本發(fā)明屬于計算機多媒體技術領域，尤其涉及一種基于哈希重建的圖像特征點匹配方法。
背景技術：
基于圖像局部特征(如SIFT特征)的圖像描述方法在圖像檢索中得到廣泛用于，為了提高檢索精度，需要對特征點直接進行快速匹配，然而目前的特征點匹配方法在匹配精度和匹配速度上很難找到一個更好的平衡。現(xiàn)有的圖像特征點匹配方法普遍存在匹配復雜度高、計算量大或者匹配精度不高的問題。
技術實現(xiàn)要素：
本發(fā)明的目的之一在于提供一種基于哈希重建的圖像特征點匹配方法，以解決現(xiàn)有圖像特征點匹配方法匹配復雜度高、計算量大或者匹配精度不高的問題。
本發(fā)明的發(fā)明目的是通過下述技術方案來實現(xiàn)的：
一種基于哈希重建的圖像特征點匹配方法，包括如下步驟：
對被查圖像的被查特征點的特征學習哈希函數(shù)；
利用哈希函數(shù)學習哈希重建矩陣；
利用哈希重建矩陣篩選得到與查詢特征點匹配的特征點。
進一步的，所述利用哈希重建矩陣篩選得到匹配的特征點的步驟中，具體包括如下步驟：
對查詢特征點和被查特征點通過距離度量篩選候選特征點；
對候選特征點及查詢特征點進行哈希重建；
對哈希重建后的候選特征點及哈希重建后的查詢特征點進行相似度對比，最后得到匹配的特征點。
進一步的，一種基于哈希重建的圖像特征點匹配方法具體包括如下步驟：
步驟S1：利用被查圖像的被查特征點的特征學習哈希函數(shù)；
步驟S2：利用步驟S1中得到的哈希函數(shù)學習旋轉矩陣和哈希重建矩陣；
步驟S3：利用步驟S2得到的旋轉矩陣，得到查詢特征點的哈希碼和被查特征點的哈希碼；
步驟S4：將步驟S3得到的查詢特征點的哈希碼與被查特征點的哈希碼進行距離度量，將所有距離小于閾值的被查特征點作為候選特征點集合；
步驟S5：利用步驟S2得到的哈希重建矩陣，對查詢特征點及步驟S4篩選出的候選特征點集合進行哈希重建，得到查詢特征點的重建特征及步驟S4篩選出的候選特征點集合的重建特征；
步驟S6：將步驟S5中的候選特征點集合的重建特征分別與查詢特征點的重建特征進行相似度對比，并按相似度從大到小進行排序，最后得到匹配的特征點。
進一步的，在所述步驟S1：利用被查圖像的被查特征點的特征學習哈希函數(shù)的步驟中，具體包括：通過哈希方法利用被查圖像的局部特征點的特征學習哈希函數(shù)。
進一步的，在所述步驟S1中，通過哈希方法利用被查圖像的被查特征點的特征學習哈希函數(shù)的步驟中，采用的所述哈希方法為ITQ哈希方法，具體包括如下步驟：
步驟S1.1：對被查圖像的被查特征點的特征矩陣X進行PCA降維，得到PCA降維矩陣T；
步驟S1.2：利用上一步得到的PCA降維矩陣T，得到對被查特征點的特征矩陣X進行PCA降維后的特征矩陣V，V＝TX；
步驟S1.3：構建哈希函數(shù)。
進一步的，所述步驟S1中構建的哈希函數(shù)為：
其中，H為哈希碼矩陣，R為ITQ的旋轉矩陣，U為哈希重建矩陣，X為被查特征點的特征矩陣。
進一步的，所述步驟S2：利用步驟S1中得到的哈希函數(shù)學習旋轉矩陣和哈希重建矩陣的步驟，具體包括：
對步驟S1中得到的哈希函數(shù)進行迭代優(yōu)化，得到旋轉矩陣R和哈希重建矩陣U。
進一步的，所述步驟S3：利用步驟S2得到的旋轉矩陣，得到被查特征點的哈希碼和查詢點的哈希碼的步驟，具體包括如下步驟：
