CN104751475A - 一种面向静态图像对象识别的特征点优选匹配方法 - Google Patents

Abstract

本发明公开了一种面向静态图像对象识别的特征点优选匹配方法，由SIFT算法从静态图像中抽取出描述特征点的数据，提出了图像特征点数据逻辑结构、特征点对、匹配质量矩阵、特征点对优选及关键度等概念，设计了一种新的特征匹配方法。本发明中的特征匹配方法包括：设计特征点数据逻辑结构；构造特征点对；优选特征点对；计算基准图像特征点关键度；匹配目标图像对象。通过本发明所述的特征匹配方法，能够以较高概率和较低复杂度，正确识别包含指定对象的静态图像，为构建基于静态图像的对象识别系统提供参考实现。

Description

一种面向静态图像对象识别的特征点优选匹配方法

技术领域

本发明涉及一种面向静态图像对象识别的特征点优选匹配方法，可用于计算机图像中目标对象的查找、识别与匹配，属于计算机图像处理和机器学习领域。

背景技术

互联网中的信息越来越多地以图像形式存在。通过图像处理与分析技术提取图像中的有用信息成为计算机科学、人工智能领域的研究重点。图像处理与分析技术一般包括图像压缩，增强和复原，匹配、描述和识别。从图像中获取有用的度量、数据或信息称为图像分析，其基本步骤是：(1)把图像分割成互不重叠的子区域。每个子区域是由像素构成的连续集。(2)度量某些子区域的性质和关系，把度量值与分类模型比较，确定其类型。

图像匹配、描述和识别是对图像进行比较和配准，通过分治提取图像的区域特征及相互关系，得到图像符号化的描述，再把它同模型比较，确定其分类。图像匹配试图建立两张图片之间的几何对应关系，度量其类似程度。匹配用于图片之间或图片与地图之间的配准，例如检测不同时间所拍图片之间景物的变化，找出运动物体的轨迹。在计算机视觉识别系统中，图像内容通常用图像特征进行描述。事实上，基于计算机视觉的图像识别也可以分为类似文本搜索引擎的三个步骤：提取特征、建索引以及查询。

图像识别是人工智能的一个重要领域。人们提出了不同的图像识别模型，如模板匹配模型。模板匹配模型需在已有经验的基础上建立待识别图像的记忆模式，又称模板。待识别图像如果能够与模板相同，则认为待识别图像与模板图像匹配。此外，选取可以反映图像的特点或匹配对象的特征是图像识别的关键。图像匹配中常用的特征有边缘、轮廓、直线、角点等，这些特征能够在一定程度上代表图像的点被称为图像特征点。

图像识别的主要目的是识别出图像中所需查找的对象，也可称为图像对象识别。图像对象识别是从大量图像中挑选出包含特定对象的图像。通常，图像对象识别的基础是图像的特征评价。图像特征有多种类型，图像特征通常包含颜色、纹理、形状及空间关系特征，采用颜色直方图、统计法、几何法、模型法、信号处理法等进行图像匹配与识别。图像底层特征提取的方式主要有2种：(1)基于兴趣点检测；(2)采用密集提取的方式。兴趣点检测算法通过某种准则选择具有明确定义的、局部纹理特征比较明显的像素点、边缘、角点、区块等，并且通常能够获得一定的几何不变性，从而可以在较小的开销下得到更有意义的表达。最常用的兴趣点检测算子有Harris角点检测算子、FAST(Features from Accelerated Segment Test)算子、LoG(Laplacian of Gaussian)、DoG(Difference of Gaussian)。密集提取的方式是从图像中按固定步长、尺度提取出大量的局部特征描述，具有更高的冗余度。常用的局部特征包括SIFT(Scale-Invariant FeatureTransform)、HOG(Histogram of Oriented Gradient)、LBP(Local Binary Pattern)等。

