CN113408592B - 特征点匹配方法、装置、电子设备及计算机可读存储介质 - Google Patents

Abstract

本公开提供了特征点匹配方法、装置、电子设备及计算机可读存储介质，涉及计算机视觉和深度学习等人工智能领域，可应用于图像匹配等场景下，其中的方法可包括：分别对待匹配的第一图像和第二图像进行特征点提取；根据从不同图像中提取出的特征点的特征值之间的距离构建距离矩阵；通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。应用本公开所述方案，可降低实现复杂度，提升匹配效率等。

Description

特征点匹配方法、装置、电子设备及计算机可读存储介质

技术领域

本公开涉及人工智能技术领域，特别涉及计算机视觉和深度学习等领域的特征点匹配方法、装置、电子设备及计算机可读存储介质。

背景技术

目前，在进行图像间的特征点匹配时，通常采用以下方式：分别对待匹配的第一图像和第二图像进行特征点提取，为从第一图像中提取出的所有特征点建立索引，基于K最邻近(KNN，K-Nearest Neighbor)等分类算法，通过对从第二图像中提取出的特征点进行查表来确定相匹配的特征点对。

但上述方式中，索引的建立过程往往比较复杂，从而增加了实现复杂度，降低了匹配效率等。

发明内容

本公开提供了特征点匹配方法、装置、电子设备及计算机可读存储介质。

一种特征点匹配方法，包括：

分别对待匹配的第一图像和第二图像进行特征点提取；

根据从不同图像中提取出的特征点的特征值之间的距离构建距离矩阵；

通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

一种特征点匹配装置，包括：提取模块、构建模块以及匹配模块；

所述提取模块，用于分别对待匹配的第一图像和第二图像进行特征点提取；

所述构建模块，用于根据从不同图像中提取出的特征点的特征值之间的距离构建距离矩阵；

所述匹配模块，用于通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。

上述公开中的一个实施例具有如下优点或有益效果：可根据从第一图像和第二图像中提取出的特征点的特征值之间的距离构建距离矩阵，并可通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，无需执行为特征点建立索引等操作，从而降低了实现复杂度，提升了匹配效率，并确保了匹配结果的准确性等。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开所述特征点匹配方法实施例的流程图；

图2为本公开所述距离矩阵的示意图；

图3为采用本公开所述方法得到的特征点匹配结果示意图；

图4为本公开所述特征点匹配装置实施例400的组成结构示意图；

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述特征点匹配方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，分别对待匹配的第一图像和第二图像进行特征点提取。

在步骤102中，根据从不同图像中提取出的特征点的特征值之间的距离构建距离矩阵。

在步骤103中，通过交叉验证(crossCheck)，根据距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

可以看出，上述方法实施例所述方案中，可根据从第一图像和第二图像中提取出的特征点的特征值之间的距离构建距离矩阵，并可通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，无需执行为特征点建立索引等操作，从而降低了实现复杂度，提升了匹配效率，并确保了匹配结果的准确性等。

如何对待匹配的第一图像和第二图像进行特征点提取不作限制。比如，可根据性能和时间的平衡，采用尺度不变特征变换(SIFT，Scale Invariant Feature Transform)或基于深度学习的特征点提取算法等来对待匹配的第一图像和第二图像进行特征点提取。

进一步地，还可按照现有方式分别获取各特征点的特征值。之后，可根据从不同图像(即第一图像和第二图像)中提取出的特征点的特征值之间的距离构建距离矩阵。

本公开的一个实施例中，可根据从第一图像中提取出的特征点构建第一特征点集，根据从第二图像中提取出的特征点构建第二特征点集，进而可构建M*N大小的距离矩阵，M和N均为大于一的正整数，M的取值等于第一特征点集中包括的特征点数量，N的取值等于第二特征点集中包括的特征点数量，距离矩阵中坐标为(i，j)的元素表示第一特征点集中的特征点i的特征值与第二特征点集中的特征点j的特征值之间的距离，1≤i≤M，1≤j≤N。

也就是说，针对第一特征点集中的每个特征点，可分别计算该特征点与第二特征点集中的各特征点的特征值之间的距离，根据计算出的距离可进一步生成距离矩阵。

如何计算两个特征点的特征值之间的距离不作限制，比如，可计算两个特征点的特征值之间的欧式距离，或计算两个特征点的特征值之间的汉明(hamming)距离等。

假设M的取值为8(实际可能远大于此，此处仅为举例说明)，N的取值为10(实际可能远大于此，此处仅为举例说明)，那么对应的距离矩阵可如图2所示，图2为本公开所述距离矩阵的示意图，其中的“*”表示矩阵中的元素，以坐标为(2，3)的元素为例，其取值等于第一特征点集中的特征点2的特征值与第二特征点集中的特征点3的特征值之间的距离。

