CN100530222C - 图像匹配方法 - Google Patents

Abstract

本发明公开了一种图像匹配方法，属于图像匹配技术领域。所述方法包括：利用MSER方法检测出待匹配的图像中的同质区域；采用椭圆区域方程对检测到的每个同质区域进行拟合；采用椭圆形梯度直方图和多尺度图像分解抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；采用分层k均值聚类算法构造同质区域集合的二叉树，进行图像匹配；采用结合二叉树的渐进式方法构建感兴趣区域的分类器，进行图像匹配。本发明结合图像尺度空间和统计学习方法大大地降低了提取图像特征向量的复杂度和局部区域匹配复杂度，同时增强了图像匹配算法的稳定性。

Description

图像匹配方法

技术领域

本发明涉及图像匹配技术领域，特别涉及一种图像匹配方法。

背景技术

图像匹配是计算机视觉中一个非常重要的研究课题，广泛应用于图像配准、目标检测、目标识别和图像检索等领域中。在图像采集过程中，尺度、视角和光照变化，以及部分遮挡等因素通常会造成同一场景的不同观测图像之间存在显著的差异，这就是图像匹配的困难所在。为了解决上述难点问题，基于局部区域的图像匹配方法是一种行之有效的方法。目前，大多数的局部区域检测方法都是根据图像局部变化是否显著进行稳定区域检测。根据变换不变性，可以将当前的局部区域检测方法分为两类：相似变换不变和仿射变换不变。在满足相似变换不变的局部区域检测方法中，最典型的是SIFT和基于随机树分类器的检测方法。SIFT是Lowe提出的一种采用多尺度高斯差分图像检测关键点的方法，其中每个关键点的位置和尺度对应于一个局部稳定区域。Lepetit与Fua提出的基于随机树分类器的方法就是为参考图像中每个关键点训练一个随机树分类器，然后利用这组分类器检测未知图像中对应的关键点，从而实现图像匹配或目标检测。满足仿射变换不变的局部区域检测方法较多，Mikolajczyk等进行了相关综述，并给出了六种不同方法的性能比较。

在许多场景中(例如，建筑物、汽车和机场等)，图像的局部区域是纹理分布比较均匀的同质区域，此时，基于局部变化显著性进行稳定区域检测的方法很难获得较好的检测效果，而MSER(Maximally Stable Extremal Regions，最大稳定极值区域)检测却能很好的检测局部灰度均匀而边缘显著的稳定区域。在视角变化和光照变化比较剧烈的情况下，MSER的综合性能较好。

但是在利用MSER稳定区域进行图像匹配时，存在以下三个需要解决的问题：1)MSER区域之间存在一定的重叠，导致不同区域之间的鉴别性不强；2)MSER区域的个数较多而且面积较大，抽取特征的时间代价很大；3)区域匹配的时间复杂度很高(与两幅图像中稳定区域的个数的乘积成正比)。因此，如何解决同一场景的不同观测图像之间存在显著的差异带来的图像匹配困难(通常由于在图像采集过程中尺度、视角和光照变化，以及部分遮挡等因素造成)，提高图像匹配的稳定性，以及降低图像匹配算法的复杂度，提高匹配速度是函待解决的问题。

发明内容

为了解决同一场景的不同观测图像之间存在显著的差异带来的图像匹配困难，提高图像匹配的稳定性，以及降低图像匹配算法的复杂度，本发明提供了一种图像匹配方法，所述方法包括：

