CN110110125A - 一种快速精确的图片搜索匹配方法及系统 - Google Patents

Abstract

本发明公开了一种快速精确的图片搜索匹配方法，包括获取待查询图片；通过特征提取算法提取所述待查询图片的特征点；基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；基于所述粗筛匹配和精确匹配生成匹配结果。本发明通过服务器集群技术将待查询图片与样本图片数据库中的样本图片进行匹配，将匹配计算平均分配到每一台服务器上运行，通过粗筛匹配快速缩小匹配范围，再通过精确匹配提高匹配精度，能够实现待查询图片的快速精确匹配，有效解决了现有技术中图片搜索匹配速度慢，匹配结果不精确的问题。本发明还公开了一种快速精确的图片搜索匹配系统，同样能够实现上述技术效果。

Description

一种快速精确的图片搜索匹配方法及系统

技术领域

本发明涉及计算机技术领域，尤其涉及一种快速精确的图片搜索匹配方法及系统。

背景技术

在图片处理领域中，通常需要将一些图片内容相似的图片识别出来，这一技术在许多领域都可能用到，例如应用在搜索、去重、过滤等相关产品中。

目前搜索匹配图片的技术中，通常都是将待查询图片进行特征提取后与数据库中的全部图片进行特征点的匹配，当待查询图片与数据库中的某个图片的特征点的匹配度大于预设阈值时，则认为待查询图片与数据库中的该图片是两幅相同或相似的图片，或者说这两张图片是相匹配的图片。

现有的图片搜索匹配方法中由于需要同时对数据库中的所有图片进行特征点的匹配，因此匹配速度慢，而且如果匹配度的预设阈值选择不当，容易导致实际匹配的图片无法被搜索匹配到或者匹配出很多与待查询图片在整体视觉上往往没有任何相似性的错误匹配图片。

因此，如何实现图片的快速、精确搜索匹配，是目前亟待解决的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种快速精确的图片搜索匹配方法级系统，有效解决了现有技术中图片搜索匹配速度慢，匹配结果不精确的问题。

为了实现本发明的上述目的，根据本发明的一个方面，本发明提供了一种快速精确的图片搜索匹配方法，所述方法包括如下步骤：

S1，获取待查询图片；

S2，通过特征提取算法提取所述待查询图片的特征点；

S3，基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

S4，基于所述粗筛匹配和精确匹配生成匹配结果。

优选地，所述步骤S3包括如下步骤：

S31，基于所述待查询图片的特征点通过服务器集群技术在所述样本图片数据库中进行粗筛匹配计算，得到与所述待查询图片的特征点的匹配度TopN的匹配样本图片并返回粗筛结果，其中，N为正整数；

S32，基于所述待查询图片的特征点对所述粗筛结果进行精确匹配计算。

优选地，所述步骤S31包括如下步骤：

S311，通过广播方式将所述待查询图片的特征点数据发送到服务器集群中的每一台粗筛服务器；

S312，每一台粗筛服务器同时并行将所述待查询图片的特征点数据与所述样本图片数据库中各自被预先分配的样本图片进行初步匹配，得到与所述待查询图片的特征点的匹配度TopM的匹配样本图片，其中，M为正整数，且M<N；

S313，每一台粗筛服务器上报初步匹配结果；

S314，将所有粗筛服务器上报的初步匹配结果进行汇总得到与所述待查询图片的特征点的匹配度TopN的匹配样本图片并返所述回粗筛结果。

优选地，所述步骤S32包括如下步骤：

S321，将所述待查询图片的特征点数据发送到服务器集群中的每一台细筛服务器，同时将所述粗筛结果中TopN的匹配样本图片按照预设的分配规则发送到服务器集群中的每一台细筛服务器；

S322，每一台细筛服务器并行计算所述TopN的匹配样本图片中的每一张匹配样本图片与所述待查询图片之间的特征点有效匹配的个数并进行评分，其中，特征点的匹配采用欧氏距离进行计算；

S323，基于每一张匹配样本图片的分值与预设分值阈值判断每一张匹配样本图片是否正确匹配。

优选地，所述步骤S323中，预设分值阈值设置为1000，当所述匹配样本图片的评分分值大于1000时，则判断该匹配样本图片与所述待查询图片匹配正确，否则判断为匹配失败。

