[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

说明书

本发明提供了一种基于局部感受野的深度学习特征点匹配方法，本发利用深度学习技术构建了一个“轻量级”的神经网络模型，相比于其他特征点量化网络，效率更高，速度更快。相对于传统的算法，在同一匹配策略下，有更高的匹配精度。所以本模型兼顾了精度与速度两个方面，在工业视觉中，有较好的实用性；本发明还利用工业2D匹配的特性，对匹配的仿射变换矩阵进行限制，分别是放缩大小的限制，以及形变的限制，在实际生产中有较好的易用性。

技术领域

本发明涉及神经网络的技术领域，具体涉及一种基于局部感受野的深度学习特征点匹配方法。

背景技术

在工业2D物体匹配的任务中，采用的算法一般分为两类，一类是对模板图片中的物体显著的特征点进行筛选，量化，再对量化后结果向量算距离进行匹配；另一类是用类似于图像滤波的方式，对被匹配图进行扫描，从而得到匹配的位置。

目前在成熟的匹配解决方案中，还是第二类居多，原因是相对于第一类而言，第二类的更不易出错，但由于在匹配时要枚举模板物体的角度以及大小的放缩，这就相当于在搜索空间上增加了两个维度，即使使用了图像金字塔，也使得匹配的时间大大增加。而第一类方法由于是基于特征点的匹配，就没有这类的困扰。但传统的特征点量化方式是基于这个特征点本身的特征以及非常小领域的特征，这就导致了算法提取特征点着眼的范围非常窄。一旦提取特征着眼的范围窄，就会导致匹配时出现错误。

因此，如何改善算法提取特征点的着眼范围，以提高匹配时的正确率是首先需要面临和解决的问题。

发明内容

针对现有技术中所存在的不足，本发明提供了基于局部感受野的深度学习特征点匹配方法、设备及介质，以解决现有技术中提取特征着眼的范围窄，容易导致匹配时出现错误的技术问题。

本发明提供了一种基于局部感受野的深度学习特征点匹配方法，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：