本发明专利技术公开一种图像匹配方法、装置、电子设备、存储介质及相关产品，包括：接收待匹配的两个图像；对于每个待匹配的图像，提取图像中的特征结构和对应的特征描述子，其中，所述特征结构包括：特征线和/或特征形状；根据所述待匹配的两个图像的特征描述子，确定所述待匹配的两个图像的特征结构是否匹配。实施上述方法，通过提取图像中包括线、形状类型的特征结构，将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来，将图像拆分成线和/或形状的特征结构的组合，以得到图像特征结构的对应关系，避免了人工标注的复杂步骤，提高了图像匹配的速度和准确度，可以有效的适用于大数据量图像匹配的场景中。据量图像匹配的场景中。据量图像匹配的场景中。
【技术实现步骤摘要】
图像匹配方法、装置、电子设备、存储介质及相关产品
[0001]本专利技术涉及图像处理
，特别涉及一种图像匹配方法、装置、电子设备、存储介质及相关产品。
技术介绍
[0002]随着计算机技术的发展，图像处理技术的发展也相当迅速，图像匹配技术是图像处理技术的一项基础任务，在图像拼接、机器人空间定位等领域中起着重要作用。
[0003]现有技术中，主要采用点匹配法，这类方法速度慢、精度低，而且常常需要人工选取初始匹配点，无法适应大数据量图像匹配的场景，存在图像匹配效率和准确度较低的问题。
技术实现思路
[0004]本专利技术实施例提供一种图像匹配方法、装置、电子设备、存储介质及相关产品，以解决现有技术中存在的图像匹配效率和准确度较低的技术问题。
[0005]根据本专利技术的第一方面，公开了一种图像匹配方法，所述方法包括：
[0006]接收待匹配的两个图像；
[0007]对于每个待匹配的图像，提取图像中的特征结构和对应的特征描述子，其中，所述特征结构包括：特征线和/或特征形状；
[0008]根据所述待匹配的两个图像的特征描述子，确定所述待匹配的两个图像的特征结构是否匹配。
[0009]可选地，作为一个实施例，所述提取图像中的特征结构和对应的特征描述子，包括：
[0010]将图像输入至预先训练的特征提取模型中进行处理，得到所述图像中的特征结构和对应的特征描述子；
[0011]其中，所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
[0012]可选地，作为一个实施例，所述特征提取模型的训练过程，包括：
[0013]获取训练数据集，其中，所述训练数据集包括：合成图像集和真实图像集，所述合成图像集中包含多个合成的样本图像，所述合成的样本图像中包含基本形状，所述真实图像集中包含多个真实的样本图像；
[0014]将所述合成图像集中的样本图像作为输入，将对应的特征结构作为输出，对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练，得到中间模型，其中，所述中间模型用于提取图像中的特征结构；
[0015]通过所述中间模型和单应变换适应技术，对所述真实图像集中的样本图像进行处理，得到对应的特征结构；
[0016]对于所述真实图像集中的每个样本图像Pi，对所述Pi进行一次单应变换得到Qi，
将所述Pi和Qi作为输入，将所述Pi和Qi中的特征结构作为输出，对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练，得到所述特征提取模型，其中，所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
[0017]可选地，作为一个实施例，在将训练数据集中的样本图像作为输入时，将所述样本图像转换为灰度图后作为输入。
[0018]可选地，作为一个实施例，所述根据所述待匹配的两个图像的特征描述子，确定所述待匹配的两个图像的特征结构是否匹配，包括：
[0019]将所述待匹配的两个图像的特征描述子中的元素进行逐位作差，得到N个差值，其中，N为特征描述子中元素的个数；
[0020]将所述差值进行求和运算，得到求和值；
[0021]若所述求和值小于预设阈值，则确定所述待匹配的两个图像的特征结构匹配，否则确定不匹配。
[0022]可选地，作为一个实施例，所述特征结构还包括：角点和边界点。
[0023]根据本专利技术的第二方面，公开了一种图像匹配装置，所述装置包括：
[0024]接收模块，用于接收待匹配的两个图像；
[0025]提取模块，用于对于每个待匹配的图像，提取图像中的特征结构和对应的特征描述子，其中，所述特征结构包括：特征线和/或特征形状；
[0026]确定模块，用于根据所述待匹配的两个图像的特征描述子，确定所述待匹配的两个图像的特征结构是否匹配。
[0027]可选地，作为一个实施例，所述提取模块包括：
[0028]处理子模块，用于将图像输入至预先训练的特征提取模型中进行处理，得到所述图像中的特征结构和对应的特征描述子；