图像对象识别需评价特征点集合，以辨别图像中包含的对象类别。研究人员用不同的评价方法构造不同的分类模型。对于SIFT特征点的匹配方法主要有Flann匹配方法(Flann提出的一种特征匹配方法)和Lowe匹配方法(Lowe于2004年完善的SIFT算法中的特征匹配方法)。Flann匹配方法中，计算基准图像中每个特征点与目标图像全部特征点的距离，取最小值构建向量d。令向量d中最小值为d_min。遍历向量d，挑选向量d中值小于α×d_min(其中α为一个给定的参数)的元素所对应的特征点对被匹配。如果被匹配特征点个数大于Flann匹配阈值，则判定该目标图像包含待识别对象。Flann匹配方法的缺点是，当d_min非常接近0时，被匹配的特征点偏少，致使部分应识别的图像对象被遗漏。Lowe匹配方法中，任取基准图像一个特征点，计算其与目标图像所有特征点的距离值，选最小距离值d₁和次小距离值d₂。若d₁/d₂<ratio(其中ratio为一个给定的参数)，判定d₁对应的特征点对被匹配。重复以上过程，直到判定基准图像中的全部特征点是否被匹配。若被匹配特征点个数大于Lowe匹配阈值，则判定该目标图像包含待识别对象。Lowe匹配方法缺点是，当最小距离值d₁和次小距离值d₂比值接近1且d₁较小时，被匹配的特征点可能漏选，致使部分应识别的图像遗漏。

本发明所述的特征匹配方法是对现有静态图像对象识别中特征匹配阶段的创新，现有静态图像对象识别的一般过程如图1所示。本发明的方法能够更准确地识别待识别图像中的特定对象，该方法针对SIFT算法抽取的特征点，提出一种DualMax(双向最佳)规则优选特征点对，并根据样本特征点的分布特性统计其关键度，进而综合评价图像对象的匹配程度，识别图像中的特定对象。与Flann方法、Lowe方法相比，该方法不增加额外计算量，能保证应用场景需要的查全率，并提升图像对象识别的查准率。经验证，本发明公布的特征匹配方法能满足指定应用的实际需求，在基于特征的图像识别领域有广泛的参考价值。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种面向静态图像对象识别的特征点优选匹配方法，能够以较高概率和较低复杂度，正确识别包含指定对象的静态图像，为构建面向静态图像的对象识别系统提供参考实现。

本发明是针对大量高清静态图像，构建一种基于SIFT特征的匹配方法，设计描述SIFT特征点的数据逻辑结构，建立高效的匹配质量矩阵，设计基于基准图像特征点关键度的特征匹配方法，为静态图像中的特定对象识别提供参考实现。

本发明是根据单张基准图像中的模板对象，对比多张目标图像，判定每张目标图像中是否包含该模板对象的计算方法。针对SIFT算法从静态图像中抽取出的特征点描述数据，提出了图像特征点数据逻辑结构、特征点对、匹配质量矩阵、特征点优选及关键度等概念，设计了一种新的特征匹配方法。本发明公布的特征匹配方法具体过程见图2所示，包括如下步骤：设计特征点数据逻辑结构：只保留SIFT算法抽取的特征点信息中的特征点位置和描述子信息；构造特征点对：分别从基准图像和目标图像中各选取单个特征点，构造一个特征点对；优选特征点对：统计确定DualMax阈值，构建匹配质量矩阵，优选特征点对；计算基准图像特征点关键度：根据基准图像中各特征点被样本图像正确匹配的概率，统计各特征点的关键度；匹配目标图像对象：综合评价匹配特征点对的数量和关键度，对比匹配阈值，判定该目标图像是否包含待识别对象。通过本发明所述的特征匹配方法，能够以较高概率和较低复杂度，识别包含指定对象的静态图像，为构建基于静态图像的对象识别系统提供参考实现。

为了准确说明本发明，本文解释如下术语及含义。

图像：指各种图形和影像的总称。计算机中以二维数组形式表示图像，其数字单元为像素。本发明中图像指在高清摄像头下拍摄的图片。目前常用图像格式有光栅图像格式BMP、GIF、JPEG、PNG等，以及矢量图像格式WMF、SVG等。

