一种基于聚类的形变图的渐进式图匹配方法及装置与流程

本发明涉及一种图像匹配方法及装置，更具体涉及一种基于聚类的形变图的渐进式图匹配方法及装置。

背景技术：

随着图像匹配技术的快速发展，图像匹配技术的应用逐渐扩展到更多的新的领域，如影像医学、测绘、遥感信号处理、工业检测、目标识别和跟踪等。而且，在很多关于图像的研究和项目工程中，图像匹配算法的应用会对整个研究项目的结果产生重要影响。所以，对于图像匹配算法的研究具有非常重要的实际意义。图像匹配是指，将两张待匹配图像进行匹配对比处理，判断两张图像之间的相似程度，进而判断这两张待匹配图像是否含有相同或者相类似的内容。通常情况下，图像匹配过程可以分成两部分：首先进行图像匹配特征的选取：然后进行图像匹配特征的匹配，在匹配过程中药使用相似性度量算法。图像匹配的算法很多，一般可以分为以下两类：1)基于待匹配图像中像素灰度值的图像匹配方法：这类特征可以利用图像中选中区城内的所有像素信息来描述特征，匹配精度较高，因为是区域内进行统计分析，所以需要处理的像素很多，相应会使得计算代价很高。2)基于特征的图像匹配方法：其中特征一般可理解为基于几何形状的特征，只提取图像中的点、线和区域等特征，如边缘、角点、轮廓，这类这类方法需要计算的像素数目大大减少，适应性更强，应用较为广泛。特征的相似性度量方法要依据前面所提取的特征进行选择，比较常用的是归一化相关性度量、基于距离的度量、基于互信息的度量等等。

目前常用的图像匹配算法是基于特征的图像匹配算法，在该算法中，图像的特征点的数目远远小于像素点的数目，大大减少了计算量。在提取特征前可以对图像进行预处理来减少噪声的影响，而且特征点对灰度变化，图像尺寸缩放以及遮挡都有比较强的适应性。此外，特征点在匹配时对位置变化也比较敏感，由此可以滤出一部分位置不对应的匹配点，提高匹配精度，从而有效的避免了使用灰度信息进行匹配时出现的一些问题。

基于特征的图像匹配方法中使用的是局部特征，这些局部特征是图像上具有代表性的局部信息。这类图像匹配方法中常用的特征有：角点，直线，轮廓形状，边缘等等。角点检测算法有：harris角点检测算法，susan角点检测算法等等。这类方法提取出图像角点特征后，通过使用一些特定的方法来得到两幅图像之间角点信息的关系，从而判段角点对是否匹配。直线特征在图像匹配中使用也比较广泛。常见的hough变换就可以用来提取图像中的直线特征。medioni和nevatia就使用了直线特征进行图像匹配。轮廓特征也是一种较常见的特征，基于形状的匹配算法也很多。shi和kaick就使用轮廓作为特征，通过计算形状的一致性来进行匹配。yang等人将形状特性和位置信息相结合构建一种低维的图像描述子。shu等人根据轮廓中点在极坐标中的分布特性提出一种轮廓特征：轮廓点分布直方图，该特征不仅符合人类的视觉感知，而且计算量低。

但是，发明人发现，基于特征的匹配算法只需计算单个特征点或特征点邻域内的相关信息，计算量大大减小、操作起来更简单。因此，使得基于特征的图像匹配方法在实际应用中越来越广泛。在传统的图像匹配方法中，将特征提取完后会直接进行特征点匹配。而图像中对象越多，图像的内容越丰富，所提取的特征数会越多，而且特征点都是高维数据。这样在大量高维数据中进行特征查找时，需要的计算量大，效率太低。

技术实现要素：

本发明所要解决的技术问题在于提供了一种基于聚类的形变图的渐进式图匹配方法及装置，以提高图像匹配的效率。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种基于聚类的形变图的渐进式图匹配方法，所述方法包括：

1)、获取待匹配图像的图像特征，其中，所述待匹配图像包括：第一待匹配图像及第二待匹配图像，且所述图像特征包括：图像几何形状特征；

2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；

3)、根据待匹配图像的图像特征簇与其他待匹配图像的图像特征簇之间的匹配关系，获取针对所述待匹配图像与其它待匹配图像的候选匹配，并针对每一个候选匹配，根据所述候选匹配的分配矩阵和对称相似性矩阵，获取所述候选匹配的相似性值，并根据所述相似性值的最大值获取所述候选匹配的指示向量；

4)、判断所述指示向量对应的相似性值是否收敛；

5)、若否，根据各个候选匹配的指示向量，获取所述指示向量的置信度，在所述指示向量的置信度不小于预设阈值的情况下，更新所述匹配矩阵中的元素值，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛，并在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果；

6)、若是，在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

可选的，所述步骤2)，包括：

a：将待匹配图像转换成激活图像，并将所述激活图像中的每一个图像特征作为一个图像特征簇；

b：将激活图像中的各个图像特征簇进行配对处理，并针对各个图像特征簇对中的每一个图像特征簇对，利用公式，获取所述图像特征簇对的最小不相似点的数量，其中，

k为图像特征簇对中所有可能的元素对不相似点的数量；kap为预设的第一控制参数；ca为图像特征簇a中元素的数量；cb为图像特征簇b中元素的数量；rap为预设的第二控制参数；|·|为欧几里得距离函数；|ca||cb|为图像特征簇对之间可能的元素对的数量；

