基于局部特征变换器的多尺度自适应特征图像匹配算法

摘要

针对图像匹配神经网络提取的关键点特征，存在因视角变化导致匹配点对减少而匹配失败的问题，提出了一种基于局部特征变换器（LoFTR）的多尺度自适应特征图像匹配算法。通过改变提取的关键点特征组成结构，增强关键点的特征描述，强化对应点的相似性，从而优化特征匹配的效果。首先对残差网络（ResNet）和特征金字塔（FPN）输出的原始特征使用多尺度环形卷积（MRC）对齐关键点特征主方向；其次，设计自适应权重融合（AFW）计算环形卷积特征与具有全局位置信息特征的权重，按照权重进行融合，保留环形卷积特征的局部信息与全局特征位置信息的有效主成分；最后，引入边缘化样本一致性（MAGSAC++）算法，对匹配点对进一步筛选，减少噪声影响。在数据集Megadepth和Hpatches上验证所提算法，准确率达到87.62%，相较于LoFTR算法提升了1.78%，在阈值为5°、10°、20°条件下姿态估计误差的精确率-召回率曲线下面积（AUPRC）值均有提升，分别提高了0.8、1.2、1.3，结果证明本文算法有效提高了匹配点数量以及匹配质量，对猪只体长、体宽等参数测量的精度均有提升，为猪只养殖等生产活动提供更精确的测量。

关键词

图像匹配 / 局部特征变换器 / 特征重构 / 特征描述 / 自适应权重

基金资助

国家自然科学基金（61502354）; 湖北省重大攻关项目（2025BEA005）