[發(fā)明專利]一種圖像特征點(diǎn)匹配方法

有效

• 申請?zhí)枺?/td>: 201710258205.3
• 申請日: 2017-04-19
• 公開（公告）號: CN107085607B
• 公開（公告）日: 2020-06-30
• 發(fā)明（設(shè)計）人: 段翰聰;趙子天;譚春強(qiáng);文慧;閔革勇;陳超;李博洋
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F16/583
• 分類號: G06F16/583;G06F16/55;G06F16/51;G06K9/62
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 田甜

1.一種圖像特征點(diǎn)匹配方法，其特征在于，包括以下步驟，

入庫圖片特征點(diǎn)提?。禾崛∪霂靾D像的特征并構(gòu)成入庫特征向量，對其維度進(jìn)行降維；

向量入庫：分割降維后的入庫特征向量，并對分割后的每部分先做乘積量化再做向量量化，構(gòu)成乘積量化器、向量量化器，并建立檢索樹和哈希表；

待匹配圖片特征點(diǎn)提?。禾崛〈ヅ鋱D像的特征并構(gòu)成待匹配特征向量，對其維度進(jìn)行降維；

向量匹配：分割降維后的待匹配特征向量，找出待匹配特征向量與乘積量化器、向量量化器的聚類中心距離靠前的多個聚類中心，根據(jù)檢索樹和哈希表找到多個聚類中心所對應(yīng)的圖片并構(gòu)成候選集，采用浮點(diǎn)向量計算候選集中與待匹配特征向量的距離最近的圖片；

所述向量入庫的具體方法包括以下步驟：

入庫特征向量分割步驟：將降維后的入庫特征向量分割成不相交的P個部分；

乘積量化步驟：在每個部分內(nèi)部進(jìn)行聚類中心個數(shù)為k₁的k-means聚類，共得到P*k₁個聚類中心，將所有P*k₁個聚類中心進(jìn)行存儲，構(gòu)成乘積量化器；

向量量化步驟：針對乘積量化步驟得到的每個聚類中心，將所有分配到該聚類中心的數(shù)據(jù)再次進(jìn)行聚類步驟，聚類中心個數(shù)為k₂；共得到P*k₁*k₂個第二層聚類中心，將該P(yáng)*k₁*k₂個第二層聚類中心進(jìn)行存儲，構(gòu)成向量量化器；

建立檢索樹和哈希表：用P個哈希表分別記錄映射到對應(yīng)聚類中心的所有特征的ID或?qū)?yīng)圖片的名稱；所述向量匹配的具體方法為：

將待匹配特征向量分割成不相交的P個部分；

在每個部分內(nèi)部，計算待匹配特征向量與乘積量化步驟中獲得的k₁個聚類中心的距離，并選擇距離最小的W個聚類中心；

針對選取的W個聚類中心，將待匹配特征向量與該聚類中心對應(yīng)的k₂個第二層聚類中心一一進(jìn)行距離計算，得到k₂個距離；

對W*k₂個距離進(jìn)行排序，取距離最近的m個距離，其中，m為大于1的自然數(shù)；

取出m個距離對應(yīng)的聚類中心，找到對應(yīng)的哈希表入口，將這些入口中的圖片名稱或者ID構(gòu)成候選集；

將候選集中的圖片ID對應(yīng)的圖片特征向量與待匹配特征向量采用浮點(diǎn)向量一一計算進(jìn)距離，最后得到距離最小的即為目標(biāo)。

2.根據(jù)權(quán)利要求1所述的一種圖像特征點(diǎn)匹配方法，其特征在于：所述k-means聚類采用并行處理方式。

3.根據(jù)權(quán)利要求1所述的一種圖像特征點(diǎn)匹配方法，其特征在于：采用主成分分析方法對特征的維度降維。

4.根據(jù)權(quán)利要求1所述的一種圖像特征點(diǎn)匹配方法，其特征在于：所述降維的具體步驟為：

利用L條n維特征向量數(shù)據(jù)構(gòu)成矩陣M，對矩陣M求協(xié)方差得到矩陣Var(M)，其中，矩陣M＝{D₁,D₂,…D_n}，n為特征向量的維度，L為大于1的自然數(shù)；

求協(xié)方差矩陣Var(M)的n個特征值和對應(yīng)的特征向量，并選取最大的d個特征值以及其對應(yīng)的向量，作為降維的矩陣R；

計算MR就能得到一個L*d的矩陣，實(shí)現(xiàn)降維。