c：利用公式，获取图像特征簇对的差异值，其中，

dknn(k,ca,cb)为图像特征簇对中图像特征簇a与图像特征簇b之间的差异值；γ为图像特征簇对中图像特征簇a与图像特征簇b之间的配对元素对的数量；min为最小值求值函数；∑为求和函数；d(mi,mj)为图像特征簇a中的元素mi与图像特征簇b中的元素mj之间的相似度；i为元素mi的序号；j为元素mj的序号；

d：判断所述图像特征簇对的差异值是否小于预设的差异阈值；

e：若是，将图像特征簇对合并成一个图像特征簇，并返回执行步骤b，直至任一个图像特征簇对的差异值不小于差异阈值；

f：若否，在其他图像特征簇对的差异值不小于预设的差异阈值的情况下，将所述图像特征簇作为合并后的图像特征簇。

可选的，所述根据所述候选匹配的分配矩阵和对称相似性矩阵，获取所述候选匹配的相似性值，包括：

获取候选匹配对应的约束条件，其中，

mt为候选匹配对应的初始指示向量；mt为分配矩阵；n^p为第一待匹配图像中图像特征簇的数量；n^q为第二待匹配图像中图像特征簇的数量；为一个尺度为n的全一向量；为一个尺度为n的全一向量；

利用公式，计算与候选匹配对应的，第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，其中，

djb|ia为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与第一待匹配图像中的图像特征簇i到第二待匹配图像中的图像特征簇a构成的匹配(i,a)之间的传递误差；||||为范数函数；为第二待匹配图像中的图像特征簇b；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的仿射同应变换结果；为第一待匹配图像中的图像特征簇j；

根据第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，利用公式，计算候选匹配对应的对称相似性值，其中，

wia；jb为候选匹配对应的对称相似性值，且该候选匹配为包括边以及的候选匹配；p为第一待匹配图像；q为第二待匹配图像；ε^p为第一待匹配图像中包含的边的集合；ε^q为第二待匹配图像中包含的边的集合；i为第一待匹配图像中的第i个点；j为第一待匹配图像中的第j个点；a为第二待匹配图像中的第a个点；b为第二待匹配图像中的第b个点；为候选匹配对应的匹配图像特征簇以及匹配图像特征簇所对应的对称传输错误的二阶相似性函数；dbj|ai为第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)对，与第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)之间的传递误差；dia|jb为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇a构成的匹配(i,a)对，与第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)之间的传递误差；dai|bj为第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)，与第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)之间的传递误差；α为预先设定的图像特征簇相似的阈值；max()为最大值求值函数；

根据所述候选匹配对应的对称相似性值，将所述对称性相似性值作为元素，构建对称相似性矩阵；

根据所述候选匹配对应的约束矩阵以及所述候选匹配对应的对称相似性矩阵，利用公式，s(mt)＝mt^twmt，获取所述候选匹配的相似性值，其中，

s(mt)为第t次迭代时，在分配矩阵为mt时所述候选匹配的相似性值；mt^t为第t次迭代时，分配矩阵mt的转置；w为候选匹配对应的对称传输错误。

可选的，所述根据所述相似性值的最大值获取所述候选匹配的指示向量，包括：

利用公式，计算候选匹配对应的指示向量，其中，

为候选匹配对应的指示向量；为函数最大值的变量求值函数；s(mt)为候选匹配的相似性值。

可选的，所述获取所述指示向量的置信度，包括：

利用公式，获取matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率，其中，

为matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率；v^q为第二待匹配图像中的图像特征簇的集合；为第二待匹配图像中的图像特征簇集合中的图像特征簇b；v^p为第一待匹配图像中的图像特征簇的集合；为第一待匹配图像中的图像特征簇的集合中的图像特征簇b；m为当前次迭代中的中间变量的集合；matcht为匹配矩阵对应的匹配边的集合；mi为匹配矩阵中的第i个匹配边，且为第一待匹配图像中图像特征簇p与图像特征簇i之间的边；为第二待匹配图像中图像特征簇q与图像特征簇i之间的边；nn(·)为最近邻图像特征函数；为以mi为中间变量时，图像特征簇的最近邻特征；k为图像特征簇对的最小不相似点的数量；k2为knn当前次迭代中的图像特征簇聚类中的第二参数；z为归一化函数；且为以自然底数为底的指数函数；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与中间变量之间的传递误差；

利用公式，获取在matcht中选择mi作为中间变量的概率，其中，

p(v^p＝v^p|m＝mi,matcht)为在matcht中选择mi作为中间变量的概率；v^p为第一待匹配图像中的图像特征簇的集合中的图像特征簇；k1为knn当前次迭代中的图像特征簇聚类中的第一参数；

利用公式，获取matcht中图像特征簇v^q与中间变量mi相关的概率，其中，

p(m＝mi|matcht)为matcht中图像特征簇v^q与中间变量mi相关的概率；matcht为匹配矩阵对应的匹配边的数量；

利用公式，获取指示向量的置信度，其中，

p(v^p,v^q|mt)为指示向量的置信度；mt为匹配矩阵。

本发明实施例还提供了一种基于聚类的形变图的渐进式图匹配装置，所述装置包括：

第一获取模块，用于获取待匹配图像的图像特征，其中，所述待匹配图像包括：第一待匹配图像及第二待匹配图像，且所述图像特征包括：图像几何形状特征；

合并模块，用于将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；

第二获取模块，用于根据待匹配图像的图像特征簇与其他待匹配图像的图像特征簇之间的匹配关系，获取针对所述待匹配图像与其它待匹配图像的候选匹配，并针对每一个候选匹配，根据所述候选匹配的分配矩阵和对称相似性矩阵，获取所述候选匹配的相似性值，并根据所述相似性值的最大值获取所述候选匹配的指示向量；