步骤A：利用MSER方法检测出待匹配的图像中的同质区域；

步骤B：采用椭圆区域方程对检测到的每个同质区域进行拟合；

步骤C：采用椭圆形梯度直方图抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；

步骤D：采用多尺度图像分解抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；

步骤E：采用分层k均值聚类算法构造同质区域集合的二叉树，进行图像匹配；

步骤F：采用结合二叉树的渐进式方法构建感兴趣区域的分类器，进行图像匹配。

所述步骤B具体包括：

步骤B1：对检测出的同质区域内像素坐标的均值向量和协方差矩阵进行估算；

步骤B2：根据估算出的均值向量和协方差矩阵对椭圆区域方程的参数进行估算。

所述步骤C具体包括：

步骤C1：选取比所述同质区域面积大的邻域作为测量区域；

步骤C2：将所述测量区域分别沿切向角度和轴向按比例划分，并将划分得到的单元格内像素的梯度按不同的方向进行等间隔量化，得到所述测量区域的特征向量。

所述步骤D具体包括：

步骤D1：将所述同质区域在尺度空间中进行降采样，并计算每个尺度的图像对应的梯度场；

步骤D2：按照所述同质区域的椭圆区域方程，选取降采样后的椭圆短轴长度不大于预先设定值的最大尺度；

步骤D3：从选取出的尺度的图像对应的梯度场中抽取所述同质区域所在测量区域的椭圆形梯度直方图特征向量。

所述步骤D3具体包括：

步骤D3-1：所述同质区域内每个像素的梯度方向均以椭圆的长轴方向为基准进行旋转归一化；

步骤D3-2：提取角度为θ的椭圆区域的椭圆形梯度直方图特征向量，并将所述特征向量重新组合成角度为(θ+π)方向的椭圆形梯度直方图特征向量。

所述步骤E具体包括：

步骤E1：采用k均值聚类算法对同质区域集合进行反复的分层的划分，直到每个子集中包含一个样本为止；

步骤E2：按照自顶向下和自底向上的方向搜索最近邻匹配。

所述步骤F具体包括：

步骤F1：从二叉树的根节点开始，以所有标记的样本集训练分类器；

步骤F2：检查所述分类器是否符合要求，如果不符合要求，则抛弃所述分类器，并根据所述分类器对应节点的左子节点和右子节点的最近邻距离准则，将样本分为两个子集合，重新分别训练所述两个子集合对应节点的分类器，直至搜索完毕所有所述二叉树的节点，构建感兴趣区域的分类器；

步骤F3：按照所述二叉树的匹配算法更新每个样本的最近邻状态，并且利用所述二叉树节点处的分类器排除被判决为负样本类别的同质区域。

所述步骤F2中检查所述分类器是否符合要求的步骤具体为：

检查所述分类器的虚警率和漏警率是否达到预先设置的期望值，如果达到期望值，则所述分类器符合要求；

或者，检查所述分类器对应节点是否为所述二叉树的叶子节点，如果是叶子节点，则所述分类器符合要求。

本发明提供的技术方案的有益效果是：本发明结合图像尺度空间和统计学习方法大大地降低了提取图像特征向量的复杂度和局部区域匹配复杂度，同时增强了图像匹配算法的稳定性；在不同图像集上的实验结果表明，本发明提供的图像匹配方法的图像匹配速度比现有技术中的穷举图像匹配方法至少提高一个数量级而且性能更加稳定。

附图说明

图1是本发明提供的图像匹配方法的流程图；

图2是本发明用MSER方法检测出的同质区域和用椭圆方程进行拟合的示意图；

图3是本发明采用椭圆形梯度直方图和多尺度图像分解的方法抽取测量区域的特征向量的示意图；

图4是本发明提供的尺度空间中的图像金字塔示意图；

图5是本发明提供的基于HKB树的最近邻搜索示意图；

图6是本发明提供的P-Bootsing训练方法示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明提供了一种基于MSER同质区域的图像匹配方法，该方法首先提取以椭圆方程描述的同质区域的方向直方图特征向量，然后结合分层k均值聚类和统计鉴别学习进行快速而且准确的局部图像匹配。

参见图1，本发明提供的图像匹配方法具体包括以下步骤：

步骤101：利用MSER方法检测出待匹配的两幅图像中的同质区域；

图像中的某些区域，其在整体明暗发生变化时受到的影响比较小，这些区域被称作稳定区域；由于按照MSER方法检测到的稳定区域有同质的特性，所以MSER方法检测出的MSER稳定区域就是MSER同质区域；

步骤102：采用椭圆区域方程对检测到的两幅图像中的每个同质区域进行拟合；

不同视角图像中检测到的MSER同质区域之间通常存在仿射变换，为了进行准确的特征抽取，需要精确估计同质区域的方向和尺度，本发明采用椭圆区域方程D_e对检测出的每个同质区域进行拟合，椭圆区域方程D_e的数学表达式如下式所示：

