一种可匹配影像自适应检索方法、装置及存储介质

1.本发明涉及可匹配影像技术领域，具体涉及一种可匹配影像自适应检索方法、装置及存储介质。


背景技术：

2.目前，基于无序影像的三维模型重建是当前数字摄影测量和计算机视觉等领域的研究重点和热点。影像特征匹配是基于无序影像的三维重建，即运动恢复结构（structure from motion，sfm）中最耗时的计算过程之一。由于无序影像缺少pos信息、gps定位、航线规划、影像拍摄顺序等先验信息，影像特征匹配环节往往需要所有影像进行穷举匹配（n*（n-1）/2次计算），这其中存在大量无关影像之间的不必要匹配，造成了极大的计算资源消耗和时间的浪费。
3.当前，面向三维重建的可匹配影像检索技术的主流技术路线是提取影像局部特征点（sift、surf、orb等）算子，基于词袋模型聚类生成视觉词典，通过视觉词典将所有影像转换为维度相同的视觉词典向量，通过计算高维向量间的距离，如欧式距离、余弦距离、汉明距离等作为相似度数值来表征影像之间的相似程度（0到1之间，值越高越相似），进而通过相似度测度得到可匹配影像对。
4.然而，在现有技术的相似度测度方法中，主要采用的是固定阈值方法。基于固定阈值方法是通过多次实验，得到一个经验阈值（阈值大于某数值n的影像，或者相似度数值靠前的n张影像）作为判断影像相似的依据，基于固定阈值方法容易造成检索结果冗余或过少，导致无关影像间的不必要匹配或影像特征匹配不充分，进而影响后续的三维重建效果。
5.鉴于此，现有技术还有待改进和发展。


技术实现要素：

6.鉴于上述现有技术的不足之处，本发明的目的在于提供一种可匹配影像自适应检索方法、装置及存储介质，以解决现有的三维重建效率低的技术问题。
7.本发明解决技术问题所采用的技术方案如下：第一方面，本发明提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法包括：获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量；根据所述相似度向量的相似度值大小进行排序，得到排序后的相似度向量；将所述排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数；计算所述高次多项式函数的拐点值，并根据所述拐点值计算出影像的自适应阈值；根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结
果及对应的影像。
8.在一种实现方式中，所述获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量，之前包括：获取多个预设影像；提取多个所述预设影像的局部特征点，并对提取的局部特征点进行类聚，生成视觉词典；根据所述视觉词典，将多个所述预设影像转化为多个相同维度的视觉词典向量；设置多个所述视觉词典向量间的距离，并根据所述距离得到所有表征影像相似关系的相似度值，得出相似度矩阵。
9.在一种实现方式中，所述获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量，包括：获取待参与三维重建的无序影像集及所述预先训练的视觉词典；提取所述预先训练的视觉词典中的相似度矩阵；根据所述相似度矩阵提取所述无序影像集中每张影像的相似度向量。
10.在一种实现方式中，所述将排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数，包括：按照从大到小的顺序对多个所述相似度值进行排列，将排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数：其中，y为相似度值，x为排序后的影像序号，a、b、c、d均为常数项系数；根据解析的函数系数得到拟合影像相似度分布曲线的高次多项式函数。
11.在一种实现方式中，所述计算高次多项式函数的拐点值，并根据所述拐点值计算出影像的自适应阈值，包括：根据所述高次多项式函数进行求导，令导函数为零，计算出拐点值，并将所述拐点值代入到所述高次多项式函数中计算出影像的自适应阈值。