判断模块，用于判断所述指示向量对应的相似性值是否收敛；

第三获取模块，用于在所述判断模块的判断结果为否的情况下，根据各个候选匹配的指示向量，获取所述指示向量的置信度，在所述指示向量的置信度不小于预设阈值的情况下，更新所述匹配矩阵中的元素值，得到更新后的匹配矩阵；并第二获取模块，直至指示向量对应的相似性值收敛，并在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果；

设置模块，用于在所述判断模块的判断结果为是的情况下，在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

可选的，所述合并模块，用于：

a：将待匹配图像转换成激活图像，并将所述激活图像中的每一个图像特征作为一个图像特征簇；

b：将激活图像中的各个图像特征簇进行配对处理，并针对各个图像特征簇对中的每一个图像特征簇对，利用公式，获取所述图像特征簇对的最小不相似点的数量，其中，

k为图像特征簇对中所有可能的元素对不相似点的数量；kap为预设的第一控制参数；ca为图像特征簇a中元素的数量；cb为图像特征簇b中元素的数量；rap为预设的第二控制参数；|·|为欧几里得距离函数；|ca||cb|为图像特征簇对之间可能的元素对的数量；

c：利用公式，获取图像特征簇对的差异值，其中，

dknn(k,ca,cb)为图像特征簇对中图像特征簇a与图像特征簇b之间的差异值；γ为图像特征簇对中图像特征簇a与图像特征簇b之间的配对元素对的数量；min为最小值求值函数；∑为求和函数；d(mi,mj)为图像特征簇a中的元素mi与图像特征簇b中的元素mj之间的相似度；i为元素mi的序号；j为元素mj的序号；

d：判断所述图像特征簇对的差异值是否小于预设的差异阈值；

e：若是，将图像特征簇对合并成一个图像特征簇，并返回执行步骤b，直至任一个图像特征簇对的差异值不小于差异阈值；

f：若否，在其他图像特征簇对的差异值不小于预设的差异阈值的情况下，将所述图像特征簇作为合并后的图像特征簇。

可选的，所述第二获取模块，用于：

获取候选匹配对应的约束条件，其中，

mt为候选匹配对应的初始指示向量；mt为分配矩阵；n^p为第一待匹配图像中图像特征簇的数量；n^q为第二待匹配图像中图像特征簇的数量；为一个尺度为n的全一向量；为一个尺度为n的全一向量；

利用公式，计算与候选匹配对应的，第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，其中，

djb|ia为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与第一待匹配图像中的图像特征簇i到第二待匹配图像中的图像特征簇a构成的匹配(i,a)之间的传递误差；||||为范数函数；为第二待匹配图像中的图像特征簇b；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的仿射同应变换结果；为第一待匹配图像中的图像特征簇j；

根据第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，利用公式，计算候选匹配对应的对称相似性值，其中，

wia；jb为候选匹配对应的对称相似性值，且该候选匹配为包括边以及的候选匹配；p为第一待匹配图像；q为第二待匹配图像；ε^p为第一待匹配图像中包含的边的集合；ε^q为第二待匹配图像中包含的边的集合；i为第一待匹配图像中的第i个点；j为第一待匹配图像中的第j个点；a为第二待匹配图像中的第a个点；b为第二待匹配图像中的第b个点；为候选匹配对应的匹配图像特征簇以及匹配图像特征簇所对应的对称传输错误的二阶相似性函数；dbj|ai为第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)对，与第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)之间的传递误差；dia|jb为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇a构成的匹配(i,a)对，与第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)之间的传递误差；dai|bj为第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)，与第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)之间的传递误差；α为预先设定的图像特征簇相似的阈值；max()为最大值求值函数；

根据所述候选匹配对应的对称相似性值，将所述对称性相似性值作为元素，构建对称相似性矩阵；

根据所述候选匹配对应的约束矩阵以及所述候选匹配对应的对称相似性矩阵，利用公式，s(mt)＝mt^twmt，获取所述候选匹配的相似性值，其中，

s(mt)为第t次迭代时，在分配矩阵为mt时所述候选匹配的相似性值；mt^t为第t次迭代时，分配矩阵mt的转置；w为候选匹配对应的对称传输错误。

可选的，所述第二获取模块，用于：

利用公式，计算候选匹配对应的指示向量，其中，

为候选匹配对应的指示向量；为函数最大值的变量求值函数；s(mt)为候选匹配的相似性值。

可选的，所述第三获取模块，用于：

利用公式，获取matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率，其中，

为matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率；v^q为第二待匹配图像中的图像特征簇的集合；为第二待匹配图像中的图像特征簇集合中的图像特征簇b；v^p为第一待匹配图像中的图像特征簇的集合；为第一待匹配图像中的图像特征簇的集合中的图像特征簇b；m为当前次迭代中的中间变量的集合；matcht为匹配矩阵对应的匹配边的集合；mi为匹配矩阵中的第i个匹配边，且为第一待匹配图像中图像特征簇p与图像特征簇i之间的边；为第二待匹配图像中图像特征簇q与图像特征簇i之间的边；nn(·)为最近邻图像特征函数；为以mi为中间变量时，图像特征簇的最近邻特征；k为图像特征簇对的最小不相似点的数量；k2为knn当前次迭代中的图像特征簇聚类中的第二参数；z为归一化函数；且为以自然底数为底的指数函数；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与中间变量之间的传递误差；

利用公式，获取在matcht中选择mi作为中间变量的概率，其中，

p(v^p＝v^p|m＝mi,matcht)为在matcht中选择mi作为中间变量的概率；v^p为第一待匹配图像中的图像特征簇的集合中的图像特征簇；k1为knn当前次迭代中的图像特征簇聚类中的第一参数；