[0029]其中，所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。
[0030]可选地，作为一个实施例，所述装置还包括：
[0031]训练模块，用于获取训练数据集，其中，所述训练数据集包括：合成图像集和真实图像集，所述合成图像集中包含多个合成的样本图像，所述合成的样本图像中包含基本形状，所述真实图像集中包含多个真实的样本图像；
[0032]将所述合成图像集中的样本图像作为输入，将对应的特征结构作为输出，对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练，得到中间模型，其中，所述中间模型用于提取图像中的特征结构；
[0033]通过所述中间模型和单应变换适应技术，对所述真实图像集中的样本图像进行处理，得到对应的特征结构；
[0034]对于所述真实图像集中的每个样本图像Pi，对所述Pi进行一次单应变换得到Qi，将所述Pi和Qi作为输入，将所述Pi和Qi中的特征结构作为输出，对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练，得到所述特征提取模型，其中，所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。
[0035]可选地，作为一个实施例，在将训练数据集中的样本图像作为输入时，将所述样本图像转换为灰度图后作为输入。
[0036]可选地，作为一个实施例，所述确定模块包括：
[0037]第一运算子模块，用于将所述待匹配的两个图像的特征描述子中的元素进行逐位作差，得到N个差值，其中，N为特征描述子中元素的个数；
[0038]第二运算子模块，用于将所述差值进行求和运算，得到求和值；
[0039]确定子模块，用于若所述求和值小于预设阈值，则确定所述待匹配的两个图像的特征结构匹配，否则确定不匹配。
[0040]可选地，作为一个实施例，所述特征结构还包括：角点和边界点。
[0041]根据本专利技术的第三方面，公开了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如第一方面中图像匹配方法的步骤。
[0042]根据本专利技术的第四方面，公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，所述程序被所述处理器执行时实现如第一方面中图像匹配方法的步骤。
[0043]根据本专利技术的第五方面，公开了一种计算机程序产品，当所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面中图像匹配方法的步骤。
[0044]本专利技术实施例中，通过提取图像中包括线、形状类型的特征结构，将现有技术中需要人工标注的特征点通过线和/或形状来涵盖进来，将图像拆分成线和/或形状的特征结构的组合，以得到图像特征结构的对应关系，避免了人工标注的复杂步骤，提高了图像匹配的速度和准确度，可以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像匹配方法，其特征在于，所述方法包括：接收待匹配的两个图像；对于每个待匹配的图像，提取图像中的特征结构和对应的特征描述子，其中，所述特征结构包括：特征线和/或特征形状；根据所述待匹配的两个图像的特征描述子，确定所述待匹配的两个图像的特征结构是否匹配。2.根据权利要求1所述的方法，其特征在于，所述提取图像中的特征结构和对应的特征描述子，包括：将图像输入至预先训练的特征提取模型中进行处理，得到所述图像中的特征结构和对应的特征描述子；其中，所述特征提取模型是基于多个样本图像和样本图像中的特征结构训练得到的。3.根据权利要求2所述的方法，其特征在于，所述特征提取模型的训练过程，包括：获取训练数据集，其中，所述训练数据集包括：合成图像集和真实图像集，所述合成图像集中包含多个合成的样本图像，所述合成的样本图像中包含基本形状，所述真实图像集中包含多个真实的样本图像；将所述合成图像集中的样本图像作为输入，将对应的特征结构作为输出，对基于Magicpoint算法和霍夫变换函数构建的骨干网络进行训练，得到中间模型，其中，所述中间模型用于提取图像中的特征结构；通过所述中间模型和单应变换适应技术，对所述真实图像集中的样本图像进行处理，得到对应的特征结构；对于所述真实图像集中的每个样本图像Pi，对所述Pi进行一次单应变换得到Qi，将所述Pi和Qi作为输入，将所述Pi和Qi中的特征结构作为输出，对基于SuperPoint算法和霍夫变换函数构建的骨干网络进行训练，得到所述特征提取模型，其中，所述霍夫变换函数用于在模型训练过程中进行特征线、形状与点之间的转换。4.根据权利要...
【专利技术属性】
技术研发人员：范淼，胡晨，周舒畅，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。