$D_e:\frac{{(x\cos \mathrm{\θ}+y\sin \mathrm{\θ}-x_0)}^2}{a^2}+\frac{{(y\cos \mathrm{\θ}-x\sin \mathrm{\θ}-y_0)}^2}{b^2}\≤1$

其中，(x₀，y₀)，a和b分别表示椭圆的中心和两个彼此垂直的半轴长度，θ是椭圆长轴与水平坐标轴的正向的夹角，由于椭圆关于其中心轴向对称，所以θ∈[-π/2，π/2)，如图2所示；

设椭圆区域D_e内像素坐标的均值向量和协方差矩阵分别是μ和C：

$\mathrm{\μ}={\left[\begin{array}{cc}{\mathrm{\μ}}_x& {\mathrm{\μ}}_y\end{array}\right]}^T$ $C=\left[\begin{array}{cc}{C}_{11}& C_{12}\\ C_{21}& C_{22}\end{array}\right]$

对于θ＝0的椭圆区域，存在如下关系式：

$\left\{\begin{array}{c}{\mathrm{\μ}}_x=\frac{1}{\left|D_e\right|}\underset{D_e}{\∫}\∫\mathrm{xd}{D}_e=x_0\\ {\mathrm{\μ}}_y=\frac{1}{\left|D_e\right|}\underset{D_e}{\∫}\∫\mathrm{yd}{D}_e=y_0\end{array}\right.$ $\left\{\begin{array}{c}{C}_{11}=\frac{1}{\left|D_e\right|}\underset{D_e}{\∫}\∫{(x-x_0)}^{2}d{D}_e=\frac{a^2}{4}\\ C_{12}=C_{21}=\frac{1}{\left|D_e\right|}\underset{D_e}{\∫}\∫\mathrm{xyd}{D}_e=0\\ C_{22}=\frac{1}{\left|D_e\right|}\underset{D_e}{\∫}\∫{(y-y_0)}^{2}d{D}_e=\frac{b^2}{4}\end{array}\right.$

其中，|D_e|是区域D_e的面积，根据SVD(Singular Value Decomposition)奇异值分解，C＝UΛV^T，其中对角阵Λ＝diag(λ₁，λ₂)；当椭圆绕其中心旋转时(θ≠0)，并不会改变其区域内像素坐标的均值μ；虽然协方差矩阵C会变化，但是C的特征值λ₁和λ₂是不变的，而且λ₁＝a²/4，λ₂＝b²/4；因此，对于检测到的同质区域Ω，为了估计其对应的椭圆参数(x₀，y₀，a，b，θ)，只需按下式估计同质区域Ω内像素坐标的均值向量和协方差矩阵：

$\mathrm{\μ}=\frac{1}{\left|\mathrm{\Ω}\right|}\underset{x\∈\mathrm{\Ω}}{\mathrm{\Σ}}x,C=\frac{1}{\left|\mathrm{\Ω}\right|}\underset{x\∈\mathrm{\Ω}}{\mathrm{\Σ}}(x-\mathrm{\μ}){(x-\mathrm{\μ})}^T$

其中，x是同质区域Ω内的任意像素的二维坐标，|Ω|是该同质区域Ω的面积；然后，令(x₀，y₀)＝μ^T， $a=2\sqrt{{\mathrm{\λ}}_1},$ $b=2\sqrt{{\mathrm{\λ}}_2},$ $\mathrm{\θ}=a\tan \left(\frac{v_{12}}{v_{11}}\right),$ 其中，[v₁₁，v₁₂]^T是矩阵V的第一个列向量；

步骤103：采用椭圆形梯度直方图和多尺度图像分解的方法抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；

由于同质区域内的纹理比较平坦，而其边界的图像灰度变化较大，所以用于提取特征向量的的测量区域通常与同质区域同中心和方向，但尺度要大若干倍；在得到测量区域后，当前文献中通常采用区域归一化的方法将测量区域内的图像像素映射到一个指定大小的圆形或矩形区域内；由于测量区域的数目众多且面积较大，这类方法的计算量非常大，为此，本发明采用椭圆形梯度直方图(E-HOG)和多尺度图像分解的方法抽取测量区域的特征向量；