利用公式，获取matcht中图像特征簇v^q与中间变量mi相关的概率，其中，

p(m＝mi|matcht)为matcht中图像特征簇v^q与中间变量mi相关的概率；matcht为匹配矩阵对应的匹配边的数量；

利用公式，获取指示向量的置信度，其中，

p(v^p,v^q|mt)为指示向量的置信度；mt为匹配矩阵。

本发明相比现有技术具有以下优点：

应用本发明实施例，由于在待匹配图像中提取出来的特征中，很多特征之间都会或多或少存在相关信息，这些相关信息就可以用来标记特征。因此，可以在将图像特征提取出来后，对图像的特征进行聚类，挖掘特征集中属性相似的特征，将特征集中的特征进行有组织的划分，进而减少了特征的数据量，降低了特征匹配过程中的计算量，提高了图像特征匹配的效率。

附图说明

图1为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配方法的流程示意图；

图2为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配方法中图像特征簇之间的匹配关系示意图；

图3为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配装置的结构示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明实施例提供了一种基于聚类的形变图的渐进式图匹配方法及装置，下面首先就本发明实施例提供的一种基于聚类的形变图的渐进式图匹配方法进行介绍。

图1为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配方法的流程示意图，如图1所示，所述方法包括：

s101：获取待匹配图像的图像特征，其中，所述待匹配图像包括：第一待匹配图像及第二待匹配图像，且所述图像特征包括：图像几何形状特征。

示例性的，所获取的待匹配图像为图像p和图像q，其中图像p和图像q之一为未知图像，另一图像为已知图像。例如，在视频监控领域，要在大量的视频图像中获取与目标人物对应的视频帧时，已知图像为预先获取的目标人物的图像；未知图像为视频图像中的各帧图像。

在实际应用中，每一个待匹配图像中均包含若干个几何形状的特征，例如，待匹配图像中的点、线和区域特这呢个，如边缘、角点、轮廓等。通常情况下，可以采用特征提取算法获取各个特征，例如，角点检测算法有：harris角点检测算法，susan角点检测算法等等。

进一步的，图像特征可以包括但不仅限于图像几何特征，如图像的灰度特征、图像的色彩特征、图像的亮度特征等。

最后，将得到的待匹配图像的图像特征的集合作为候选响应集，例如图像p的候选响应集为其中，为候选响应集；ci为第i个图像特征；n为候选响应集中的特征的数量。

s102：将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇。

具体的，s102步骤可以包括以下步骤：

a：将待匹配图像转换成激活图像，并将所述激活图像中的每一个图像特征作为一个图像特征簇。

例如，在第一次迭代时，以s101步骤中的候选响应集为基础，初始化聚合的激活簇，令θ0＝{ci＝{ci}(i＝1,…,n)}，其中，

θ0为初始化聚合后的激活的图像特征簇的集合；ci为第i个激活的图像特征簇。

下面以第t次迭代为例进行说明，则第t次迭代时的聚合的激活簇为：

θt＝{ci＝{ci}(i＝1,…,n)}

在本步骤中，将各个图像特征作为一个激活的图像特征簇。

b：将激活图像中的各个图像特征簇进行配对处理，例如，针对待匹配图像p中的每一个图像特征簇，将该图像特征簇与待匹配图像p中的各个图像特征簇进行配对。然后针对每一个图像特征簇对，进行以下操作。

针对各个图像特征簇对中的每一个图像特征簇对，利用公式，获取所述图像特征簇对的最小不相似点的数量，其中，

k为图像特征簇对中所有可能的元素对不相似点的数量；kap为预设的第一控制参数；ca为图像特征簇a中元素的数量；cb为图像特征簇b中元素的数量；rap为预设的第二控制参数；|·|为欧几里得距离函数；|ca||cb|为图像特征簇对之间可能的元素对的数量。

应用上述计算方法，可以通过调整预设的第一控制参数以及预设的第二控制参数的大小，以有效避免knn(k-nearestneighbor，k近邻算法)聚类模型的渐进链接效应，并有效应对物体的变形。

c：利用公式，获取图像特征簇对的差异值，其中，

dknn(k,ca,cb)为图像特征簇对中图像特征簇a与图像特征簇b之间的差异值；γ为图像特征簇对中图像特征簇a与图像特征簇b之间的配对元素对的数量；min为最小值求值函数；∑为求和函数；d(mi,mj)为图像特征簇a中的元素mi与图像特征簇b中的元素mj之间的相似度；i为元素mi的序号；j为元素mj的序号。

应用本发明上述实施例，这个knn连接模型使用了两个图像特征簇之间所有可能的元素对不相似点的k个最小不相似点的平均值。在恢复拉长或连接的集群时，它很鲁棒，因为它考虑了k个支持元素对，而不是像单键那样只考虑一个元素对。

d：判断所述图像特征簇对的差异值是否小于预设的差异阈值；若是执行e步骤；若否执行f步骤。

示例性的，图像特征簇a与图像特征簇b之间的差异值是否小于差异阈值δd；

如果该差异值小于差异阈值δd，说明图像特征簇a与图像特征簇b之间的相似度比较大，可以将图像特征簇a与图像特征簇b合并成一个图像特征簇，此时执行e步骤。

如果该差异阈值小于δd，即大于或等于差异阈值δd，说明图像特征簇a与图像特征簇b之间的相似度比较小，不能将图像特征簇a与图像特征簇b合并成一个图像特征簇，此时执行f步骤。

e：将图像特征簇对合并成一个图像特征簇，并返回执行步骤b，直至任一个图像特征簇对的差异值不小于差异阈值。

示例性的，在该步骤中，将图像特征簇a与图像特征簇b合并成一个图像特征簇，得到新的图像特征簇cq，然后，将新的图像特征簇cq加入到激活簇集合θt中，将图像特征簇a与图像特征簇b从激活簇集合θt中删除，即：