基准图像：评价是否包含待识别对象的模板图像，在本发明中指包含待识别对象的图像。一般地，基准图像为一幅图像。

目标图像：可能包含待识别对象的图像。一般地，目标图像为包含多幅图像的集合。

SIFT特征：通过SIFT算法提取得到的图像特征，用来检测与描述图像的局部性特征，在空间尺度寻找极值点，提取位置、尺度、旋转不变量。

图像对象：用图像表示的某类实体对象。通常可以映射为一组特征，作为被识别的依据。

样本：按照一定抽样规则从被研究总体中取出的部分个体，能正确反映被研究总体的特征分布情况。

正样本：包含待识别图像对象的样本称为正样本。

负样本：不包含待识别图像对象的样本称为负样本。

匹配质量：依据一定运算规则，评价两个特征点匹配程度。匹配程度越高，匹配质量值越大。

对象识别：判定目标图像中是否包含基准图像中指定的待识别对象。

描述子：SIFT特征提取方法中，表示特征点特性的数据，表现为附近邻域内高斯图像梯度统计结果，用128个浮点数表达。

查准率：正确识别的样本个数占所有检索出的样本个数比率，用于衡量识别方法的准确程度。

查全率：正确识别的样本个数占应识别出的样本个数比率，用于衡量识别方法的检索能力。

本发明提供的技术方案如下所述。

面向静态图像对象识别的特征点优选匹配方法，包括如下步骤：

(1)设计特征点数据逻辑结构

SIFT算法特征点的数据结构中包含众多参数。在本发明公布的特征匹配过程中，不再依赖其中的部分参数。本发明公布的方法选取SIFT算法提取的特征点位置参数和该特征点的描述子，设计特征点数据逻辑结构。

(2)构造特征点对

取基准图像按照步骤(1)构造的任一特征点与目标图像依据步骤(1)构造的任一特征点，构成单个特征点对。循环单个特征点对的构造过程，形成特征点对集合。也就是说，取基准图像所有特征点集合与目标图像所有特征点集合的笛卡尔积，构造特征点对集合。

(3)优选特征点对

计算步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H。按行选最小值，构造H_min向量，将H_min中的元素从小到大排序。对基准图像特征点总个数与1-61.8％(黄金分割数)乘积取四舍五入得到整数R。对第s个目标图像正样本，取排序序列第R个特征点对对应的距离值，标记为D_s。取P个目标图像正样本，重复以上过程得到P个D_s(s＝1,2…,P)值，取其平均值得到DualMax阈值D。

遍历距离矩阵，按照规则将其转换为匹配质量矩阵。规则如下：(1)当元素值H_ij大于DualMax阈值D，匹配质量值置0；(2)当元素值H_ij小于DualMax阈值D，匹配质量值用(D-H_ij)/D表示。

按行遍历匹配质量矩阵，选该行最大值元素，若该元素同时为所在列最大值，则标记该元素，并对该元素所在行列元素全部置0。否则，继续遍历操作。反复遍历操作，直到一次遍历中未发现可标记元素为止。被标记的元素对应的特征点对称为优选特征点对集。

(4)计算基准图像特征点关键度

将步骤(3)得到的优选特征点对集与Lowe匹配方法生成的特征点对集取交集，得到新的特征点对集合E。

对部分目标图像正样本重复步骤(1)(2)(3)(4)得到E的集合ξ(E)。统计ξ(E)中各元素对应基准图像各特征点出现次数，归一化得到基准图像各特征点的关键度，构建特征点关键度向量。

(5)匹配目标图像对象

根据步骤(3)获取待识别图像的优选特征点对集，构建基准图像各特征点匹配向量，基准图像匹配向量与步骤(4)中得到的特征点关键度向量做点积运算，获得目标图像匹配分值。根据应用需要，确定匹配阈值V；如果目标图像匹配分值大于或等于匹配阈值，则判定此待识别图像对象与指定图像对象匹配，待识别图像对象被识别。

本发明的有益效果：通过本发明所述的特征匹配方法简化了从静态图像中识别特定对象的过程，模型简洁、计算代价较低、查准率较高，有利于从大量图像中检索包含特定对象的图像。

附图说明

图1本发明所述的面向静态图像对象识别过程示意图；

图2本发明所公布的特征匹配流程示意图。

具体实施方式

如图2所示，本发明公布的面向静态图像对象识别的特征点优选匹配方法包括5个步骤：(1)设计特征点数据逻辑结构；(2)构造特征点对；(3)优选特征点对；(4)计算基准图像特征点关键度；(5)匹配目标图像对象。具体实施方式如下所述。

(1)设计特征点数据逻辑结构

SIFT算法特征点的数据结构中包含了计算过程参数Octave、Scale、σ等。在本发明公布的特征匹配过程中不再依赖这些数据。本发明公布的方法选取SIFT算法提取的特征点位置参数(x，y)和该特征点的描述子(128个浮点型数值)，设计特征点数据逻辑结构。该结构共包含130个浮点型数值，即fp＝sequence of{x,y,dis₀,dis₁,…,dis_k,…,dis₁₂₇}；