如图3所示，给定同质区域Ω，取其2.5倍尺度的邻域为测量区域，将测量区域沿切向按角度8等分，沿轴向按1∶3∶5的比例划分，中心区域不在切向上划分，每个单元格中像素的梯度均按8个方向等间隔量化；按此方法，构造出一个17×8＝136的特征向量；

给定输入图像，以间隔σ在尺度空间中进行L-1次降采样，得到L层的图像金字塔，如图4所示；计算每个尺度的图像对应的梯度场，这里L的取值要保证金字塔中最小尺度的图像不大于32×32；给定同质区域Ω的椭圆方程(x₀，y₀，a，b，θ)，在图像金字塔中选取尺度为s的图像，在其对应的梯度场中抽取同质区域Ω的椭圆形梯度直方图特征向量，其中，

为了快速且精确地提取E-HOG特征向量，通常取σ＝2和r₀＝2；

在提取E-HOG特征向量时，测量区域内每个像素的梯度方向均以椭圆的长轴方向为基准进行旋转归一化(减去夹角θ)；由于椭圆沿其中心轴向对称，每个测量区域应该以θ和θ+π提取两个E-HOG特征向量，为了提高速度，实际中只需提取角度为θ的椭圆区域的E-HOG特征向量，然后将此特征向量重新组合成角度为(θ+π)方向的E-HOG特征向量；

步骤104：采用分层k均值聚类算法构造稳定区域集合的二叉树，进行图像匹配；

分层k均值聚类算法构造稳定区域集合的二叉树的原理为：给定集合S₁，利用k均值(k＝2)算法将S₁分成两个集合；对于每个子集合，不断的进行k均值划分，直到每个子集合中只包含一个样本；分层k均值聚类构造的二叉树记为HKB树 $T={\left\{\mathrm{node}\left(n\right)\right\}}_{n=1}^{N_t},$ 其中node(n)表示该树的第n个节点，如图5所示；如果按从上至下，从左至右的顺序存储每个节点，那么node(1)是根节点，对于大小为N₁的集合S₁，对应的HKB树共有N_t＝2N₁-1个节点(N₁个叶子节点和N₁-1个非叶子节点)，其中，每个叶子节点对应一个同质区域的E-HOG特征向量，每个非叶子节点对应于一个子集合(由该节点的所有后裔叶子节点组成)的聚类中心，得到集合S₁的HKB树之后，本发明结合至顶向下和至底向上的方法在集合S₂中搜索最近邻匹配，具体可以通过以下步骤实现：

1)给定集合 $S_1={\left\{a_i\right\}}_{i=1}^{N_1},$ $S_2={\left\{b_j\right\}}_{j=1}^{N_2}$ 和S₁的HKB树 $T={\left\{\mathrm{node}\left(n\right)\right\}}_{n=1}^{N_t};$

2)令 $M={\left\{m_i\right\}}_{i=1}^{N_1},$ 其中第i个候选匹配m_i＝(i，η_i，d_i)表示S₁中第i样本与S₂中的第η_i个样本匹配，且匹配距离为d_i；初始时刻，令d_i＝+∞(1≤i≤N₁)；

3)从S₂中选取待匹配区域b_j，从T的根节点node(n)开始搜索匹配；

4)如果node(n)是非叶子节点，则计算node(n)的左子节点node(k_l)和右子节点node(k_r)到b_j的距离d_l和d_r；

5)如果node(k_l)是叶子节点，则设node(k_l)对应于集合S₁中的a_i，并且如果d_l＜d_i，则令η_i＝j，d_i＝d_l；

6)如果node(k_r)是叶子节点，则设node(k_r)对应于集合S₁中的a_i，并且如果d_r＜d_i，则令η_i＝j，d_i＝d_r；

7)如果d_l≤d_r，则令n＝k_l，否则令n＝k_r；

8)重复执行步骤4-7，直到node(n)是叶子节点为止；

9)重复执行步骤3-8，直到S₂中所有的区域匹配完毕；

上述算法的核心思想是：给定S₂中的样本b_j，设叶子节点a_i是其在HKB树中至顶向下找到的最近邻匹配，根据b_j到a_i的距离更新候选匹配集合；然后，从叶子节点a_t，至底向上搜索其祖先节点的所有后裔叶子节点，同时，根据b_j到这些叶子节点的距离，更新候选匹配结果；

