[发明专利]基于局部感受野的深度学习特征点匹配方法、设备及介质

权利要求书

1.一种基于局部感受野的深度学习特征点匹配方法，其特征在于，包括：

S1、构建神经网络模型，将所述网络模型的输入统一为长和宽均为32个像素值，通道为1的图片，并将所述图片分类为训练集和测试集；

S2、采用Triplet方式将训练集的分类为Data_i、Negative_i及Positive_i，其中所述Label_i和Negative_i为标签相同的数据，所述Data_i和Positive_i为标签相反的数据，并将训练集喂入所述网络模型；

S3、采用Margin ranking loss损失函数训练所述网络模型，并利用特征点筛选算法筛选出训练集中的特征点，再以所述特征点为中心，截取长和宽均为32个像素值的子图像进行训练；

S4、设在模板图片和搜索图片中分别筛选出N和M个特征点，分别得到向量表征结果为并分别计算和两两间的向量距离，组成N×M的矩阵A_N×M；

S5、设所述向量距离的第一阈值Th，判断所述矩阵A_N×M中的每个元素A_ij是否小于所述第一阈值Th，若小于则将模板图片的坐标和搜索图片的坐标记录下来，组成一对，共生成多对坐标对，并设坐标对集合为P；

S6、将模板图片到搜索图片的位置映射看成一个仿射变换，表示为仿射变换矩阵M：

S7、在集合P中随机抽取3对坐标对，计算出坐标对的仿射变换矩阵M，对仿射变换矩阵M进行判断：

若仿射变换矩阵在M中存在x₁≠x₅≠1或x₂≠-x₄，则证明匹配错误，反之则再计算集合P中所有的模板图片中的坐标通过仿射变换矩阵M变换的结果坐标，并设定第二阈值Th_dist，并判断所述结果坐标和集合P中对应的搜索图坐标的距离与第二阈值Th_dist的大小，若小于所述第二阈值Th_dist，则认为所述位置的仿射变换是正确的，并统计共得到正确的点n个，反之则认为是错误的；

S8、重复步骤S6-S7m次，选择正确的点个数n最多的仿射变换矩阵M作为最终的仿射变换矩阵。

2.如权利要求1所述的基于局部感受野的深度学习特征点匹配方法，其特征在于，所述构建神经网络模型，包括：

所述神经网络模型包括第一层为7×7，步长为1，通道为32的卷积层，第二层为2×2步长为2的max-pooling层，第三层为6×6，步长为1，通道为64的卷积层，第四层为一个128维的全连接层。

3.如权利要求2所述的基于局部感受野的深度学习特征点匹配方法，其特征在于，所述采用Margin ranking loss损失函数训练所述网络模型，还包括：

所述Margin ranking lossλ表示为：

λ(δ₊，δ_-)＝max(0，μ+δ₊-δ_-)

其中，μ为一个预设参数，δ₊表示样本i和正样本之间的L2距离：

δ_-表示样本i和负样本之间的L2距离：

分别表示为Data_i,Negative_i,Positive_i,经过神经网络得到的向量表证。

4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-3任一项所述方法的步骤。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-3任一项所述方法的步骤。