12.在一种实现方式中，所述根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结果及对应的影像，包括：按照从大到小的顺序依次判断各相似度向量的相似度值是否大于对应的所述自适应阈值；选择所有大于所述自适应阈值的相似度向量，并对所选相似度向量输出相匹配的影像；选择所有小于等于所述自适应阈值的相似度向量，并将所选相似度向量排除。
13.在一种实现方式中，所述根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结果及对应的影像，之后包括：统计相同序号下相似度矩阵内所述相似度值大于所述自适应阈值的数量，得出共同伙伴数量，直至遍历所有所述相似度向量；根据所述共同伙伴数量设置指定值，若所述共同伙伴数量大于等于所述指定值，
两张影像则被视为具有同名像点的相似影像对。
14.在一种实现方式中，所述可匹配影像自适应检索方法还包括：若所述共同伙伴数量小于所述指定值，则被视为影像的检索粗差，将其剔除。
15.第二方面，本发明提供了一种可匹配影像自适应检索装置，包括：存储器和处理器；所述存储器存储有可匹配影像自适应检索程序，所述可匹配影像自适应检索程序被处理器执行时用于实现如上所述的可匹配影像自适应检索方法的操作。
16.第三方面，本发明提供了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有可匹配影像自适应检索程序，所述可匹配影像自适应检索程序被处理器执行时用于实现如上所述的可匹配影像自适应检索方法的操作。
17.与现有技术相比，本发明的有益效果为：1）本技术通过高次多项式函数拟合无序影像的相似度分布曲线，通过函数求导得到相似度值变化最剧烈的拐点，得到每张影像的自适应阈值作为相似测度方法的判断依据，进而避免当前相似度测度方法中存在的阈值不准确导致的检索结果冗余或过少问题；2）本技术提出“相似影像对应当具有较多共同相似影像”这一粗差剔除策略，基于相似度矩阵、自适应阈值等数值统计影像间的共同伙伴数量，并以此作为检索粗差的甄别依据，进而避免由于局部视觉内容相似导致的检索粗差结果。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
19.图1为本发明提供的可匹配影像自适应检索方法的流程图；图2为本发明提供的建立相似度矩阵的流程图；图3为得到相似影像结果后的粗差剔除的流程图；图4为图1的可匹配影像自适应检索方法的详细流程图；图5为图3的得到相似影像结果后的粗差剔除的详细流程图；图6为本发明提供的可匹配影像自适应检索装置的功能原理图。
20.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
21.本技术提供可匹配影像自适应检索方法、装置及存储介质，为使本技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
22.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在
中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
23.本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
24.示例性方法在现有的相似度测度方法中，主要采用的是固定阈值方法。基于固定阈值方法是通过多次实验，得到一个经验阈值（阈值大于某数值n的影像，或者相似度数值靠前的n张影像）作为判断影像相似的依据，基于固定阈值方法容易造成检索结果冗余或过少，导致无关影像间的不必要匹配或影像特征匹配不充分，进而影响后续三维重建效果。
25.同时，现有的相似度测度方法中，还存在着基于均值阈值方法。基于均值阈值方法通过计算检索影像与剩余影像之间的相似度数值的平均值和标准方差，通过均值和标准方差的线性函数得到检索影像的均值阈值，该均值阈值具有一定的自适应性，相较于固定阈值方法，可以在一定程度上抑制检索结果冗余或过少的问题，但由于该方法并不能精确定位到影像“相似”的准确数值，所以检索结果的精确度仍然不高，当前的相似度测度方法有待进一步改进和提升。