优选地，所述细筛服务器为GPU服务器。

优选地，服务器集群中的服务器之间的数据传输基于SOCKET协议进行传输。

优选地，所述步骤S2中特征点提取的过程中采用硬件加速计算技术加速所述待查询图片的特征点的提取速度。

优选地，所述步骤S2中的特征提取算法为SURF算法，且通过SURF算法进行特征点的提取时，Hessian阈值设置为1000。

根据本发明的一个方面，本发明还提供了一种快速精确的图片搜索匹配系统，所述系统包括：

图片获取模块，用于获取待查询图片；

特征提取模块，用于通过特征提取算法提取所述待查询图片的特征点；

图片匹配模块，基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

结果生成模块，用于基于所述粗筛匹配和精确匹配生成匹配结果。

由以上方案可知，本发明提供了一种快速精确的图片搜索匹配方法及系统，首先获取待查询图片，然后通过特征提取算法提取所述待查询图片的特征点，接着基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配，最后基于所述粗筛匹配和精确匹配生成匹配结果。本发明通过服务器集群技术将待查询图片与样本图片数据库中的样本图片进行匹配，将匹配计算平均分配到每一台服务器上运行，通过粗筛匹配快速缩小匹配范围，再通过精确匹配提高匹配精度，能够实现待查询图片的快速精确匹配 ，有效解决了现有技术中图片搜索匹配速度慢，匹配结果不精确的问题。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一种优选实施方式中图片搜索匹配方法的流程示意图；

图2是本发明一种优选实施方式中图片搜索匹配系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本技术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)，具有与本发明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，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

根据本发明的一个方面，本发明提供了一种快速精确的图片搜索匹配方法，如图1所示，所述方法包括如下步骤：

S1，获取待查询图片；

在进行图片的搜索匹配时，首先需要获取待查询图片，待查询图片具体可以通过拍照或者拷贝等方式获得。

S2，通过特征提取算法提取待查询图片的特征点；

获取到待查询图片后，需要对待查询图片进行特征提取操作，具体通过相应的特征提取算法进行特征提取。

在本实施例中，特征提取算法的程序有一部分代码是使用CUDA实现，有一部分代码是使用OpenCL实现。在处理流程中，图片的前期处理，如旋转，二值化操作是使用OpenCV+CUDA实现，为了加速计算，OpenCV中可以使用CUDA加速计算，使用的是Transparent API，直接将加速计算底层调用封装，程序改动较小。在提取特征操作中，使用OpenCL，编写C++和OpenCL代码，提取相应特征点。通过使用硬件加速技术进行图片特征点的提取，可以将整个特征点提取计算时间控制在50毫秒以内，如果不使用硬件加速计算（一般使用CPU）则大概会在1－2秒。在具体实施时，每一张图的特征点的个数控制在5000个左右，因为太少会影响匹配的准确率，太多会影响匹配的速度，为了控制在5000个左右，设置了对应的参数值，如SURF特征提取时，其中一个重要的参数为hessian阈值，这个值设置为1000。实验证明，通过上述设置有效提高了图片特征点的提取速度以及后续的特征点匹配的准确率。

具体通过现有的特征提取算法对待矫正图片进行特征点的提取。例如ORB（Oriented FAST and Rotated BRIEF）特征提取算法，它采用改进的FAST关键点检测方法，使其具有方向性，并采用具有旋转不变性的BRIEF特征描述子。FAST和BRIEF都是非常快速的特征计算方法，因此ORB具有非同一般的性能优势。又如SURF（Speeded Up RobustFeatures）特征提取算法。SURF在光照变化和视角变化不变性方面的性能接近SIFT算法，尤其对图像严重模糊和旋转处理得非常好。且标准的SURF算子比SIFT算子快好几倍，SURF算法最大的特征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行速度。通过现有的特征提取算法提取图片的特征点属于现有技术，在此不再赘述。