其中，x,y–特征点的像素坐标；

dis_k–特征点描述子的第k个分量(0≤k≤127)。

(2)构造特征点对

设基准图像根据步骤(1)得到的特征点集合为A；目标图像根据步骤(1)得到的特征点集合为B；A与B的笛卡尔积构成特征点对集合C。如果集合A有n个特征点，集合B有m个特征点，则集合C有n×m个特征点对。

设A＝{A₀,A₁,…,A_i,…,A_n-1}，B＝{B₀,B₁,…,B_j,…,B_m-1}，则

与A₀构成的特征点对为：<A₀,B₀>、<A₀,B₁>、……<A₀,B_m-1>

与A₁构成的特征点对为：<A₁,B₀>、<A₁,B₁>、……<A₁,B_m-1>

依次类推，与A_n-1构成的特征点对为：

<A_n-1,B₀>、<A_n-1,B₁>、……<A_n-1,B_m-1>

(3)优选特征点对

本发明定义2个特征点对<A_i,B_j>之间的距离如公式(1)

$\mathrm{dist}(A_i,B_j)=\sqrt[2]{{\mathrm{\&Sigma;}}_{t=2}^{129}{\left(A_i\right[t]-B_j[t\left]\right)}^2}---\left(1\right)$

式(1)中，

A_i--特征点集合A中的第i个特征点描述数据(0≤i<n-1)；

B_j--特征点集合B中的第j个特征点描述数据(0≤j<m-1)；

A_i[t]--A_i中的第t个分量(2≤t<129)；

B_j[t]--B_j中的第t个分量(2≤t<129)。

构建n行m列的距离矩阵H，按序每行存储基准图像单个特征点和目标图像所有特征点之间的距离。选择距离矩阵H中每行的最小值，形成包含n个元素的H_min向量。对H_min中元素从小到大排序生成向量H’_min。对第s个目标图像正样本，设D_s为向量H’_min中第R＝round(n×(1-61.8％))个元素对应的距离值。取P个目标图像正样本，重复以上过程得到P个D_s(s＝1,2…,P)值，取其平均值即为DualMax阈值D，即：

$D=\left({\mathrm{\&Sigma;}}_{s=1}^P{D}_s\right)/P---\left(2\right)$

遍历距离矩阵H，按公式：

${\mathrm{EV}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0,& H_{\mathrm{ij}}\&GreaterEqual;D\\ \frac{D-H_{\mathrm{ij}}}{D},& H_{\mathrm{ij}}<D\end{array}\right.---\left(3\right)$

将n行m列的距离矩阵H转换为n行m列的匹配质量矩阵EV。如果某元素在匹配质量矩阵EV中的所在行和列均为最大值，则称该元素为DualMax元素。按行遍历匹配质量矩阵EV，选择该行最大值元素，判断该元素是否为DualMax元素。如果是，则将该元素对应的特征点对添加到集合Q中，并对该DualMax元素所在行和列的其它元素置0；否则，继续遍历下一行，直到第n-1行。反复遍历，重复寻找DualMax元素的过程。直到遍历全程中未发现DualMax元素，遍历结束。集合Q中的元素为优选特征点对集。

(4)计算基准图像特征点关键度

将优选特征点对集Q与该目标图像用Lowe匹配方法得到的特征点对集L取交集，产生新的特征点对集合E。取P张目标图像正样本重复上述求交集过程，得到E的集合ξ(E)。统计ξ(E)中所有元素对应的基准图像各特征点出现的次数num。用基准图像第i个特征点出现的次数num_i与基准图像每个特征点出现的总次数∑num_i的比值表示基准图像第i个特征点的关键度。构建特征点关键度向量W，W中元素的个数为基准图像特征点个数n。W[i]的计算公式如下：

$W\left[i\right]=\frac{{\mathrm{num}}_i}{{\mathrm{\&Sigma;}}_0^{n-1}{\mathrm{num}}_i}---\left(4\right)$

(5)匹配目标图像对象

构建含有n个元素的基准图像特征点匹配向量AQ，初始化为零向量。令基准图像形成的特征点向量为AV，待识别图像形成的特征点向量为BV，待识别图像形成的优选特征点对集合为Q。按序遍历AV中元素，若元素AV[i]对应的特征点对<AV[i],BV[j]>∈Q，则AQ[i]＝1，直到AV[n-1]，遍历结束。

令目标图像匹配分值v为基准图像特征点匹配向量AQ与基准图像特征点关键度向量W点积，即：

v＝AQ·W   (5)