设集合S₁的HKB树的深度为h，基于HKB树的匹配算法的复杂度为O(hN₂d)；虽然HKB树通常不是满二叉树，由于不同的同质区域之间有一定的重叠，所以相应的E-HOG特征向量之间有一定的相似性，这使得HKB树的左右子树的结构相对平衡，也就是说HKB树的深度满足h＜＜N₁，因此极大地提高了匹配速度；

步骤105：采用结合HKB树的渐进式Boosting方法，构建感兴趣区域的分类器，进行图像匹配；

在目标检测和识别等应用中，感兴趣的目标区域往往是整幅图像的一部分，如果能够利用背景信息，将有助于提高匹配算法的性能；假设图像I₁中感兴趣区域的MSER区域集合是S₁，图像I₂中检测到的MSER区域集合是S₂，通常S₂中有相当多的同质区域是与S₁无关的局部图像区域，如果能够快速地剔除这些属于无关背景的同质区域，那么匹配算法的搜索代价可以进一步降低，为此，本发明采用了一种结合HKB树的渐进式Boosting方法(P-Boosting)，构建感兴趣区域的分类器；在训练分类器时，正样本集合由感兴趣区域中的MSER区域组成，负样本集合由感兴趣区域周围的背景区域中的MSER区域组成，首先从根节点开始，以所有标记的样本集训练Real-Boost分类器，然后检查Real-Boost分类器的虚警率和漏警率是否达到预先设置的期望值，如果达到期望值或者Real-Boost分类器对应节点是HKB树的叶子节点，则Real-Boost分类器符合要求，若没有达到期望值，则抛弃Real-Boost分类器，并根据Real-Boost分类器对应节点的左子节点和右子节点的最近邻距离准则，将样本分为两个子集合，重新分别训练两个子集合对应节点的分类器，以如此渐进式训练的方式直至搜索完毕所有HKB树的节点，得到P-Boosting分类器，如图6所示，具体可以通过以下步骤实现；

1)给定HKB树 $T={\left\{\mathrm{node}\left(n\right)\right\}}^{n=1},$ 训练样本集 $X={\left\{x_i\right\}}_{i=1}^N$ 及其类别标记{c_i}_i＝1 ^N，设定期望漏警率f_r和虚警率f_a；

2)令 $\mathrm{\Θ}={\left\{(h_n,{\mathrm{\δ}}_n)\right\}}_{n=1}^{N_t},$ 其中，δ_n＝-1表示第n个节点处不存在分类器，δ_n＝0表示该节点处需要训练分类器，δ_n＝1表示该节点处存在分类器h_n，初始时刻令δ_n＝-1(1≤n≤N_t)；

3)设X中各样本在树T中的位置标记为{l_i}_i＝1 ^N；初始时刻，令l_i＝1(1≤i≤N)，表示所有样本都在树T的根节点处，令δ₁＝0表示根节点处需要训练分类器；

4)设X_n是X中位置标记为n的所有样本组成的子集合，利用X_n为第n个节点训练Real-Boost分类器h_n，得到h_n在X_n上的虚警率ex，漏警率e_r；

5)判断如果e_a≤f_a且e_r≤f_r或node(n)是叶子节点，则令δ_n＝1；

6)否则令δ_n＝-1，并根据到节点node(n)的左子节点node(k_l)和右子节点node(k_r)的最近邻距离准则，将X_n中的样本分为两个子集合Z_l和Z_r，将Z_l中样本的位置标记设置为k_l，Z_r中样本的位置标记设置为k_r，令 ${\mathrm{\δ}}_{k_l}={\mathrm{\δ}}_{k_r}=0;$

7)重复执行步骤4-6，直到没有δ_n＝0为止；

采用上述方法训练得到的树状分类器中并非每个节点处都存在分类器，如图6所示；在训练P-Boosting分类器时，实验中通常取f_r＝f_a＝0；利用P-Boosting分类器，可以进一步加速集合S₁和S₂的匹配过程：对于集合S₂中的任意样本b_j，按照基于HKB树的匹配算法更新集合S₁中每个样本的最近邻状态；在匹配过程中，如果访问到的节点node(n)存在分类器，就利用分类器h_n对b_j分类；如果b_j被识别为负样本类别，就停止对b_j的匹配搜索。

