图像匹配一直是数字图像处理和计算机视觉的经典任务之一,也是智能驾驶、AR/VR等前沿领域内的重要技术环节。其基本原理是从双目摄像机中获取图像,再将相对应的特征点进行提取和匹配。由于传统算法本身的局限性,图像匹配在精度和速度上都难以达到实际应用的要求,因此,本文旨在结合深度学习等研究热点,设计一种高精度,低耗时的图像匹配方法。图像匹配主要分为图像特征提取和图像特征匹配两个步骤,本文分别针对以上两个步骤提出了改进方法:1.在图像特征提取环节,本文抛弃了传统算法中使用滤波器等人工组件提取图像低维特征的方法,改用深度神经网络从多尺度提取图像高维特征,转为特征点和描述子。再利用对应图像之间位置信息,产生对应特征的正负样本,针对正负样本设计损失函数,最终设计出高精度,低耗时的图像特征提取网络SSF。2.在图像特征匹配环节,本文针对传统RANSAC算法进行了改进,为了解决该算法中迭代次数过多、效率低下的问题,本文结合深度神经网络和混合高斯模型改进RANSAC算法,加速了整个特征匹配过程。本文通过理论推导和实验验证发现:1.多尺度特征融合能够增强特征网络的尺度不变性,从而增强特征网络的拟合性和鲁棒性。2.选用卷积核作为滤波器代替人工滤波器有利于增强特征表达能力,同时选用图像对应的空间关系作为监督训练网络,能够直接高效的提升特征提取效果。3.利用深度神经网络结合混合高斯模型能够大大缩短特征匹配的过程。结合上述改进,本文最终提出了包含图像特征提取和匹配的图像匹配问题的解决方案,能够满足当前诸多领域对于图像匹配的技术需求。因此,该解决方案在图像匹配方面具有很大的应用前景。