S3，基于待查询图片的特征点通过服务器集群技术将待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

待查询图片的特征提取操作完成后，根据待查询图片的特征点信息将待查询图片与样本图片数据库中的图片进行特征比对，实现图片的匹配，通过服务器集群技术将搭建服务器集群；在粗筛匹配过程中，将样本图片数据库中的数据分段分配给多个服务器，同时并行将待查询图片特征与每一个服务器中的图片的特征数据进行匹配，提升匹配速度，通过粗筛匹配快速缩小匹配范围；再将待查询图片与粗筛匹配后得到的样本图片通过细筛服务器集群中的每一台细筛服务器并行进行精确匹配，提高匹配精度。

S4，基于粗筛匹配和精确匹配生成匹配结果。

匹配完成后则根据匹配情况生成匹配结果。

在本实施方式中，步骤S3包括如下步骤：

S31，基于待查询图片的特征点通过服务器集群技术在样本图片数据库中进行粗筛匹配计算，得到与待查询图片的特征点的匹配度TopN的匹配样本图片并返回粗筛结果，其中，N为正整数；

S32，基于待查询图片的特征点对粗筛结果进行精确匹配计算。

在本实施方式中，步骤S31包括如下步骤：

S311，通过广播方式将待查询图片的特征点数据发送到服务器集群中的每一台粗筛服务器；

S312，每一台粗筛服务器同时并行将待查询图片的特征点数据与样本图片数据库中各自被预先分配的样本图片进行初步匹配，得到与待查询图片的特征点的匹配度TopM的匹配样本图片，其中，M为正整数，且M<N；

S313，每一台粗筛服务器上报初步匹配结果；

S314，将所有粗筛服务器上报的初步匹配结果进行汇总得到与待查询图片的特征点的匹配度TopN的匹配样本图片并返回粗筛结果。

在本实施方式中，步骤S32包括如下步骤：

S321，将待查询图片的特征点数据发送到服务器集群中的每一台细筛服务器，同时将粗筛结果中TopN的匹配样本图片按照预设的分配规则发送到服务器集群中的每一台细筛服务器；

上述预设的分配规则具体可以是将TopN的匹配样本图片平均分配到每一台细筛服务器进行精确匹配，或者可以是将TopN的匹配样本图片按照每一台细筛服务器的数据处理性能的高低不均匀地分配到每一台细筛服务器进行精确匹配。

S322，每一台细筛服务器并行计算TopN的匹配样本图片中的每一张匹配样本图片与待查询图片之间的特征点有效匹配的个数并进行评分，其中，特征点的匹配采用欧氏距离进行计算；

S323，基于每一张匹配样本图片的分值与预设分值阈值判断每一张匹配样本图片是否正确匹配。

在本实施方式中，服务集群中采用N/M台粗筛服务器，将粗筛匹配计算平均分配到每一台服务器上运行，有效提升匹配速度。具体地，N取值可以为20，如果使用4台粗筛服务器进行粗筛匹配，则M取值为5，即每台粗筛服务器的粗筛匹配取匹配度排前5的参考图片，总共取前匹配度排前20的参考图片进行后续的精确匹配。当然M和N的取值可以根据实际情况进行其它不同的设置。为了解决集群传输问题，集成了基于SOCKET通信的传输库，将传输速度趋近于物理最大传输速度。服务器集群调度流程采用先广播到每一台服务器上，每一台服务器运行完成后，再将数据汇报到调度服务器。具体地，粗筛采用CPU处理，细筛采用GPU进行硬件加速处理。通过上述设置，细筛匹配过程能够控制在300ms以内，主要通过硬件加速和控制细筛匹配的图片总数（即N的值），通过大量实验测到N在20以内时，匹配精度和匹配时间能够达到一个最优的平衡状态。

在本实施方式中，步骤S323中，预设分值阈值设置为1000，当匹配样本图片的评分分值大于1000时，则判断该匹配样本图片与待查询图片匹配正确，否则判断为匹配失败。通过大量实验证明，预设分值阈值取1000时，匹配速度和精度均能达到最优效果。

在本实施方式中，细筛服务器为GPU服务器。通过硬件加速计算提升匹配速度。

在本实施方式中，服务器集群中的服务器之间的数据传输基于SOCKET协议进行传输。通过SOCKET协议进行数据传输，传输速度快，且能保证数据传输的安全性。

在本实施方式中，步骤S2中特征点提取的过程中采用硬件加速计算技术加速待查询图片的特征点的提取速度。通过硬件加速计能够算进一步提升特征提取的速度，从而提升图片的搜索匹配速度。