本发明结合图像尺度空间和统计学习方法大大地降低了提取图像特征向量的复杂度和局部区域匹配复杂度，同时增强了图像匹配算法的稳定性；在不同图像集上的实验结果表明，本发明提供的图像匹配方法的图像匹配速度比现有技术中的穷举图像匹配方法至少提高一个数量级而且性能更加稳定。

本发明提供的图像匹配方法适用于光照、视角和尺度变化及部分遮挡的图像匹配，尤其能够较好的处理纹理比较平坦的图像匹配，进一步地，本发明提供的图像匹配方法还可以直接扩展到目标跟踪和目标识别等应用领域中。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种图像匹配方法，其特征在于，所述方法包括：

步骤A：利用MSER方法检测出待匹配的图像中的同质区域；

步骤B：采用椭圆区域方程对检测到的每个同质区域进行拟合；

步骤C：采用椭圆形梯度直方图抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；

步骤D：采用多尺度图像分解抽取经过椭圆区域方程拟合后的同质区域所在测量区域的特征向量；

步骤E：采用分层k均值聚类算法构造同质区域集合的二叉树，进行图像匹配；

步骤F：采用结合二叉树的渐进式方法构建感兴趣区域的分类器，进行图像匹配。

2.如权利要求1所述的图像匹配方法，其特征在于，所述步骤B具体包括：

步骤B1：对检测出的同质区域内像素坐标的均值向量和协方差矩阵进行估算；

步骤B2：根据估算出的均值向量和协方差矩阵对椭圆区域方程的参数进行估算。

3.如权利要求1所述的图像匹配方法，其特征在于，所述步骤C具体包括：

步骤C1：选取比所述同质区域面积大的邻域作为测量区域；

步骤C2：将所述测量区域分别沿切向角度和轴向按比例划分，并将划分得到的单元格内像素的梯度按不同的方向进行等间隔量化，得到所述测量区域的特征向量。

4.如权利要求1所述的图像匹配方法，其特征在于，所述步骤D具体包括：

步骤D1：将所述同质区域在尺度空间中进行降采样，并计算每个尺度的图像对应的梯度场；

步骤D2：按照所述同质区域的椭圆区域方程，选取降采样后的椭圆短轴长度不大于预先设定值的最大尺度；

步骤D3：从选取出的尺度的图像对应的梯度场中抽取所述同质区域所在测量区域的椭圆形梯度直方图特征向量。

5.如权利要求4所述的图像匹配方法，其特征在于，所述步骤D3具体包括：

步骤D3-1：所述同质区域内每个像素的梯度方向均以椭圆的长轴方向为基准进行旋转归一化；

步骤D3-2：提取角度为θ的椭圆区域的椭圆形梯度直方图特征向量，并将所述特征向量重新组合成角度为θ+π方向的椭圆形梯度直方图特征向量。

6.如权利要求1所述的图像匹配方法，其特征在于，所述步骤E具体包括：

步骤E1：采用k均值聚类算法对同质区域集合进行反复的分层的划分，直到每个子集中包含一个样本为止；

步骤E2：按照自顶向下和自底向上的方向搜索最近邻匹配。

7.如权利要求1所述的图像匹配方法，其特征在于，所述步骤F具体包括：

步骤F1：从二叉树的根节点开始，以所有标记的样本集训练分类器；

步骤F2：检查所述分类器是否符合要求，如果不符合要求，则抛弃所述分类器，并根据所述分类器对应节点的左子节点和右子节点的最近邻距离准则，将样本分为两个子集合，重新分别训练所述两个子集合对应节点的分类器，直至搜索完毕所有所述二叉树的节点，构建感兴趣区域的分类器；

步骤F3：按照所述二叉树的匹配算法更新每个样本的最近邻状态，并且利用所述二叉树节点处的分类器排除被判决为负样本类别的同质区域。

8.如权利要求7所述的图像匹配方法，其特征在于，所述步骤F2中检查所述分类器是否符合要求的步骤具体为：

检查所述分类器的虚警率和漏警率是否达到预先设置的期望值，如果达到期望值，则所述分类器符合要求；

或者，检查所述分类器对应节点是否为所述二叉树的叶子节点，如果是叶子节点，则所述分类器符合要求。

Images