θt＝(θt-{ca,cb})∪{cq}。

可以理解的是，在第一次迭代时，将新的图像特征簇cq加入到激活簇集合θ0中，将图像特征簇a与图像特征簇b从激活簇集合θ0中删除，即：

θ0＝(θ0-{ca,cb})∪{cq}。

依此类推，在激活簇集合更新完成后，返回执行步骤b，不断执行循环操作，直至各个图像特征簇对的差值不小于差异阈值δd才结束循环。

f：在其他图像特征簇对的差异值不小于预设的差异阈值的情况下，将所述图像特征簇作为合并后的图像特征簇。

示例性的，当且仅当图像特征簇a与图像特征簇b之间的差异值大于或者等于差异阈值δd，同时，其他图像特征簇对之间的差异值大于或者等于差异阈值δd的情况下，才会结束迭代，将该迭代后的聚类结果作为最终的聚类结果，此时，可以得到若干个聚类后的图像特征簇。

在s102步骤中，knn聚类算法反映了可变形对象部分之间的连通性以及对象部分的紧致性。在每个聚合步骤中，相似性大的图像特征簇可能会合并成更大的图像特征簇，而具有相似性小的图像特征簇可能仍然是较小的图像特征簇，进而减少了图像特征簇的数量。

在本发明实施例中，对图像特征进行聚类划分就类似于给予每个图像特征一种标记。近年来，鲁棒的特征对应方法被提出用于考虑图像间物体的几何畸变。他们通过定义一个基于光度相似度和对应的几何兼容性的目标函数，将视觉对应表述为一个图像匹配问题。尽管这些方法表现出了良好的性能，但它们都是处理离群值比相对较低的弱监督情况，即两个图像有一个共同的对象或使用一个模型图像。然而，在现实世界中，图像对可能具有明显的杂乱、多个公共对象，甚至多个对象之间的对应关系。

因此，特征对应问题需要针对显著异常值的多个对象以及多个对应簇，以一种无监督的方式交叉查找。我们的目标是针对任意图像的显著杂波和变形，建立特征对应及其基于对象的聚类。基于以下观点：

本发明实施例在s101步骤中应用了自底向上聚合策略：如果我们从可靠的初始匹配开始，逐步将它们与可靠的邻居合并，那么尽管存在大量分散注意力的异常值，仍然可以有效地收集异常值。例如，基于种子的探测方法表明，这种具有迭代匹配传播的自底向上聚合可以提高目标识别性能。

另外，本发明实施例还考虑了各部分之间的连通性：对于可变形物体，由于变形的原因，特征对应并不在其几何相似性的两两上形成全局紧致性，变形的部分是由一些中介部分局部连接的。因此，对于形变对象特征对应的聚类，需要考虑连通准则。

综上，本发明实施例在早期形成紧凑的对应簇，并逐步合并适应对象变形部分的局部连通簇，最后通过构建图模型，进行渐进式图匹配优化，达到更好的匹配效果。

s103：根据待匹配图像的图像特征簇与其他待匹配图像的图像特征簇之间的匹配关系，获取针对所述待匹配图像与其它待匹配图像的候选匹配，并针对每一个候选匹配，根据所述候选匹配的分配矩阵和对称相似性矩阵，获取所述候选匹配的相似性值，并根据所述相似性值的最大值获取所述候选匹配的指示向量。

具体的s103步骤，可以包括以下步骤：

g：图像p和图像q分别经过s102步骤的处理后，分别得到了聚类后的图像特征簇。并针对图像p和图像q分别构建对应的激活图：

在获取候选匹配的指示向量时，也需要经过若干次迭代，下面以第t次迭代为例进行说明：

在第t次迭代时，图像p对应的激活图为：其中，

vt^p为图像p对应的激活图中包含的边的集合；为图像p对应的激活图中包含的点的集合；为图像p在第t次迭代时的图像特征集合；

在第t次迭代时，图像q对应的激活图为：其中，

为图像p对应的激活图中包含的边的集合；为图像p对应的激活图中包含的点的集合；为图像q在第t次迭代时的图像特征集合。

然后针对激活图中的每一个图像特征簇，建立该图像特征簇与激活图中的各个图像特征簇之间的候选匹配，即：

其中，

ct为第t次迭代时的候选匹配的集合。

需要强调的是，在构建候选匹配时，需要遵循以下约束条件：

获取候选匹配对应的约束条件，其中，

mt为候选匹配对应的初始指示向量；mt为分配矩阵；n^p为第一待匹配图像中图像特征簇的数量；n^q为第二待匹配图像中图像特征簇的数量；为一个尺度为n的全一向量；为一个尺度为n的全一向量，并且矩阵中的元素均小于或者等于中的每个元素。

上式的意义为双向约束表示与的一对一匹配，使得mt为分配矩阵。

下面以图像p与图像q之间的若干个候选匹配中的一个候选匹配为例进行指示向量获取过程的说明。

h：图2为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配方法中图像特征簇之间的匹配关系示意图，如图2所示，

在图2中，为图像p中的第i个图像特征簇；为图像p中的第j个图像特征簇；为图像q中的第a个图像特征簇；为图像q中的第b个图像特征簇；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的仿射同应变换结果；γia为第一待匹配图像中的图像特征簇i到第二待匹配图像中的图像特征簇a的仿射同应变换结果。

