580901收稿日期：2024Feb.20242024年2月Vol.50No.1信息化研究InformatizationResearch期第50卷第基于多敏感度最优传输的深度图匹配方法杜千（江苏华博在线传媒有限责任公司，南京，211135）摘要：本文针对不同图像中关键点之间的关系匹配问题，提出一种基于多敏感度最优传输的深度图像匹配网络框架。该框架利用视觉几何群网络（VGG16）从图像中提取一阶表观特征，进而使用德洛内三角测量建立关键点二阶邻接关系图。在此基础上，采用图卷积学习关键点的特征嵌入，并引入多敏感度的最优传输进行关键点之间的结构化关系度量，以增强关键点对齐能力。该框架在计算机视觉挑战赛(PascalVOCKeypoints)数据集取得了良好的性能。关键词：图像匹配；深度图神经网络；多敏感度最优传输中图分类号：TP3910引言近年来，随着科学技术的发展，基于图像识别匹配技术的各类应用对行业形态和发展趋势产生了相当强的影响，涌现出了许多实力强劲的新兴企业。在传统广电媒体领域，各地台网公司或多或少地开展了诸如AI审核、人脸识别等功能的调研或尝试。广电行业审核要求相比互联网内容企业更严格，在调研和系统建设使用过程中发现，互联网厂商的商品化系统的能力尚无法达到要求。因此，广电企业可通过自行研究的方式，探索开发适合本行业的AI审核等应用系统。这其中，图像匹配技术的创新将为广电企业发展提供更多选择。图像匹配通过对图像结构、语义信息、纹理及灰度做出相似性和一致性分析，判断图像是否匹配。总体而言，它主要可以分为两大类，即基于像素点的图像匹配和基于关键点的图像匹配。由于图像的特征点比像素点要少得多，大大减少了匹配过程的计算量，本文主要针对基于关键点的图像匹配问题开展研究。1现状分析早期的图像匹配方法主要是角点检测和匹配，如Harris角点检测算子[1]、FAST(FeaturesfromAccel-eratedSegmentTest)角点检测算子[2],以及对这类角点检测算子的改进方法。而尺度不变特征变换（ScaleInvariantFeatureTransform，SIFT)算法[3]的提出，将研究者们的关注热点从经典的角点检测思路转移到尺度不变的特征转换方法上，且该方法也是目前为止在图像匹配任务上使用最为广泛的手工特征提取方法。近年来，由于基于深度学习的图像匹配方法的逐步兴起，SIFT角点检测算子等方法不再占据主导地位。与SIFT角点检测算子等方法相比，深度学习方法不再依据研究者的主观观察和专业先验知识，而是依靠大量数据的训练，对深度网络进行端到端的学习优化，最终实...