根据应用需要，确定匹配阈值V。若v≥V，则判定此待识别对象与指定对象匹配，待识别图像被标记。

实施例：

下面以具体算例说明本专利公布的特征匹配过程。

(1)设计特征点数据逻辑结构

设基准图像的特征点描述数据为数组A。限于篇幅，仅列举其中第0个特征点的数据，

A₀＝{64.0,39.0,64.0,39.0,66.0,8.0,……,0.0,18.0}

其中，前2个数字64.0,39.0为特征点坐标；后128个数字为该特征点的描述子，共130个浮点数。

设待识别图像的特征点描述数据为数组B。同样，列举其中第0个特征点的数据，

B₀＝{132.0,85.0,36.0,23.0,……,16.0,86.0}

各元素含义同A₀。

(2)构造特征点对

基准图像根据步骤(1)得到的特征点集合A有118个特征点；目标图像根据步骤(2)得到的特征点集合B有189个特征点；A与B笛卡尔积构造的特征点对集合C有118*189＝22302个特征点对。例如，A₀与B₀构成第0个特征点对，A₀与B₁构成第1个特征点对，……，A₁₁₇与B₁₈₈构成第22301个特征点对。

(3)优选特征点对

按公式(1)计算C中22302个特征点对的距离dist(A_i，B_j)，得到距离矩阵H，

$H=\left[\begin{array}{cccc}177.542464& 366.056921& ...& 141.446392\\ 101.764624& 214.324384& ...& 408.667825\\ .& .& .& .\\ .& .& .& .\\ 135.679824& 43.82572& ...& 134.594472\end{array}\right]$

按行选最小值，得到包含118个元素的H_min向量(141.446392,101.764624,……,43.82572)，对H_min中元素从小到大排序。对(118×(1-0.618))四舍五入，得到R＝45。取100个目标图像正样本，重复以上过程，得到100个排序序列中第45个特征点对的距离值。根据公式(2)得到DualMax阈值D＝328。

按公式(3)，将距离矩阵H转换为匹配质量矩阵EV，

$\mathrm{EV}=\left[\begin{array}{cccc}0.458712& 0& ...& 0.568761\\ 0.689742& 0.346572& ...& 0\\ .& .& .& .\\ .& .& .& .\\ 0.586342& 0.866385& ...& .0.589651\end{array}\right]$

按行遍历EV，第0行最大值元素为0.568761，该元素不是所在列最大值；继续遍历操作，第1行最大值元素为0.689742，同时为所在列最大值，此元素对应的特征点对放入集合Q，并对此元素所在行列元素全部置0。此时的匹配质量矩阵为：

$\mathrm{EV}=\left[\begin{array}{cccc}0& 0& ...& 0.568761\\ 0& 0& ...& 0\\ .& .& .& .\\ .& .& .& .\\ 0& 0.866385& ...& 0.589651\end{array}\right]$

继续按行遍历EV，重复寻找DualMax元素操作。直到找不到DualMax元素，构成优选特征点对集Q。

(4)计算基准图像特征点关键度

对一幅目标图像正样本，本发明公布的方法得到的优选特征点对集Q，

Q＝{<1,0>,……,<117,1>,<0,188>}

该图像经Lowe方法得到特征点对集L，

L＝{<1,0>,……,<98,1>,<0,188>}

Q与L取交集得到集合E＝{<1,0>,……,<0,188>}。

对100张目标图像正样本重复上述求E过程，得到E的集合ξ(E)。

ξ(E)＝{{<1,0>,……,<0,188>},{<0,3>,……,<89,113>},……,{<2,8>,……,<103,166>}}

基准图像各特征点出现的次数分别为：

(14,0,……,4,36)

ξ(E)中元素总数为1324。按照公式(4)，得到基准图像特征点关键度向量W，

W＝(0.010574,0,……,0.003021,0.027190)

(5)匹配目标图像对象

为一幅待识别目标图像构建基准图像特征点匹配向量AQ，设定AQ为零向量。根据第(1)(2)(3)步得到优选特征点对集合Q

Q＝{<1,0>,……,<98,1>,<102,135>}

则基准图像的特征点匹配向量AQ

AQ＝(1,……,1,0)

结合步骤(4)获得的基准图像特征点关键度向量W，按公式(5)计算得目标图像匹配分值v＝0.596537。

实验采用1000张样本，其中100张正样本，900张负样本。假设应用要求查全率为90％。计算100张正样本的匹配分值v。对100个v值从大到小排序，设定第90张图像的v值为匹配阈值，即V＝v₉₀。