以为中心的仿射区域特征i可以用椭圆区域表示，其方向由局部区域的梯度直方图的优势方向估计。利用这些特征，可以推导出从第一待匹配图像p中的图像特征簇i到第二待匹配图像q中的另一个图像特征簇特征a的仿射同应变换γia(·)，使得两点和的邻域m^p和m^q有关：m^q＝γia(m^p)。然后，给定两个匹配(i,a)和(j,b)，如图2所示，(j,b)对(i,a)的传递误差用djb|ia表示。

i：利用公式，计算与候选匹配对应的，第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，其中，

djb|ia为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的候选匹配(j,b)对，与第一待匹配图像中的图像特征簇i到第二待匹配图像中的图像特征簇a构成的候选匹配(i,a)之间的传递误差；||||为范数函数；为第二待匹配图像中的图像特征簇b；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的仿射同应变换结果；为第一待匹配图像中的图像特征簇j。可以理解的是，在本步骤中图像特征簇为边的簇。可以将一个图像特征簇作为一个节点进行迭代处理。

γia的单应性可以更好地将特征vj的中心点转移到图像特征簇vb的中心点，则即使djb|ia的值最小。

j：根据第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，利用公式，计算候选匹配对应的对称相似性值，其中，

wia；jb为候选匹配对应的对称相似性值，且该候选匹配为包括边以及的候选匹配；p为第一待匹配图像；q为第二待匹配图像；ε^p为第一待匹配图像中包含的边的集合；ε^q为第二待匹配图像中包含的边的集合；i为第一待匹配图像中的第i个点；j为第一待匹配图像中的第j个点；a为第二待匹配图像中的第a个点；b为第二待匹配图像中的第b个点；为候选匹配对应的匹配图像特征簇以及匹配图像特征簇所对应的对称传输错误的二阶相似性函数；dbj|ai为第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)对，与第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)之间的传递误差；dia|jb为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇a构成的匹配(i,a)对，与第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)之间的传递误差；dai|bj为第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)，与第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)之间的传递误差；α为预先设定的图像特征簇相似的阈值；max()为最大值求值函数。

上述函数也可以被称为ste二阶相似性函数。

k：根据所述候选匹配对应的对称相似性值，将所述对称性相似性值作为元素，构建对称相似性矩阵。

示例性的，可以将wia；jb作为对称相似性矩阵中的元素，进而构建图像p和图像q之间的对称相似性矩阵。

l：根据所述候选匹配对应的约束矩阵以及所述候选匹配对应的对称相似性矩阵，利用公式，s(mt)＝mt^twmt，获取所述候选匹配的相似性值，其中，

s(mt)为第t次迭代时，在分配矩阵为mt时所述候选匹配的相似性值；mt^t为第t次迭代时，分配矩阵mt的转置；w为候选匹配对应的对称传输错误。

二阶相似性函数被编码在对称相似矩阵w中，且二阶相似性函数里的元素包含两个匹配节点和

m：，所述根据所述相似性值的最大值获取所述候选匹配的指示向量，包括：

利用公式，计算候选匹配对应的指示向量，其中，

为候选匹配对应的指示向量；为函数最大值的变量求值函数；s(mt)为候选匹配的相似性值。

在本步骤中，将相似性值最大的候选匹配对应的图像特征簇之间的匹配关系作为指示向量。

完成层次聚类后，使用基于图模型的渐进式图匹配方法，这一步由两个交替的过程组成：图匹配和图进阶。图匹配为上述层次聚类算法所得结果转化成的激活图，激活图中包含较少特征的多目标匹配，而图进阶则更新激活图及其相似矩阵，以提高下一次图匹配的得分。渐进图匹配的目标是通过自适应重组图g^p和g^q，进一步最大化图匹配得分。

s104：判断所述指示向量对应的相似性值是否收敛；若否，执行s105；若是，执行s106。

示例性的，判断第t次迭代时的指示向量对应的最大相似性值与第t-1次迭代时的最大相似性值之间的差值，是否小于预设阈值；

若是，可以认为指示向量对应的相似性值收敛，进而执行s105步骤；

若否，指示向量对应的相似性值不收敛，进而执行s106步骤。

s105：根据各个候选匹配的指示向量，获取所述指示向量的置信度，在所述指示向量的置信度不小于预设阈值的情况下，更新所述匹配矩阵中的元素值，得到更新后的匹配矩阵；并返回执行步骤s103，直至指示向量对应的相似性值收敛，并在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

具体的s105步骤可以包括以下步骤：

n：可以利用公式，获取matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率，其中，

为matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率；v^q为第二待匹配图像中的图像特征簇的集合；为第二待匹配图像中的图像特征簇集合中的图像特征簇b；v^p为第一待匹配图像中的图像特征簇的集合；为第一待匹配图像中的图像特征簇的集合中的图像特征簇b；m为当前次迭代中的中间变量的集合；matcht为匹配矩阵对应的匹配边的集合；mi为匹配矩阵中的第i个匹配边，且为第一待匹配图像中图像特征簇p与图像特征簇i之间的边；为第二待匹配图像中图像特征簇q与图像特征簇i之间的边；nn(·)为最近邻图像特征函数；为以mi为中间变量时，图像特征簇的最近邻特征；k为图像特征簇对的最小不相似点的数量；k2为knn当前次迭代中的图像特征簇聚类中的第二参数，表示k2近邻；

z为归一化函数；且exp()为以自然底数为底的指数函数；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与中间变量之间的传递误差。