在本实施方式中，步骤S2中的特征提取算法为SURF算法，且通过SURF算法进行特征点的提取时，Hessian阈值设置为1000。这样可以更好地提升特征提取速度，从而提升图片的搜索匹配速度。

由以上方案可知，本发明提供了一种快速精确的图片搜索匹配方法，首先获取待查询图片，然后通过特征提取算法提取待查询图片的特征点，接着基于待查询图片的特征点通过服务器集群技术将待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配，最后基于粗筛匹配和精确匹配生成匹配结果。本发明通过服务器集群技术将待查询图片与样本图片数据库中的样本图片进行匹配，将匹配计算平均分配到每一台服务器上运行，通过粗筛匹配快速缩小匹配范围，再通过精确匹配提高匹配精度，能够实现待查询图片的快速精确匹配，有效解决了现有技术中图片搜索匹配速度慢，匹配结果不精确的问题。

根据本发明的一个方面，本发明还提供了一种快速精确的图片搜索匹配系统，如图2所示，该系统包括：

图片获取模块201，用于获取待查询图片；

在进行图片的搜索匹配时，首先需要获取待查询图片，待查询图片具体可以通过拍照或者拷贝等方式获得。

特征提取模块202，用于通过特征提取算法提取待查询图片的特征点；

获取到待查询图片后，需要对待查询图片进行特征提取操作，具体通过相应的特征提取算法进行特征提取。

在本实施例中，特征提取算法的程序有一部分代码是使用CUDA实现，有一部分代码是使用OpenCL实现。在处理流程中，图片的前期处理，如旋转，二值化操作是使用OpenCV+CUDA实现，为了加速计算，OpenCV中可以使用CUDA加速计算，使用的是Transparent API，直接将加速计算底层调用封装，程序改动较小。在提取特征操作中，使用OpenCL，编写C++和OpenCL代码，提取相应特征点。通过使用硬件加速技术进行图片特征点的提取，可以将整个特征点提取计算时间控制在50毫秒以内，如果不使用硬件加速计算（一般使用CPU）则大概会在1－2秒。在具体实施时，每一张图的特征点的个数控制在5000个左右，因为太少会影响匹配的准确率，太多会影响匹配的速度，为了控制在5000个左右，设置了对应的参数值，如SURF特征提取时，其中一个重要的参数为hessian阈值，这个值设置为1000。实验证明，通过上述设置有效提高了图片特征点的提取速度以及后续的特征点匹配的准确率。

具体通过现有的特征提取算法对待矫正图片进行特征点的提取。例如ORB（Oriented FAST and Rotated BRIEF）特征提取算法，它采用改进的FAST关键点检测方法，使其具有方向性，并采用具有旋转不变性的BRIEF特征描述子。FAST和BRIEF都是非常快速的特征计算方法，因此ORB具有非同一般的性能优势。又如SURF（Speeded Up RobustFeatures）特征提取算法。SURF在光照变化和视角变化不变性方面的性能接近SIFT算法，尤其对图像严重模糊和旋转处理得非常好。且标准的SURF算子比SIFT算子快好几倍，SURF算法最大的特征在于采用了harr特征以及积分图像的概念，这大大加快了程序的运行速度。通过现有的特征提取算法提取图片的特征点属于现有技术，在此不再赘述。

图片匹配模块203，基于待查询图片的特征点通过服务器集群技术将待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

待查询图片的特征提取操作完成后，根据待查询图片的特征点信息将待查询图片与样本图片数据库中的图片进行特征比对，实现图片的匹配，通过服务器集群技术将搭建服务器集群；在粗筛匹配过程中，将样本图片数据库中的数据分段分配给多个服务器，同时并行将待查询图特征片与每一个服务器中的图片的特征数据进行匹配，提升匹配速度，通过粗筛匹配快速缩小匹配范围；再将待查询图片与粗筛匹配后得到的样本图片进行精确匹配，提高匹配精度。

