[發明專利]一種快自旋小天體光照不變匹配方法

在審

• 申請號: 202310410816.0
• 申請日: 2023-04-17
• 公開（公告）號: CN116524212A
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 邵巍;李帥;陳友;楊昀昊;李增旭;劉延杰;姚文龍
• 申請（專利權）人: 青島科技大學
• 主分類號: G06V10/74
• 分類號: G06V10/74;G06V10/774;G06V10/82;G06V10/46;G06N3/0455;G06N3/0464;G06N3/082
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 劉曉

1.一種快自旋小天體光照不變匹配方法，所述方法包括：

仿真生成不同軌道高度、不同光照、視角繞飛小天體時拍攝的圖像，并依此構建訓練集；設計快自旋小天體光照不變匹配網絡模型；

所述快自旋小天體光照不變匹配網絡包括：設計全局注意力機制和空洞卷積的尺度自適應模塊，用于獲取尺度因子；結合自注意力機制、互注意力機制與等變卷積神經網絡的光照視角不變特征提取模塊，用于獲取圖像在視角、光照變化下不變特征；

設計損失函數，使用訓練數據集對網絡模型進行訓練，得到訓練好的網絡模型；

最后，將獲取的不變特征輸入特征匹配模塊，利用特征間的相似度完成匹配，實現尺度、視角、光照變化下的小天體圖像精準匹配。

2.根據權利要求1所述的快自旋小天體光照不變匹配方法，其特征在于，所述方法中設計全局注意力機制和空洞卷積的尺度自適應模塊，具體為：

對輸入的圖像首先利用VGG16提取特征，之后將特征輸入特征融合模塊利用通道注意力機制和空間注意力機制對特征進行精細化處理，具體操作為：

式中，F″和F分別代表細化后的特征圖與VGG16提取的特征圖，M_c和M_s分別代表通道注意力機制與空間注意力機制處理，為逐元素乘法；之后利用空洞卷積層獲取多尺度信息，最后將多尺度信息輸入Transformer編碼塊獲取圖像尺度比例因子，并依此調整圖像尺度。

3.根據權利要求1所述的快自旋小天體光照不變匹配方法，其特征在于，所述方法中結合自注意力機制、互注意力機制與等變卷積神經網絡的光照視角不變特征提取模塊，具體為：

選用ResNet34作為主干特征提取網絡，在此基礎上利用等變卷積替換網絡中卷積層，同時結合多種注意力機制，實現特征的視角不變映射，之后將低層特征輸出為粗粒度不變特征，高層特征輸出為細粒度不變特征。

4.根據權利要求1所述的快自旋小天體光照不變匹配方法，其特征在于，所述方法中將獲取的不變特征輸入特征匹配模塊，利用特征間的相似度完成匹配具體為：

對于得到的不變粗粒度特征，首先計算其得分矩陣S

之后在得分矩陣的兩個維度上分別進行softmax運算得到匹配概率矩陣P

P(i,j)＝softmax(S(i,·))_j·softmax(S(·,j))_i

之后根據置信度θ篩選匹配點，生成粗匹配結果：

式中，M為匹配點，MNN為互近鄰準則，P為匹配概率矩陣，S為得分矩陣，為粗匹配點，為細匹配特征點，為局部特征圖，為點的局部方差，θ為匹配閾值超參數，用于剔除置信概率較低的匹配結果在建立了粗匹配之后將粗匹配點投影到細粒度特征圖，在投影的特征點周圍創建一個局部圖像，圖像重新輸入匹配模塊，獲得亞像素精度的匹配結果。

5.根據權利要求1所述的快自旋小天體光照不變匹配方法，其特征在于，所述方法中設計損失函數具體為：

設計多重損失函數其中，為尺度損失函數，為粗粒度損失，為細粒度損失，具體為：

其中，KL為Kullback-Leibler散度函數，S_B→A為估計的小天體尺度因子，為真實的小天體尺度因子，為待匹配圖像中亞像素精度的匹配特征點位置，為待匹配圖像中特征點真實位置。