图像特征匹配,指提取两张不同视角拍摄图像的特征,并依据该特征对图像区域进行匹配的过程。作为计算机视觉的一个基础问题,图像特征匹配技术在材料分析、医学成像及图像恢复等领域有着重要应用。传统的人工设计描述符算法,在处理同一光谱下拍摄的图像特征匹配问题中取得了不错的成果,但是在处理多光谱图像特征匹配的问题上表现不佳。深度学习,即以深层神经网络算法为基础的技术,在计算机视觉领域如目标检测和图像分类等多种问题上取得了先进的成果。为了解决多光谱图像的鲁棒匹配问题,本文提出的方法对多光谱图像中的特征信息进行了深度地描述,在不同光谱图像间纹理信息丢失等问题存在的情况下,本文算法可以依据提取到的特征准确地匹配,对变换具备良好的鲁棒性。本文从数据集处理到神经网络结构设计实现了一个应用于多光谱图像鲁棒匹配问题的方案。具体来说,本文完成了以下工作:(1)使用中波长红外热像仪和可见光摄像头采集了图像数据,并对图像数据进行预处理制作了所需的数据集。(2)使用深层卷积神经网络作为特征提取手段对多光谱图像进行匹配。通过在本文制作的多光谱图像特征匹配数据集上的实验证明,现有应用在多光谱图像特征匹配的深度学习方案在本文测试集上的精度为78%,本文算法更加准确地对多光谱图像进行了匹配(90%Accuracy)。同时本文训练生成的模型在公开数据集RGB-NIR中也取得了良好的匹配结果,进一步验证了本文算法的可靠性。(3)模拟多光谱图像中常见的几类变换,在原始的数据集上做了增广处理。为了对变换后的数据集进行匹配,本文在神经网络中引入了旋转响应滤波器、空间金字塔池化和多重预测结构。改进后的神经网络模型在包含变换的数据集上获得了 85%的匹配精度,高于现有的多光谱图像特征匹配深度学习技术达到的精度(68%),这证明本文的方案具备更好的鲁棒性。