[發明專利]基于LFGC網絡和壓縮激勵模塊的圖像匹配方法

有效

• 申請號: 202011125890.0
• 申請日: 2020-10-20
• 公開（公告）號: CN112396089B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳珺;顧越;羅林波;龔文平;王永濤;宋俊磊
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V10/774;G06V10/84;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 龔春來

本發明提供了一種基于LFGC網絡和壓縮激勵模塊的圖像匹配方法，獲取圖像，所述圖像中，一部分作為訓練集，一部分作為驗證集，剩下的一部分作為測試集；將壓縮激勵模塊融入LFGC網絡中，構建用于圖像匹配的網絡模型；利用作為訓練集的圖像對所述用于圖像匹配的網絡模型進行訓練，獲得訓練好的用于圖像匹配的網絡模型；利用所述訓練好的用于圖像匹配的網絡模型對待匹配圖像進行匹配，獲得待匹配圖像的匹配結果。本發明可以使用全局信息來有選擇地強調信息豐富的特征，并抑制無用特征，并提高了網絡的表征能力。

技術領域

本發明涉及圖像匹配領域，尤其涉及一種基于LFGC網絡和壓縮激勵模塊的圖像匹配方法。

背景技術

在兩組圖像點集間建立一組可靠的匹配關系是計算機視覺中的一項基本任務，在目標識別與跟蹤(Target?recognition?andtracking)、醫學圖像分析(Medical?imageanalysis)及遙感圖像處理(Remote?sensing?image?processing)等方面的廣泛應用使得這一任務受到了研究者們的關注。從現有的研究成果來看，圖像匹配通常采用兩步法，即先建立初始匹配然后再剔除掉錯誤匹配(離群點)。建立初始匹配的過程通常是對一些局部特征描述子進行匹配，例如SIFT和LIFT。但是，由于關鍵點定位錯誤、局部描述子的局限性和視角變化等問題，初始匹配中通常都會不可避免地出現一些錯誤匹配。為了解決這個問題，研究者們通常采用離群點剔除方法作為后處理，以確保剔除掉更多錯誤匹配從而提高最終匹配結果的準確性。另外，離群點剔除算法對于精確的相機相對姿態估計也是必需的，在剔除掉離群點之后可以從內點中恢復出由本質矩陣編碼的相機相對姿態。

圖像匹配技術有著廣泛的應用背景，其涉及的領域包括計算機視覺、醫學圖像分析以及遙感圖像處理等。在計算機視覺領域中，圖像匹配技術用于對目標進行三維形狀重建、對監控視頻進行實時監測以及對實時圖像的模板進行匹配；醫學圖像分析中圖像匹配技術的應用包括了對康復治療及腫瘤變化的監控，以及對病人圖像與數字化人體圖像進行對比，從而能夠為病人提供有效的治療方案；在遙感圖像處理中，土地使用監測、景觀規劃和航空衛星影像匹配等都使用到了圖像匹配技術。另外，該技術還用于融合不同傳感器獲取的具有不同特征的信息，例如提供最佳空間分辨率的全色圖像以及獨立于云量和太陽光照的雷達圖像等。在諸多領域中的應用無疑說明了圖像匹配技術的重要性。從圖像匹配技術在以上領域中的應用可以發現，不同領域的人們對匹配技術的要求越來越高。在這種需求下，如何才能使圖像匹配算法達到匹配結果準確率高的同時又擁有較好的實時性、魯棒性和抗干擾性成為了研究人員們首要的追求目標。另外，在實際應用過程中，待匹配的圖像點集往往數量龐大且種類復雜多樣，想要設計一個統一的通用算法來解決所有的圖像匹配問題是非常困難的。因此，對圖像匹配技術進行進一步的研究具有重要的意義。

發明內容

為了解決上述問題，本發明提供了一種基于LFGC網絡和壓縮激勵模塊的圖像匹配方法，包括以下步驟：

S1、獲取圖像，所述圖像中，一部分作為訓練集，一部分作為驗證集，剩下的一部分作為測試集；

S2、將壓縮激勵模塊融入LFGC網絡中，構建用于圖像匹配的網絡模型；

S3、利用步驟S1中作為訓練集的圖像對所述用于圖像匹配的網絡模型進行訓練，獲得訓練好的用于圖像匹配的網絡模型；

S4、利用所述訓練好的用于圖像匹配的網絡模型對待匹配圖像進行匹配，獲得待匹配圖像的匹配結果。

進一步地，在步驟S2中，所述用于圖像匹配的網絡模型的輸入為一個H×D的張量P，輸出為一個H×C的張量O；

所述用于圖像匹配的網絡模型包含M個SE-CNe模塊，且M個殘差網絡模塊從上到下依次連接；

每個SE-CNe模塊中均包括：第一感知器、上下文標準化層、批量標準化層與ReLU激活函數、第二感知器和壓縮激勵模塊；