基于卷积神经网络的SIFT特征描述子降维方法

针对128维尺度不变特征变换(SIFT)特征描述子进行图像局部特征点提取时匹配时间过长,以及三维重建进行特征点配准时的应用局限性,结合深度学习方法,提出一种基于卷积神经网络的SIFT特征描述子降维方法。该方法利用卷积神经网络强大的学习能力实现了SIFT特征描述子降维,同时保留了良好的仿射变换不变性。实验结果表明,经过训练的卷积神经网络将SIFT特征描述子降至32维时,新的特征描述子在旋转、尺度、视点以及光照等仿射变换下均具有良好的匹配效果,匹配效率比传统SIFT特征描述子效率提高了5倍。