在图渐进中，给定当前的图匹配mt(维度为h×w，图p有h个特征，图q有w个特征)，判断mt的(i,j)和(j,i)位置的元素是否相等且为1，得到图p和图q的匹配边

o：利用公式，获取在matcht中选择mi作为中间变量的概率，其中，

p(v^p＝v^p|m＝mi,matcht)为在matcht中选择mi作为中间变量的概率；v^p为第一待匹配图像中的图像特征簇的集合中的图像特征簇；k1为knn当前次迭代中的图像特征簇聚类中的第一参数，表示k1近邻；

p：利用公式，获取matcht中图像特征簇v^q与中间变量mi相关的概率，其中，

p(m＝mi|matcht)为matcht中图像特征簇v^q与中间变量mi相关的概率；matcht为匹配矩阵对应的匹配边的数量；

q：可以利用公式，

获取指示向量的置信度，其中，

p(v^p,v^q|mt)为指示向量的置信度，即两个极大图之间候选匹配的条件概率；mt为匹配矩阵；p(v^q|v^p，m＝mi,mt)为n步骤中matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率；p(v^p|m＝mi,mt)为o步骤中在matcht中选择mi作为中间变量的概率；p(m＝mi|mt)为p步骤中matcht中图像特征簇v^q与中间变量mi相关的概率。

r：在所述指示向量的置信度不小于预设阈值的情况下，更新所述匹配矩阵中的元素值，得到更新后的匹配矩阵：

判断置信度是否大于或者等于预设阈值μ，取其中高于预设阈值μ的v^pv^q及其构成的边作为新候选匹配集ct+1中元素，以及新的激活图和新的激活图由ct+1中的节点和边缘组成。

根据指示向量对应的图像特征簇之间的对应关系，在匹配矩阵中查找到对应的元素值，然后将该元素值更新为指示向量的置信度，进而完成匹配向量的更新，然后，返回执行步骤s103，直至指示向量对应的相似性值收敛，图渐进匹配中,使用约束保证非递减分数来达到每一步的最优图匹配。继续迭代下去，直到相似度值收敛。

在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

如果的最近邻的匹配已经存在于当前匹配matcht的图中，即匹配被认为是非常可靠的，并获得最大得分；

否则，当时,的k最近邻获得该最大得分。

在实际应用中，可以根据p(v^p,v^q|matcht)的分布，来确定阈值μ的值；另外，中间变量是为了方便计算添加的。

s106：在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

示例性的，在第t次迭代时，其他候选匹配的指示向量的处理过程如步骤h至步骤s104所示，只有在各个指示向量的相似性值均收敛时，才会结束迭代；

如果有一个候选匹配的指示向量的相似性值不收敛，则需要执行s105步骤。

应用本发明图1所示实施例，由于在待匹配图像中提取出来的特征中，很多特征之间都会或多或少存在相关信息，这些相关信息就可以用来标记特征。因此，可以在将图像特征提取出来后，对图像的特征进行聚类，挖掘特征集中属性相似的特征，将特征集中的特征进行有组织的划分，进而减少了特征的数据量，降低了特征匹配过程中的计算量，提高了图像特征匹配的效率。

与本发明图1所示实施例相对应，本发明实施例还提供了一种基于聚类的形变图的渐进式图匹配装置。

图3为本发明实施例提供的一种基于聚类的形变图的渐进式图匹配装置的结构示意图，如图3所示，所述装置包括：

第一获取模块301，用于获取待匹配图像的图像特征，其中，所述待匹配图像包括：第一待匹配图像及第二待匹配图像，且所述图像特征包括：图像几何形状特征；

合并模块302，用于将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；

第二获取模块303，用于根据待匹配图像的图像特征簇与其他待匹配图像的图像特征簇之间的匹配关系，获取针对所述待匹配图像与其它待匹配图像的候选匹配，并针对每一个候选匹配，根据所述候选匹配的分配矩阵和对称相似性矩阵，获取所述候选匹配的相似性值，并根据所述相似性值的最大值获取所述候选匹配的指示向量；

判断模块304，用于判断所述指示向量对应的相似性值是否收敛；

第三获取模块305，用于在所述判断模块304的判断结果为否的情况下，根据各个候选匹配的指示向量，获取所述指示向量的置信度，在所述指示向量的置信度不小于预设阈值的情况下，更新所述匹配矩阵中的元素值，得到更新后的匹配矩阵；并触发第二获取模块303，直至指示向量对应的相似性值收敛，并在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果；

设置模块306，用于在所述判断模块304的判断结果为是的情况下，在各个指示向量对应的相似性值均收敛的情况下，将所述匹配矩阵中的各个图像特征的对应关系作为所述待匹配图像的匹配结果。

应用本发明图3所示实施例，由于在待匹配图像中提取出来的特征中，很多特征之间都会或多或少存在相关信息，这些相关信息就可以用来标记特征。因此，可以在将图像特征提取出来后，对图像的特征进行聚类，挖掘特征集中属性相似的特征，将特征集中的特征进行有组织的划分，进而减少了特征的数据量，降低了特征匹配过程中的计算量，提高了图像特征匹配的效率。