步驟S3.1：對于被查特征點的特征矩陣xi，利用步驟S1.1得到的PCA降維矩陣T進行特征降維，得到降維后的被查特征點的特征向量xi′＝Txi；
步驟S3.2：利用步驟S2得到旋轉矩陣R和上一步得到的降維后的被查特征點特征向量xi′，得到哈希碼hi＝Rxi′；
步驟S3.3：對于查詢特征點的特征矩陣q，利用步驟S1.1得到的PCA降維矩陣T進行特征降維，得到降維后的查詢特征點的特征向量q′＝Tq；
步驟S3.4：利用步驟S2得到旋轉矩陣R和上一步得到的降維后的查詢特征點的特征向量q′，得到哈希碼hq＝Rq′。
進一步的，所述步驟S5：利用步驟S2得到的哈希重建矩陣，對查詢特征點及步驟S4篩選出的候選特征點集合進行哈希重建，得到查詢特征點的重建特征及步驟S4篩選出的候選特征點集合的重建特征的步驟中，所述查詢特征點的重建特征q″＝Uhq，步驟S4篩選出的候選特征點集合的重建特征xi″＝Uhi。
進一步的，所述被查特征點的特征采用SIFT特征。
本發(fā)明的有益效果：本發(fā)明提供的一種基于哈希重建的圖像特征點匹配方法通過兩步匹配的方法，提高了匹配精度；在通過哈希重建得到的重建特征進行匹配的過程中，不需存儲原始特征，減少了存儲及建索引的代價，從而實現(xiàn)了快速的特征點匹配。
附圖說明
圖1為本發(fā)明基于哈希重建的圖像特征點匹配方法流程圖。
具體實施方式
下文將結合具體實施方式詳細描述本發(fā)明。應當注意的是，下述實施例中描述的技術特征或者技術特征的組合不應當被認為是孤立的，它們可以被相互組合從而達到更好的技術效果。
一種基于哈希重建的圖像特征點匹配方法，包括如下步驟：
對被查圖像的被查特征點的特征學習哈希函數(shù)；
利用哈希函數(shù)學習哈希重建矩陣；
利用哈希重建矩陣篩選得到與查詢特征點匹配的特征點。
進一步的，在利用哈希重建矩陣篩選得到匹配的特征點的步驟中，具體包括如下步驟：
對查詢特征點和被查特征點通過距離度量篩選候選特征點；
對候選特征點及查詢特征點進行哈希重建；
對哈希重建后的候選特征點及查詢特征點進行相似度對比，最后得到匹配的特征點。
如圖1所示，本發(fā)明提供的一種基于哈希重建的圖像特征點匹配方法具體包括如下步驟：
步驟S1：對被查圖像的被查特征點的特征學習哈希函數(shù)；
步驟S2：利用步驟S1中得到的哈希函數(shù)學習旋轉矩陣和哈希重建矩陣；
步驟S3：利用步驟S2得到的旋轉矩陣，得到查詢特征點的哈希碼和被查特征點的哈希碼；
步驟S4：將步驟S3得到的查詢特征點的哈希碼與被查特征點的哈希碼進行距離度量，將所有距離小于閾值的被查特征點作為候選特征點集合；
步驟S5：利用步驟S2得到的哈希重建矩陣，對查詢特征點及步驟S4篩選出的候選特征點集合進行哈希重建，得到查詢特征點的重建特征及步驟S4篩選出的候選特征點集合的重建特征；
步驟S6：將步驟S5中的候選特征點集合的重建特征分別與查詢特征點的重建特征進行相似度對比，并按相似度從大到小進行排序，最后得到匹配的特征點。
本發(fā)明首先利用哈希碼通過漢明距離快速篩選候選特征點，再對候選特征點以及查詢特征點進行哈希重建，在哈希重建基礎上進一步進行篩選。整個匹配過程中通過了兩步篩選，提高了匹配精度。
實施例