26.针对以上问题，本实施例中提供了一种可匹配影像自适应检索方法，通过预先训练的视觉词典提取每张影像的相似度向量，以及将相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数；计算高次多项式函数的拐点值，并根据拐点值计算出影像的自适应阈值；根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结果及对应的影像，避免当前相似度测度方法中存在的阈值不准确导致的检索结果冗余或过少问题。
27.如图1所示，本发明实施例提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法包括以下步骤：步骤s100：获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量。
28.本技术通过高次多项式函数拟合影像相似度值变化曲线，求导得到拟合函数的拐点值作为影像相似的判断阈值，进而得到基于拟合函数的影像相似自适应测度方法，以提高可匹配影像检索结果的精度；针对局部视觉内容相似导致的检索粗差问题，提出“参与三维重建的相似影像对，应该具有较多的共同相似影像”这一思考，通过相似度矩阵的数值关系，剔除由于局部特征点相似导致的检索粗差，进一步提高影像检索结果的精度。
29.在实施所述可匹配影像自适应检索方法之前，需要预先训练得到视觉词典，所述视觉词典是通过多个视觉单词组合而成，从视觉词典中提取出视觉词典向量，得出所有影像相对应的相似度值，用于制作相似度矩阵。
30.在实施步骤s100之前，需要建立所述相似度矩阵，具体的，如图2所示，建立所述相似度矩阵的步骤包括：步骤s001：获取多个预设影像。
31.所述预设影像为先前拍摄的影像，通过准备所述预设影像以进行下一步提取局部特征点的操作。
32.步骤s002：提取多个所述预设影像的局部特征点，并对提取的局部特征点进行类聚，生成视觉词典。
33.影像的局部特征点提取一般包含两个步骤：局部特征点检测和局部特征描述。局部特征点检测是通过采用适当的数学算子检测影像中梯度分布极值点所在的位置或区域，所得到的极值点对应的区域包含的视觉信息比较丰富，其对应的特征向量也具有很强的区分能力和描述能力。目前，主要的局部特征点检测算子有：sift算子、surf算子、orb算子、mser算子、hrris-affine算子和hessian-affine算子等，确定局部特征点对应的局部区域后，需要生成有效的局部特征描述，通常为高维向量。
34.局部特征点能够表征影像的底层视觉特性，被大量用于影像内容分析中。但是，影像的局部特征点大多位于高维空间，例如sift算子为128维，surf算子为64维等，因此不便于进行存储和后续计算。此外，高维向量通常还面临稀疏、噪声等“维数灾难”问题，导致在低维空间表现良好的算法到了高维空间其性能急剧恶化。因此，需要将影像的高维局部特征映射到低维空间，以便于存储、索引和计算，将大量局部特征点映射到低维空间，得到局部特征点对应的编码，这些编码就称为视觉单词，所有的视觉单词构成视觉词典。
35.步骤s003：根据所述视觉词典，将多个所述预设影像转化为多个相同维度的视觉词典向量。
36.具体通过c 算法中的opencv2、boost的一些功能，将所述预设影像转化为相同维度的视觉词典向量。
37.步骤s004：设置多个所述视觉词典向量间的距离，例如：如下表所示，设置横排s1、s2、s3、s4、......、si、......、sn-1、sn向量间的距离，以及纵列s1、s2、s3、s4、......、si、......、sn-1、sn向量间的距离，并根据所述距离得到所有表征影像相似关系的相似度值，得出相似度矩阵。
38.步骤s001~步骤s004，为本发明技术路线的训练词典阶段。
39.相似度矩阵具体如下表所示：
从表中得出，相似度值的取值范围在0-1之间，有必要说明的是：表中相似度值越高，影像间的相似度越相似，当行号和列号相等时，该影像的相似度值为自身的相似度值，即为1，因此，影像的相似度矩阵为一个对角线为1的对称矩阵。通过在行号和列号的相应位置进行相似度数值排列，直到遍历所有影像的相似度值。
40.具体地，在本实施例的一种实现方式中，所述步骤s100包括以下步骤：步骤s101：获取待参与三维重建的无序影像集及所述预先训练的视觉词典。
41.所述无序影像集为先前所有的预设影像，在所述预设影像中提取视觉单词，从而组合成视觉词典。
42.步骤s102：提取所述预先训练的视觉词典中的相似度矩阵。
