匹配点对提纯方法、电子设备及存储介质技术

本申请实施例公开一种匹配点对提纯方法、电子设备及存储介质，该方法包括：获取目标匹配点对集，其中，所述目标匹配点对集中包括多个不同的匹配点对，每个所述匹配点对包括：归属于第一图像的第一特征点和归属于第二图像的第二特征点；将所述目标匹配点对集的匹配点对转换为目标输入图像；将所述目标输入图像输入目标模型进行处理，获得输出结果，其中，所述目标模型是基于深度学习的轻量级网络训练得到的模型；根据所述输出结果，识别所述目标匹配点对集中的正确的匹配点对。配点对集中的正确的匹配点对。配点对集中的正确的匹配点对。

【技术实现步骤摘要】
匹配点对提纯方法、电子设备及存储介质


[0001]本申请涉及人工智能
，特别涉及一种匹配点对提纯方法、电子设备及存储介质。

技术介绍

[0002]图像特征匹配是计算机视觉中经常涉及的一个步骤，通过对图像与图像或者图像与地图之间的描述子进行匹配，来为后续的姿态估计、优化等操作减轻处理负担。目前，图像特征的局部特性，误匹配的情况广泛存在，为了降低误匹配，图像特征匹配点对提纯方法被引入，用于剔除点误差较大的特征匹配点对。
[0003]现有技术中，基于随机样本一致性(RANSAC)算法，预先训练一个数学模型，将需要提纯的匹配点对输入到该数学模型，由该数学模型筛选出满足模型最多的匹配点对，剩余的则剔除掉，以达到提纯的目的。
[0004]基于RANSAC算法的数学模型虽然能在一定程度上进行匹配点对的提纯，但也存在一些问题，例如对错误匹配点对占比较高的场景进行处理时，运行时长较长，导致匹配点对提纯的成本较高。

技术实现思路

[0005]本申请实施例提供一种匹配点对提纯方法、电子设备及存储介质，以解决现有技术中存在的匹配点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种匹配点对提纯方法，其特征在于，所述方法包括：获取目标匹配点对集，其中，所述目标匹配点对集中包括多个不同的匹配点对，每个所述匹配点对包括：归属于第一图像的第一特征点和归属于第二图像的第二特征点；将所述目标匹配点对集的匹配点对转换为目标输入图像；将所述目标输入图像输入目标模型进行处理，获得输出结果，其中，所述目标模型是基于深度学习的轻量级网络训练得到的模型；根据所述输出结果，识别所述目标匹配点对集中的正确的匹配点对。2.根据权利要求1所述的方法，其特征在于，所述将所述目标匹配点对集的匹配点对转换为目标输入图像，包括：根据所述目标匹配点对集中所有所述第一特征点的坐标值，计算所述第一特征点的坐标均值；以及根据所述目标匹配点对集中所有所述第二特征点的坐标值，计算所述第二特征点的坐标均值；基于所述第一特征点的坐标均值对所述第一特征点进行变换，以及基于所述第二特征点的坐标均值对所述第二特征点进行变换，基于变换后的特征点生成目标输入图像。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一特征点的坐标均值对所述第一特征点进行变换，以及基于所述第二特征点的坐标均值对所述第二特征点进行变换，基于变换后的特征点生成目标输入图像，包括：以所述第一特征点的坐标均值为第一原点，将所述第一特征点进行平移使其形心位于所述第一原点，以及以所述第二特征点的坐标均值为第二原点，将所述第二特征点进行平移使其形心位于所述第二原点；对平移后的所述第一特征点进行缩放，直至各所述第一特征点到所述第一原点的距离为第一数值，以及对平移后的所述第二特征点进行缩放，直至各所述第二特征点到所述第二原点的距离为所述第一数值；创建空白的第一映射表和第二映射表，其中，所述第一映射表和所述第二映射表的尺寸均与目标输入图像的尺寸相同；将缩放后的所述第一特征点的坐标值存放至所述第一映射表中得到第三映射表，以及将缩放后的所述第二特征点的坐标值存放至所述第二映射表中得到第四映射表；基于所述第三映射表和所述第四映射表，生成所述目标输入图像。4.根据权利要求1所述的方法，其特征在于，所述输出结果为目标基础矩阵；所述根据所述输出结果，识别所述目标匹配点对集中的正确的匹配点对，包括：对于每个所述第一特征点，根据所述目标基础矩阵和所述第一特征点，确定所述第一特征点在所述第二图像中的第一极线；计算所述第一特征点对应的所述第二特征点到所述第一极线的第一距离；若所述第一距离小于第二数值，则确定所述第一特征点和其对应的所述第二特征点为正确的匹配点对。5.根据权利要求1至4任一项所述的方法，其特征在于，所述目标模型通过以下步骤训练得到：获取训练集，其中，所述训练集中包括多个不同的样本匹配点对集和各所述样本匹配点对集对应的真实基础矩阵，每个所述样本匹配点对集中包括多个不同的样本匹配点对，
所述多个不同的样本匹配点对中包括：错误的样本匹...

【专利技术属性】
技术研发人员：胡刚，
申请(专利权)人：成都西纬科技有限公司，
类型：发明
国别省市：