本发明实施示例中的匹配阈值V＝0.355740。

对于待识别图像，若其综合评价v大于或等于0.355740，则判定待识别图像中包含指定对象，待识别图像被标记。

执行本发明的第(1)到(5)步。取查全率为90％时，本专利提出的特征匹配方法的查准率为27.95％，Lowe特征匹配方法的查准率为19.65％；Flann特征匹配方法的查准率为9.29％。

综上，当查全率为90％时，本发明的特征匹配方法比Flann和Lowe特征匹配方法查准率更高。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种面向静态图像对象识别的特征点优选匹配方法，其特征在于包括如下步骤：

(1)设计特征点数据逻辑结构

选取尺度不变特征转换(Scale-Invariant Feature Transform，SIFT)算法特征点中每个特征点的位置参数和该特征点的描述子，设计特征点的数据逻辑结构，为步骤(2)及后续步骤提供图像特征点信息表示方法；

(2)构造特征点对

取基准图像按照步骤(1)构造的任一特征点与目标图像依据步骤(1)构造的任一特征点，构成单个特征点对，循环单个特征点对构造过程，形成特征点对集合；

(3)优选特征点对

根据步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H，按行选最小值，构造H_min向量，对H_min中的元素从小到大排序，利用基准图像特征点总个数的黄金分割数，得到DualMax(双向最佳)阈值D，按照既定规则将距离矩阵转换为匹配质量矩阵，选择匹配质量矩阵所在行列均为最大值的元素对应的特征点对，即为优选特征点对；

(4)计算基准图像特征点关键度

将优选特征点对集与Lowe匹配方法生成的特征点对集取交集，获得基准图像各特征点的关键度；

(5)匹配目标图像对象

综合评价匹配特征点对的数量和关键度，对比匹配阈值，判定该目标图像是否包含待识别对象。

2.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述步骤(1)中的数据逻辑结构共包含130个浮点型数值，即：

fp＝sequence of{x,y,dis₀,dis₁,…,dis_k,…,dis₁₂₇}

其中，x,y–特征点的像素坐标；

dis_k–特征点描述子的第k个分量(0≤k≤127)。

3.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述步骤(3)中利用基准图像特征点总个数的黄金分割数，得到DualMax阈值D具体如下：

计算步骤(2)得到的特征点对集合中每个特征点对的距离，构建距离矩阵H，按行选最小值，构造H_min向量，将H_min的元素从小到大排序；对基准图像特征点总个数与1-61.8％(黄金分割数)乘积取四舍五入得到整数R；对第s个目标图像正样本，取排序序列第R个特征点对的距离值，标记为D_s；取P个目标图像正样本，重复以上过程得到P个D_s值,s＝1,2…,P；取其平均值得到DualMax阈值D。

4.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述步骤(3)中获得优选特征点对具体如下：

遍历距离矩阵H，按照如下规则将距离矩阵H转换为匹配质量矩阵：

(1)当元素值H_ij大于DualMax阈值D，匹配质量值置0；(2)当元素值H_ij小于DualMax阈值D，匹配质量值用(D-H_ij)/D表示；按行遍历匹配质量矩阵，选该行最大值元素，若该元素同时为所在列最大值，则标记该元素，并对该元素所在行列其它元素置0；否则，继续遍历操作；反复遍历操作，直到某一次遍历中未发现可标记元素为止；被标记元素对应的特征点对称为优选特征点对集。

5.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述步骤(4)中获得基准图像各特征点关键度具体如下：

将步骤(3)得到的优选特征点对集与Lowe匹配方法生成的特征点对集取交集，得到新的特征点对集合E；

对多张目标图像正样本重复步骤(1)(2)(3)(4)得到E的集合ξ(E)；统计ξ(E)中各元素对应基准图像各特征点出现次数，归一化得到基准图像各特征点的关键度，构建特征点关键度向量。

6.根据权利要求1所述的一种面向静态图像对象识别的特征点优选匹配方法，其特征在于：所述步骤(5)中匹配目标图像对象具体如下：

根据步骤(3)获取待识别图像的优选特征点对集，构建基准图像各特征点匹配向量，基准图像匹配向量与步骤(4)中得到的特征点关键度向量做点积运算，获得目标图像匹配分值；根据应用需要，确定匹配阈值V；如果目标图像匹配分值大于或等于匹配阈值V，则判定此待识别图像对象与指定图像对象匹配，待识别图像对象被识别。