43.所述相似度矩阵具体如上表所示，根据所述相似度矩阵可以看出表中每张影像的相似度向量。
44.步骤s103：根据所述相似度矩阵提取所述无序影像集中每张影像的相似度向量。
45.通过提取所述相似度向量，从而获取相对应的相似度值。
46.如图1所示，本发明实施例提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法还包括以下步骤：步骤s200：根据所述相似度向量的相似度值大小进行排序，得到排序后的相似度向量。
47.在本发明实施例的一种实现方式中，通过矩阵的某一行或者某一列，根据所述相似度向量的相似度值按照从大到小的顺序进行排列。因为相似度值越高，影像间的相似性
也就越强，在目标影像的检索过程中，最先从相似性最强的影像开始检索，直至检索到相似性最弱的影像为止。用此方式对所有影像都进行检索，直至结束。
48.具体的，例如，所述相似度矩阵的第二列，相似度值对应的数值是：1.00、0.82、0.91、0.16、......、0.25、0.77，经过由相似度值从大到小排序后为：1.00、0.91、0.82、0.77、......、0.25、0.16，从而得到降序后的相似度向量排序。
49.本实施例通过按照从大到小的顺序进行排列。因为相似度值越高，影像间的相似性也就越强，在目标影像的检索过程中，最先从相似性最强的影像开始检索；避免当前相似度测度方法中存在的阈值不准确导致的检索结果冗余或过少问题。
50.如图1所示，本发明实施例提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法还包括以下步骤：步骤s300：将所述排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数。
51.具体地，在本实施例的一种实现方式中，所述步骤s300包括以下步骤：步骤s301：将排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数：其中，y为相似度值，x为排序后的影像序号，a、b、c、d均为常数项系数；n代表次方，n的取值范围可根据需要进行取值，在本实施例中不作限定。
52.如图1所示，本发明实施例提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法还包括以下步骤：步骤s400：计算所述高次多项式函数的拐点值，并根据所述拐点值计算出影像的自适应阈值。
53.具体地，在本实施例的一种实现方式中，所述步骤s400包括以下步骤：步骤s401：所述计算高次多项式函数的拐点值，并根据所述拐点值计算出影像的自适应阈值的步骤包括：根据所述高次多项式函数进行求导，即：令导函数为零，从而计算出x值，所述x值即为所述高次多项式函数的拐点值，从而得到相似度值中剧烈变化的点；并将所述拐点值代入到所述高次多项式函数中，计算出y值，所述y值即为影像的自适应阈值。
54.如图1所示，本发明实施例提供了一种可匹配影像自适应检索方法，所述可匹配影像自适应检索方法还包括以下步骤：步骤s500：根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结果及对应的影像。
55.具体地，在本实施例的一种实现方式中，所述步骤s500包括以下步骤：步骤s501：按照从大到小的顺序依次判断各相似度向量的相似度值是否大于对应的所述自适应阈值。
56.由于所述相似度值越高，两张影像的相似性就越强，通过对相似度值进行从大到
小的排序，有利于工作人员第一时间检索到最为相似的影像，同时也优化了筛选机制。
57.步骤s502：选择所有大于所述自适应阈值的相似度向量，并对所选相似度向量输出相匹配的影像。
58.当所述相似度向量大于所述自适应阈值时，才能保证影像对具有较高的相似程度。
59.步骤s503：选择所有小于等于所述自适应阈值的相似度向量，并将所选相似度向量排除。
60.当所述相似度向量小于所述自适应阈值时，也说明了影像对的相似程度较低。
61.步骤s100~步骤s500，为本发明技术路线的影像检索阶段。
62.本发明通过步骤s300，得到拟合影像相似度分布曲线的高次多项式函数；通过步骤s400，函数求导得到相似度数值变化最剧烈的拐点和每张影像的自适应阈值，作为相似测度方法的判断依据，进而避免当前相似度测度方法中存在的阈值不准确导致的检索结果冗余或过少问题。
