获取图像，进行图像拼接以得到全景图像和视频，即全景图像匹配。若要提高全景图像和视频的分辨率，则需要使用高分辨率相机获取图像，对高分辨率图像进行匹配和拼接以得到高分辨率的全景图像和视频，但是现有的高分辨率图像的匹配和拼接过程计算量较大、耗费计算资源、成本高、系统复杂、效率低、难以保证实时性、无法实现实时输出与处理等技术问题。

发明内容

本发明实施例的目的在于提出一种图像特征匹配方法、装置、计算机设备及存储介质，以解决现有高分辨率图像的匹配和拼接方案存在的计算量较大、成本高、系统复杂以及无法实现实时输出与处理的技术问题。

为了解决上述技术问题，本发明提供一种图像特征匹配方法，采用了如下所述的技术方案：

一种图像特征匹配方法，包括：

将待匹配的第一全景图片和第二全景图片导入特征点提取模型，分别得到所述第一全景图片和所述第二全景图片的特征点坐标、特征点标识符和特征点置信度；

利用图神经网络分别对所述第一全景图片和所述第二全景图片的特征点坐标、特征点标识符和特征点置信度进行聚合，得到第一聚合矩阵和第二聚合矩阵；

计算所述第一聚合矩阵和所述第二聚合矩阵的乘积，得到分数矩阵；

基于Sinkhorn迭代算法求解所述分数矩阵，得到最优分配矩阵；

比对所述最优分配矩阵中每一个数值与预设匹配阈值，获取所述最优分配矩阵中大于所述匹配阈值的数值对应的行列索引值；

基于所述行列索引值对所述第一全景图片和所述第二全景图片中的特征点进行特征匹配映射，得到特征点匹配对。

进一步地，所述将待匹配的第一全景图片和第二全景图片导入特征点提取模型，分别得到所述第一全景图片和所述第二全景图片的特征点坐标、特征点标识符和特征点置信度的步骤，具体包括：

将所述第一全景图片和所述第二全景图片分别转化为pinhole图，得到第一pinhole图和第二pinhole图；

将所述第一pinhole图和所述第二pinhole图分别导入所述特征点提取模型，得到所述第一pinhole图和所述第二pinhole图的特征点坐标、特征点标识符和特征点置信度。

进一步地，所述特征点提取模型为superpoint模型。

进一步地，所述利用图神经网络分别对所述第一全景图片和所述第二全景图片的特征点坐标、特征点标识符和特征点置信度进行聚合，得到第一聚合矩阵和第二聚合矩阵的步骤之前，还包括：