(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210975909.3 (22)申请日 2022.08.15 (71)申请人 中国科学院国家空间科 学中心 地址 100190 北京市海淀区中关村南 二条1 号 (72)发明人 樊铭瑞　芦文龙　牛文龙　彭晓东　 杨震　 (74)专利代理 机构 北京方安思达知识产权代理 有限公司 1 1472 专利代理师 王蔚　刘振 (51)Int.Cl. G06V 10/74(2022.01) G06V 10/46(2022.01) G06V 10/52(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种大尺度不变性的深空小天体图像匹配 的方法 (57)摘要 本发明涉及一种大尺度不变性的深空小天 体图像匹配的方法， 所述方法包括： 仿真生成不 同轨道绕飞小天体时拍摄的图像， 建立训练数据 集和测试数据集； 然后构建深空尺度估计网络模 型， 使用训练数据集对网络模型进行训练， 通过 测试数据集获得输入的测试图像之间的尺度分 布， 进而实现深空小天体图像匹配； 深空尺度估 计网络模型包括全局注意力密集ASPP模块和相 关感知分布预测模块； 全局注意力密集ASPP模 块， 用于获取相关特征图； 相关感知分布预测模 块基于Transformer结构的下采样模块建立， 用 于对相关特征图进行处理得到尺度分布； 将尺度 分布转换为尺度因子， 根据尺度因子实现大尺度 变化下的图像匹配。 本发明解决了小天体图像在 发生大尺度变化时无法正确匹配的问题。 权利要求书2页 说明书9页 附图10页 CN 115359271 A 2022.11.18 CN 115359271 A 1.一种大尺度不变性的深空小天体图像匹配方法， 所述方法包括： 仿真生成不同轨道绕飞小天体时拍摄的图像， 建立训练数据集和测试数据集； 然后建 立深空尺度估计网络模型， 使用训练数据集对网络模型进行训练， 通过测试数据集获得输 入的测试图像之间的尺度分布； 所述深空尺度估计网络模型包括： 全局注意力密集ASPP模块和相关感知分布预测模 块； 所述全局注 意力密集ASPP模块， 用于对输入图像的特征图进 行处理获取相关特征图； 所 述相关感知分布预测模块基于Tr ansformer结构的下采样模块建立， 用于对相关特征图进 行处理得到尺度分布； 最后， 将尺度分布转换为尺度因子， 根据尺度因子对输入图像进行缩放将图像特征调 整到相同尺度级别， 实现大尺度变化下的图像匹配。 2.根据权利要求1所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述方法中， 使用训练数据集对网络模型进行训练时包括以下步骤： 1)仿真生成不同轨道绕飞小天体时拍摄的图像， 建立训练数据集和 测试数据集； 2)建立深空尺度估计网络模型： 所述深空尺度估计网络还包括预训练模型， 用于对输 入图像进行 特征图提取； 建立基于全局注意力机制的空洞空间卷积池化金字塔ASPP模块， 并基于空洞空间卷积 池化金字塔ASPP模块和广义相加 模型建立全局注意力密集ASPP模块； 基于Transformer结 构的下采样模块、 平均池层和全连接层建立相关感知分布预测模块； 基于预训练模型、 全局 注意力密集AS PP模块和相关感知分布预测模块建立深空尺度估计网络模型； 3)设置损 失函数， 使用训练数据集对深空尺度估计网络模型进行训练， 得到训练好的 网络模型。 3.根据权利要求2所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述步骤1)使用Blender仿真引擎生成小天体图像数据集， 具体包括： 在Blender仿真引擎中 添加小天体模型， 将其质心作为世界坐标系原 点， 在小天体附近放置四个光源， 将相机放置 在不同轨道高度， 环绕拍摄多张图像， 其中相机 z轴始终指向小天体质心。 4.根据权利要求1所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述获取相关特 征图的过程具体包括： 首先， 对输入的不同轨道绕飞小天体时拍摄的图像， 包括高轨道拍摄图像A和低轨道拍 摄图像B， 分别通过VGG特征提取器获取特征图， 并分别将对应的特征图F输入全局注 意力密 集ASPP模块； 然后， 通过广义相加模型对特征图进行处理： 分别通过通道注意力门和 空间注意力门 进行细化， 表达式为： 其中， F′和F″分别为通道细化和空间细化的特征图， Mc(F)为通过通道注意力门后 得到 通道模块的注意力特征图、 Ms(F′)为通过空间注意力门后得到空间模块的注意力特征图， 为元素级别乘法； 最后， 将细化的特征图F ″送入致密空洞空间卷积池化金字塔ASPP模块， 通过密集的连权　利　要　求　书 1/2 页 2 CN 115359271 A 2接对特征图的多尺度信息进 行编码， 分别获得图像A、 图像B的自相关特征图地图 以及图像A 和图像B的互相关特征图地图， 并将图像A和图像B的自相关特征图地图以及互相关特征图 地图在通道维度上进行拼接 。 5.根据权利要求4所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述致密空洞空间卷积池化金字塔AS PP模块包括 一个级联的空洞卷积层。 6.根据权利要求4所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述相关感知分布预测模块包括： 堆叠的变换器下采样模块、 平均池层和一组全连接层。 7.根据权利要求6所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述对相关特 征图进行处 理得到尺度分布， 包括： 首先， 将拼接后的相关图Ccat输入相关感知分布预测模块； 然后， 通过Transformer结构的下采样模块对Ccat的高度和宽度进行 下采样处 理； 之后， 将处 理后的相关图前馈 到平均池化层进行池化操作； 最后， 将池化后的相关图扁平化， 并通过一组全连接层处 理以获得尺度分布。 8.根据权利要求7所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述Transformer结构的下采样模块的数量N＝2； 所述下采样模块包括一个3 ×3卷积层， 一个 多头注意力层， 最后是一个3 ×3卷积层； 每个3 ×3卷积层之后是一个批处理归一化层和 ReLu激活函数， 最后一个卷积层的步长设置为2。 9.根据权利要求2所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所 述方法使用Kul lback‑Leibler散度作为损失函数L oss(A,B)， 表达式为： 其中， KL(·,·)为Kullback‑Leibler散度函数， PB→A为估计分布， 为真实分布。 10.根据权利要求1所述的大尺度不变性的深空小天体图像匹配的方法， 其特征在于， 所述方法将尺度分布转换为尺度因子， 包括： 图像A到图像B的尺度因子SA→B， 表达式为： 其中， σ＝2； 为定义在尺度空间的图像A到B的全局尺度因子， 为在尺度空 间的图像A到B的尺度因子， 为在尺度空 间的图像B到A的尺度因子， 当算法估计的 和 完全准 确时， 二者互为相反数， 即可得到 L为尺度级别， L＝13； Si为第i个级别的尺度 因子， Si＝σt； 上角标i表示第i个尺度等级， i∈[0,1 …,L‑1]； t的取值范围是 范围内的所有整数； 一个尺度等级Si分别对应一个分布概率 或 表示第i个 级别的对于图像A到B的分布概 率； 表示第i个级别的对于图像B到A的分布概 率。权　利　要　求　书 2/2 页 3 CN 115359271 A 3