来源：期刊VIP网 时间：
作者：向梦丽;黄志勇;
单位：三峡大学计算机与信息学院;
摘要：针对现有特征匹配方法在大尺度变化场景下匹配数量少、误匹配率高的问题，基于局部特征匹配框架ELoFTR(efficient detector-free local feature matching with transformers)提出一种新颖的特征匹配算法SA-LoFTR(scale adaptive-LoFTR)。该算法首先利用一种多尺度下采样融合策略以增强注意力机制的尺度敏感性，借助多尺度机制和小波下采样同时提取局部和全局信息，提升模型对尺度变化的适应能力；其次，引入尺度自适应区域对齐模块，通过初始匹配点分布估计尺度比值，自适应裁剪并放大较小的共视区域，增加匹配点对的数量；最后，设计了一种双阈值过滤机制，通过置信度阈值和局部支持性验证联合判定有效匹配点，剔除低置信度且缺乏局部一致性的误匹配。在公共数据集MegaDepth和HPatches以及自制数据集ScaleMega上进行的大量实验验证了SALoFTR的优越性，其匹配精度和匹配数量相较于E-LoFTR均显著提升。
关键词：特征匹配;;E-LoFTR;;共视区域提取;;多尺度;;大尺度变化场景
基金资助：国家自然科学基金项目（编号：62371271）