在本发明实施例的一种具体实施方式中，所述合并模块302，用于：

a：将待匹配图像转换成激活图像，并将所述激活图像中的每一个图像特征作为一个图像特征簇；

b：将激活图像中的各个图像特征簇进行配对处理，并针对各个图像特征簇对中的每一个图像特征簇对，利用公式，获取所述图像特征簇对的最小不相似点的数量，其中，

k为图像特征簇对中所有可能的元素对不相似点的数量；kap为预设的第一控制参数；ca为图像特征簇a中元素的数量；cb为图像特征簇b中元素的数量；rap为预设的第二控制参数；|·|为欧几里得距离函数；|ca||cb|为图像特征簇对之间可能的元素对的数量；

c：利用公式，获取图像特征簇对的差异值，其中，

dknn(k,ca,cb)为图像特征簇对中图像特征簇a与图像特征簇b之间的差异值；γ为图像特征簇对中图像特征簇a与图像特征簇b之间的配对元素对的数量；min为最小值求值函数；∑为求和函数；d(mi,mj)为图像特征簇a中的元素mi与图像特征簇b中的元素mj之间的相似度；i为元素mi的序号；j为元素mj的序号；

d：判断所述图像特征簇对的差异值是否小于预设的差异阈值；

e：若是，将图像特征簇对合并成一个图像特征簇，并返回执行步骤b，直至任一个图像特征簇对的差异值不小于差异阈值；

f：若否，在其他图像特征簇对的差异值不小于预设的差异阈值的情况下，将所述图像特征簇作为合并后的图像特征簇。

在本发明实施例的一种具体实施方式中，所述第二获取模块303，用于：

获取候选匹配对应的约束条件，其中，

mt为候选匹配对应的初始指示向量；mt为分配矩阵；n^p为第一待匹配图像中图像特征簇的数量；n^q为第二待匹配图像中图像特征簇的数量；为一个尺度为n的全一向量；为一个尺度为n的全一向量；

利用公式，计算与候选匹配对应的，第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，其中，

djb|ia为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与第一待匹配图像中的图像特征簇i到第二待匹配图像中的图像特征簇a构成的匹配(i,a)之间的传递误差；||||为范数函数；为第二待匹配图像中的图像特征簇b；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的仿射同应变换结果；为第一待匹配图像中的图像特征簇j；

根据第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b的传递误差，利用公式，计算候选匹配对应的对称相似性值，其中，

wia；jb为候选匹配对应的对称相似性值，且该候选匹配为包括边以及的候选匹配；p为第一待匹配图像；q为第二待匹配图像；ε^p为第一待匹配图像中包含的边的集合；ε^q为第二待匹配图像中包含的边的集合；i为第一待匹配图像中的第i个点；j为第一待匹配图像中的第j个点；a为第二待匹配图像中的第a个点；b为第二待匹配图像中的第b个点；为候选匹配对应的匹配图像特征簇以及匹配图像特征簇所对应的对称传输错误的二阶相似性函数；dbj|ai为第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)对，与第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)之间的传递误差；dia|jb为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇a构成的匹配(i,a)对，与第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)之间的传递误差；dai|bj为第二待匹配图像中的图像特征簇a到第一待匹配图像中的图像特征簇i构成的匹配(a,i)，与第二待匹配图像中的图像特征簇b到第一待匹配图像中的图像特征簇j构成的匹配(b,j)之间的传递误差；α为预先设定的图像特征簇相似的阈值；max()为最大值求值函数；

根据所述候选匹配对应的对称相似性值，将所述对称性相似性值作为元素，构建对称相似性矩阵；

根据所述候选匹配对应的约束矩阵以及所述候选匹配对应的对称相似性矩阵，利用公式，s(mt)＝mt^twmt，获取所述候选匹配的相似性值，其中，

s(mt)为第t次迭代时，在分配矩阵为mt时所述候选匹配的相似性值；mt^t为第t次迭代时，分配矩阵mt的转置；w为候选匹配对应的对称传输错误。

在本发明实施例的一种具体实施方式中，所述第二获取模块303，用于：

利用公式，计算候选匹配对应的指示向量，其中，

为候选匹配对应的指示向量；为函数最大值的变量求值函数；s(mt)为候选匹配的相似性值。

在本发明实施例的一种具体实施方式中，所述第三获取模块305，用于：

利用公式，获取matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率，其中，

为matcht中图像特征簇v^q和图像特征簇v^p的集合与中间变量mi相关的概率；v^q为第二待匹配图像中的图像特征簇的集合；为第二待匹配图像中的图像特征簇集合中的图像特征簇b；v^p为第一待匹配图像中的图像特征簇的集合；为第一待匹配图像中的图像特征簇的集合中的图像特征簇b；m为当前次迭代中的中间变量的集合；matcht为匹配矩阵对应的匹配边的集合；mi为匹配矩阵中的第i个匹配边，且为第一待匹配图像中图像特征簇p与图像特征簇i之间的边；为第二待匹配图像中图像特征簇q与图像特征簇i之间的边；nn(·)为最近邻图像特征函数；为以mi为中间变量时，图像特征簇的最近邻特征；k为图像特征簇对的最小不相似点的数量；k2为knn当前次迭代中的图像特征簇聚类中的第二参数，表示k2近邻；z为归一化函数；且exp()为以自然底数为底的指数函数；为第一待匹配图像中的图像特征簇j到第二待匹配图像中的图像特征簇b构成的匹配(j,b)对，与中间变量之间的传递误差；

利用公式，获取在matcht中选择mi作为中间变量的概率，其中，

p(v^p＝v^p|m＝mi,matcht)为在matcht中选择mi作为中间变量的概率；v^p为第一待匹配图像中的图像特征簇的集合中的图像特征簇；k1为knn当前次迭代中的图像特征簇聚类中的第一参数，表示k1近邻；

利用公式，获取matcht中图像特征簇v^q与中间变量mi相关的概率，其中，

p(m＝mi|matcht)为matcht中图像特征簇v^q与中间变量mi相关的概率；matcht为匹配矩阵对应的匹配边的数量；

利用公式，获取指示向量的置信度，其中，

p(v^p,v^q|mt)为指示向量的置信度；mt为匹配矩阵。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。