结果生成模块204，用于基于粗筛匹配和精确匹配生成匹配结果。

匹配完成后则根据匹配情况生成匹配结果。

由以上方案可知，本发明提供了一种快速精确的图片搜索匹配系统，首先通过图片获取模块201获取待查询图片，然后通过特征提取模块202基于特征提取算法提取待查询图片的特征点，接着通过图片匹配模块203基于待查询图片的特征点通过服务器集群技术将待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配，最后通过结果生成模块204基于粗筛匹配和精确匹配生成匹配结果。本发明通过服务器集群技术将待查询图片与样本图片数据库中的样本图片进行匹配，将匹配计算平均分配到每一台服务器上运行，通过粗筛匹配快速缩小匹配范围，再通过精确匹配提高匹配精度，能够实现待查询图片的快速精确匹配 ，有效解决了现有技术中图片搜索匹配速度慢，匹配结果不精确的问题。

本发明实施例提供的图片搜索匹配系统，在具体实施时，可以集成于搜索客户端等产品中。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图片匹配的装置和图片的搜索装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种快速精确的图片搜索匹配方法，其特征在于，包括如下步骤：

S1，获取待查询图片；

S2，通过特征提取算法提取所述待查询图片的特征点；

S3，基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

S4，基于所述粗筛匹配和精确匹配生成匹配结果。

2.根据权利要求1所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S3包括如下步骤：

S31，基于所述待查询图片的特征点通过服务器集群技术在所述样本图片数据库中进行粗筛匹配计算，得到与所述待查询图片的特征点的匹配度TopN的匹配样本图片并返回粗筛结果，其中，N为正整数；

S32，基于所述待查询图片的特征点对所述粗筛结果进行精确匹配计算。

3.根据权利要求2所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S31包括如下步骤：

S311，通过广播方式将所述待查询图片的特征点数据发送到服务器集群中的每一台粗筛服务器；

S312，每一台粗筛服务器同时并行将所述待查询图片的特征点数据与所述样本图片数据库中各自被预先分配的样本图片进行初步匹配，得到与所述待查询图片的特征点的匹配度TopM的匹配样本图片，其中，M为正整数，且M<N；

S313，每一台粗筛服务器上报初步匹配结果；

S314，将所有粗筛服务器上报的初步匹配结果进行汇总得到与所述待查询图片的特征点的匹配度TopN的匹配样本图片并返所述回粗筛结果。

4.根据权利要求2所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S32包括如下步骤：

S321，将所述待查询图片的特征点数据发送到服务器集群中的每一台细筛服务器，同时将所述粗筛结果中TopN的匹配样本图片按照预设的分配规则发送到服务器集群中的每一台细筛服务器；

S322，每一台细筛服务器并行计算所述TopN的匹配样本图片中的每一张匹配样本图片与所述待查询图片之间的特征点有效匹配的个数并进行评分，其中，特征点的匹配采用欧氏距离进行计算；

S323，基于每一张匹配样本图片的分值与预设分值阈值判断每一张匹配样本图片是否正确匹配。

5.根据权利要求4所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S323中，预设分值阈值设置为1000，当所述匹配样本图片的评分分值大于1000时，则判断该匹配样本图片与所述待查询图片匹配正确，否则判断为匹配失败。

6.根据权利要求5所述的一种快速精确的图片搜索匹配方法，其特征在于，所述细筛服务器为GPU服务器。

7.根据权利要求1-6任意一项所述的一种快速精确的图片搜索匹配方法，其特征在于，服务器集群中的服务器之间的数据传输基于SOCKET协议进行传输。

8.根据权利要求7所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S2中特征点提取的过程中采用硬件加速计算技术加速所述待查询图片的特征点的提取速度。

9.根据权利要求8所述的一种快速精确的图片搜索匹配方法，其特征在于，所述步骤S2中的特征提取算法为SURF算法，且通过SURF算法进行特征点的提取时，Hessian阈值设置为1000。

10.一种应用权利要求1-9中任意一项所述的方法进行图片搜索匹配的系统，其特征在于，包括：

图片获取模块，用于获取待查询图片；

特征提取模块，用于通过特征提取算法提取所述待查询图片的特征点；

图片匹配模块，基于所述待查询图片的特征点通过服务器集群技术将所述待查询图片与样本图片数据库进行并行的粗筛匹配和精确匹配；

结果生成模块，用于基于所述粗筛匹配和精确匹配生成匹配结果。