63.在本实施例步骤s100~步骤s500的实际应用过程中，如图4所示，包括以下步骤：步骤s011：获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量；步骤s012：根据相似度向量的相似度值大小进行排序，得到排序后的相似度向量；步骤s013：将排序后的相似度向量的相似度值代入高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数；步骤s014：计算高次多项式函数的拐点值，并根据拐点值计算出影像的自适应阈值；步骤s015：重复步骤s011~步骤s014，直到获得所有影像的自适应阈值；步骤s016：判断影像对之间的相似度数值是否大于自适应阈值；步骤s017：若影像对之间的相似度数值大于自适应阈值，说明影像对的相似程度较高，筛选出相似度数值大于自适应阈值的影像，从而获得影像检索结果；步骤s018：若影像对之间的相似度数值小于等于自适应阈值，说明影像对的相似程度较低，筛选出相似度数值小于等于自适应阈值的影像，将其排除。
64.在基于多视影像的三维重建中，采用高精度局部特征点算子如sift或surf，可以保证后续影像特征点在旋转、尺度、亮度、仿射、噪声等方面保持较好的鲁棒性。虽然具有多方面的优点，但从局部信息描述影像，容易造成影像检索的过程中出现影像局部视觉内容相似，但实际上并不具有同名像点的影像对，也可称之为检索粗差。这种检索粗差会导致后续影像特征匹配过程中出现一些错误的影像对参与特征点匹配，既浪费了计算资源，也会影响后续点云和模型的精度。因此，如果能剔除掉这部分由于影像局部视觉内容相似造成的检索粗差，将进一步提高可匹配影像检索结果的精度，减少错误的影像特征匹配，进而改善三维重建的整体效果。
65.为了避免这种情况，在外业采集数据时，可通过拍摄建筑物周围其他物体（如草地、树木、路灯、车辆等），增加影像识别度的方法避免上述情况的出现。其本质思想是，具有同名像点的影像对会同时增加这部分的视觉内容，而检索粗差的影像对，并不会增加这部分的相似内容。因此，基于外业采集中增加影像其他视觉内容来避免局部视觉内容造成匹
配错误的思想，在本实施例中进一步提出，如果两张影像具有较多的共同相似影像，就可以通过影像共同存在的视觉内容数量来排除掉影像之间由于局部视觉内容相似而造成的检索粗差。
66.针对影像检索粗差的问题，本实施例在可匹配影像自适应检索方法的基础之上，还提出了粗差剔除的技术内容，以提高可匹配影像检索结果的精度，避免计算机资源的浪费。
67.如图3所示，在本实施例的另一种实现方式中，所述可匹配影像自适应检索方法还包括以下步骤：步骤s600：统计相同序号下相似度矩阵内所述相似度值大于所述自适应阈值的数量，得出共同伙伴数量，直至遍历所有所述相似度向量；根据所述共同伙伴数量设置指定值，若所述共同伙伴数量大于等于所述指定值，两张影像则被视为具有同名像点的相似影像对。
68.所述共同伙伴数量越多，说明影像对的相似特征点就越多，影像对的相似性也就越强。
69.当然，应理解的，所述指定值为至少大于等于3的整数值。
70.具体的，根据所述相似度矩阵作出示例：对于相似影像对i、j，其相似度向量分别为si、sj，统计向量si、sj在相同序号下相似度值大于自适应阈值的数量。
71.相应的，例如，统计相同序号s3
×
s3相似度矩阵内的相似度值，即为：1.00、0.82、0.91、0.82、1.00、0.73、0.91、0.73、1.00这9个相似度值，若通过计算，取得影像的自适应阈值为0.77，则有1.00、0.82、0.91、0.82、1.00、0.91、1.00这7个大于自适应阈值的相似度值，则得出所述共同伙伴数量为7，按照此方式遍历所有影像的所述相似度向量。进一步的，若所述指定值设置为3，则共同伙伴数量大于指定值，两张影像则被视为具有同名像点的相似影像对。
72.步骤s700：若所述共同伙伴数量小于所述指定值，则被视为影像的检索粗差，将其剔除。
73.例如：以所述相似度矩阵相同序号s4
×
s4为例，若影像的自适应阈值计算得0.88，则有1.00、0.91、1.00、0.91、1.00这5个数相似度值大于自适应值，即5个共同伙伴数量。进一步的，若所述指定值设置为6，则共同伙伴数量小于指定值，则被视为影像的检索粗差，将其剔除。