本發(fā)明提供的一種基于哈希重建的圖像特征點匹配方法具體包括如下步驟：
(1)通過迭代量化(Iterative Quantization，ITQ)哈希方法對被查圖像的被查特征點的尺度不變特征轉換(Scale-invariant feature transform，SIFT)特征學習哈希函數(shù)，具體包括如下步驟：
(1.1)對被查圖像的被查特征點的特征矩陣X進行PCA降維，得到PCA降維矩陣T；
(1.2)利用上一步得到的PCA降維矩陣T，得到對被查特征點的特征矩陣X進行PCA降維后的特征矩陣V，V＝TX；
(1.3)構建哈希函數(shù)，該哈希函數(shù)為：
其中，H為哈希碼矩陣，R為ITQ的旋轉矩陣，U為哈希重建矩陣，X為被查特征點的特征矩陣。
(2)對步驟(1)中得到的哈希函數(shù)進行迭代優(yōu)化，學習得到旋轉矩陣R和哈希重建矩陣U。
(3)利用步驟(2)得到的旋轉矩陣R，得到被查特征點的哈希碼和查詢特征點的哈希碼的步驟，具體包括如下步驟：
(3.1)對于被查特征點的特征矩陣xi，利用步驟(1.1)得到的PCA降維矩陣T進行特征降維，得到降維后的被查特征點的特征向量xi′＝Txi；
(3.2)利用步驟(2)得到旋轉矩陣R和上一步得到的降維后的被查特征點特征向量xi′，得到哈希碼hi＝Rxi′，所有被查特征點的哈希碼構成被查特征點庫的哈希索引。
(3.3)對于查詢特征點的特征矩陣q，利用步驟(1.1)得到的PCA降維矩陣T進行特征降維，得到降維后的查詢特征點的特征向量q′＝Tq；
(3.4)利用步驟(2)得到旋轉矩陣R和上一步得到的降維后的查詢特征點的特征向量q′，得到哈希碼hq＝Rq′。
(4)將步驟(3)得到的查詢特征點的哈希碼與被查特征點的哈希碼進行漢明距離度量，將所有漢明距離小于閾值的被查特征點作為候選特征點集合；
(5)利用步驟(2)得到的哈希重建矩陣U，對查詢特征點及步驟S4篩選出的候選特征點集合進行哈希重建，得到查詢特征點的重建特征及步驟S4篩選出的候選特征點集合的重建特征的步驟中，所述查詢特征點的重建特征q″＝Uhq，步驟S4篩選出的候選特征點集合的重建特征xi″＝Uhi。
(6)將步驟(5)中的候選特征點集合的重建特征分別與查詢特征點的重建特征進行相似度對比，并按相似度從大到小進行排序，最后得到匹配的特征點。
本發(fā)明提供的一種基于哈希重建的圖像特征點匹配方法中首先利用哈希碼通過漢明距離快速篩選候選特征點，再對候選特征點以及查詢特征點進行哈希重建，在哈希重建基礎上進一步進行篩選。整個匹配過程中通過了兩步篩選，提高了匹配精度。
本發(fā)明提供的一種基于哈希重建的圖像特征點匹配方法在通過哈希重建得到的重建特征進行匹配的過程中，不需存儲原始特征，減少了存儲及建索引的代價，從而實現(xiàn)了快速的特征點匹配。
當然應意識到，雖然通過本發(fā)明的示例已經(jīng)進行了前面的描述，但是對本發(fā)明做出的將對本領域的技術人員顯而易見的這樣和其他的改進及改變應認為落入如本文提出的本發(fā)明寬廣范圍內(nèi)。因此，盡管本發(fā)明已經(jīng)參照了優(yōu)選的實施方式進行描述，但是，其意并不是使具新穎性的設備由此而受到限制，相反，其旨在包括符合上述公開部分、權利要求的廣闊范圍之內(nèi)的各種改進和等同修改。