圖像匹配是三維數(shù)字化技術的關鍵環(huán)節(jié)。圖像匹配的算法主要有基于特征匹配和基于灰度匹兩類【”。這兩種算法都存在著先天 性的不足?；诨叶鹊乃惴▽崿F(xiàn)簡單，匹配精度高，誤匹配率低，但是計算量通常很大，并且容易受網(wǎng)像采集時光照、空氣等條件的 影響：在基于特征匹配算法中，由于對特征的選擇及提取的方法、算法結(jié)構復雜，匹配定位不夠準確，實現(xiàn)難度大?；谌斯ど窠?jīng)網(wǎng) 絡的圖像匹配可以避開上述因素的影響。設計出合理的網(wǎng)絡結(jié)構，利用神經(jīng)網(wǎng)絡的非線性映射能力和泛化能力，可直接進行圖像匹 配。

1匹配原理 · 圖像匹配是從不同視角獲取的兩幅(或兩幅以上)圖像進行關聯(lián)對應，其本質(zhì)是不同坐標系之間的坐標映射。用兩個攝像機從不 同角度采集圖像，為每幅圖像分別建立坐標系，用其中一幅圖像中各點的坐標作為人工神經(jīng)網(wǎng)絡的輸入向量，另一幅圖像中對應像 點的坐標作為目標向每，對神經(jīng)網(wǎng)絡進行訓練，確定出網(wǎng)絡各結(jié)點權值，從而得到坐標轉(zhuǎn)換關系。人工神經(jīng)網(wǎng)絡具有泛化能力，可以 認為兩個坐標系平面坐標系之間某一區(qū)域內(nèi)實現(xiàn)了二維連續(xù)非線性變換。

2人工神經(jīng)網(wǎng)絡的結(jié)構設計與學習原則選擇

2．1設計人工神經(jīng)網(wǎng)絡結(jié)構 用人T神經(jīng)網(wǎng)絡實現(xiàn)隔象匹配。輸入、輸出均為X、Y坐標，輸入、輸出結(jié)點均為2個。用一個3層前饋神經(jīng)網(wǎng)絡可精確地逼近任 意一個連續(xù)函數(shù)121。如果隱層層數(shù)為l層，輸入層有1個神經(jīng)元，則取隱層神經(jīng)元個數(shù)為2I+1。根據(jù)這些原則，采用3層網(wǎng)絡結(jié)構，輸 入、輸出層各2個結(jié)點，隱層5個結(jié)點。隱層結(jié)點的激活函數(shù)選S型函數(shù)，輸出結(jié)點為線性函數(shù)。

2．2選擇學習算法 最速下降法(SDBP)是前饋型人T．神經(jīng)網(wǎng)絡的基本算法，也是最簡單的算法，但它收斂速度慢，有可能收斂于局部極值，穩(wěn)定性 不足。Levenberg—Marquardt(LMBP)算法是高斯一牛頓法的變形，用以最小化作為其他非線性函數(shù)平方和的函數(shù)，適合于性能指數(shù) 是均方誤差的神經(jīng)網(wǎng)絡訓練。LMBP算法主要訓練過程13I為：對每一個網(wǎng)絡輸出結(jié)點的輸出誤差，求出其對網(wǎng)絡每一權值的偏導數(shù)， 利用這些偏導數(shù)組成的雅可比矩陣．得出網(wǎng)絡權值調(diào)節(jié)量。它采用了可變的學習速度，克服了SDBP算法易收斂于局部極小的缺點， 收斂速度比SDBP算法快20倍以上。然而，LMBP算法仍舊存在著以下三個方面的不足：1)迭代控制參數(shù)斗、-it初始值的選擇會在很 大程度上影響迭代次數(shù)，迭代過程中如果u的值過大。會造成“小步長”現(xiàn)象，影響收斂進度，LMBP算法并沒有提供確定¨、v初始值 的理論方法．只能根據(jù)實驗效果選擇：2)LMBP算法中存在大量耗時的矩陣求逆運算，是算法收斂的瓶頸；3)在一次迭代中當誤差平 方和沒有變小時，LMBP算法將參數(shù)“增大"IY倍，這種做法可能會導致該次迭代消耗大量時間【4l。針對這些不足，QLMBP算法提出了 相應的優(yōu)化措施(詳見參考文獻【4】，使得神經(jīng)網(wǎng)絡的收斂速度大大提高。本文中選擇QLMP算法。