74.当然，应理解的，在两张影像之间，共同伙伴数量越多，两张图像的相似程度也就越高，从而两张影像则被视为具有同名像点的相似影像对；否则，则被视为检索粗差，将其剔除。
75.步骤s600~步骤s700，为本发明技术路线的粗差剔除阶段。
76.本发明通过步骤s600~步骤s700，基于相似度矩阵、自适应阈值统计出影像间的共同相似影像数量，并以此作为检索粗差的甄别依据，进而避免了由于局部视觉内容相似导致的检索粗差结果。
77.在本实施例步骤s600~步骤s700的实际应用过程中，如图5所示，包括以下步骤：步骤s019：得到影像检索的相似图像对、影像相似度矩阵，自适应阈值；
步骤s020：对于相似影像对i、j，其相似度向量分别为si、sj；步骤s021：统计向量si、sj在相同序号相似度值均大于其自适应阈值的数量，即共同伙伴数量；步骤s022：判断共同伙伴数量是否大于等于指定值；步骤s023：若共同伙伴数量大于等于指定值，则说明两张影像具有较多的共同点，两张影像则被视为具有同名像点的相似影像对，从而得到剔除粗差后的最终检索结果；步骤s024：若共同伙伴数量小于指定值，则说明两张影像具有的共同点较少，被视为检索粗差，共同伙伴数量小于指定值的影像将会被剔除。
78.在本发明实施例中，通过训练词典、影像检索和粗差剔除三个阶段，解决了现有技术中存在的检索结果冗余或过少、由于局部视觉内容相似导致的检索粗差的技术问题，提高了可匹配影像结果的精度，进而提升三维重建的整体效率。
79.示例性设备基于上述实施例，本发明还提供了一种可匹配影像自适应检索装置，其原理框图可以如图6所示。
80.所述可匹配影像自适应检索装置包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，所述可匹配影像自适应检索装置的处理器用于提供计算和控制能力；所述可匹配影像自适应检索装置的存储器包括存储介质以及内存储器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部设备，例如，移动终端以及计算机等设备；该显示屏用于显示相应的基于深度学习的组合导航信息；该通讯模块用于与云端服务器或移动终端进行通讯。
81.该计算机程序被处理器执行时用以实现一种所述可匹配影像自适应检索方法。
82.本领域技术人员可以理解的是，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的可匹配影像自适应检索装置的限定，具体的，所述可匹配影像自适应检索装置可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
83.在一个实施例中，提供了一种可匹配影像自适应检索装置，包括：存储器和处理器；所述存储器存储有可匹配影像自适应检索程序，所述可匹配影像自适应检索程序被处理器执行时用于实现如上所述的可匹配影像自适应检索方法的操作。
84.在一个实施例中，提供了一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质存储有可匹配影像自适应检索程序，所述可匹配影像自适应检索程序被处理器执行时用于实现如上所述的可匹配影像自适应检索方法的操作。
85.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
86.本发明公开一种可匹配影像自适应检索方法、装置及存储介质，方法包括：获取待参与三维重建的无序影像集，并根据预先训练的视觉词典提取每张影像的相似度向量；根
据所述相似度向量的相似度值大小进行排序，得到排序后的相似度向量；将所述排序后的相似度向量的相似度值代入到高次多项式函数中计算，解析出函数系数，得到拟合影像相似度分布曲线的高次多项式函数；计算所述高次多项式函数的拐点值，并根据所述拐点值计算出影像的自适应阈值；根据计算得到影像的自适应阈值进行影像检索，并根据检索结果输出相似影像结果及对应的影像。本发明能从无序影像中检索出具有同名像点的影像对，减少无关影像对之间的不必要匹配，提升三维重建的整体效率。
87.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。