借助于距离矩阵，可保留特征点之间的距离值，并可减少后续交叉验证过程中的重复计算，提升匹配效率等。

本公开的一个实施例中，可利用从第一图像中提取出的所有特征点组成第一特征点集，并可利用从第二图像中提取出的所有特征点组成第二特征点集。

本公开的另一个实施例中，可分别获取从第一图像中提取出的各特征点的评分，利用评分符合要求的特征点组成第一特征点集，并可分别获取从第二图像中提取出的各特征点的评分，利用评分符合要求的特征点组成第二特征点集。

如何对各特征点进行评分不作限制。比如，可采用哈里斯评分(harrisScore)方式分别确定出各特征点的评分。

以第一图像为例，在分别获取到从第一图像中提取出的各特征点的评分之后，可将评分大于阈值的特征点作为评分符合要求的特征点，利用评分符合要求的特征点组成第一特征点集，或者，可按照评分从大到小的顺序对各特征点进行排序，将排序后处于前M位的特征点作为评分符合要求的特征点，利用评分符合要求的特征点组成第一特征点集。同样地，可对第二图像进行处理，以得到第二特征点集。M和N的取值可以相同，也可以不同。

在实际应用中，具体采用哪种方式来构建第一特征点集和第二特征点集不作限制，可根据实际需要灵活选择。优选地，可采用后一种方式，从而可减少后续处理的工作量，提升匹配效率等。

本公开的一个实施例中，在构建出距离矩阵后，可通过交叉验证，根据距离矩阵确定出相匹配的特征点对。

在本公开的另一个实施例中，还可在通过交叉验证，根据距离矩阵确定出相匹配的特征点对之前，首先基于距离先验从距离矩阵中过滤掉不符合要求的元素，之后再通过交叉验证，根据进行过滤后的距离矩阵确定出相匹配的特征点对。

比如，若确定任一元素符合以下条件：该元素对应的两个特征点的x坐标之间的差值的绝对值大于第一阈值，且，该元素对应的两个特征点的y坐标之间的差值的绝对值大于第二阈值，那么则可确定该元素为不符合要求的元素，相应地，可将该元素从距离矩阵中过滤掉。

假设元素a对应的两个特征点分别为特征点b和特征点c，其中特征点b为从第一图像中提取出的特征点，特征点c为从第二图像中提取出的特征点，若特征点b在第一图像中的x坐标与特征点c在第二图像中的x坐标之间的差值的绝对值大于第一阈值，且，特征点b在第一图像中的y坐标与特征点c在第二图像中的y坐标之间的差值的绝对值大于第二阈值，那么则可确定元素a为不符合要求的元素。

第一阈值和第二阈值的具体取值均可根据实际需要而定，比如，第一阈值可为100，第二阈值可为50。

通过上述处理，可从距离矩阵中过滤掉不符合要求的元素，从而可减少后续处理的工作量，提升匹配效率，并可提升匹配结果的准确性等。

之后，可通过交叉验证，根据距离矩阵确定出相匹配的特征点对，任一特征点对中分别包括两个来自不同图像的特征点。

本公开的一个实施例中，针对距离矩阵，可执行以下第一处理：针对距离矩阵中的第i行，1≤i≤M，i的初始取值为1，执行以下第二处理：从第i行中选出取值最小的元素；从选出的元素所在的列中选出取值最小的元素；若确定两次选出的元素为同一元素，则利用该元素对应的两个特征点组成一个特征点对；若确定i的取值小于M，则令i＝i+1，并重复执行所述第二处理，直到i的取值等于M。

以图2所示距离矩阵为例，可执行所述第一处理，具体地，可首先针对其中的第1行，执行所述第二处理，即从第1行中选出取值最小的元素，假设为坐标为(1，2)的元素，那么可进一步从第2列中选出取值最小的元素，若两次选出的元素为同一元素，那么则可利用该元素对应的两个特征点组成一个特征点对，即可利用第一特征点集中的特征点1和第二特征点集中的特征点2组成一个特征点对，之后，可针对第2行执行上述处理，若两次选出的元素不为同一元素，那么可直接针对第2行执行上述处理，其它各行的处理方式相同，当针对第8行也执行完上述处理后，即找到了所有的特征点对。

通过交叉验证的方式，可准确高效地查找出所需的特征点对，并且，无论是对于特征点较少的场景还是对于特征点较多的场景均可适用，即具有普遍适用性。

图3为采用本公开所述方法得到的特征点匹配结果示意图。如图3所示，每一条线分别连接了两个特征点，两个特征点分别来自于第一图像和第二图像，两个特征点构成一个特征点对。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4为本公开所述特征点匹配装置实施例400的组成结构示意图。如图4所示，包括：提取模块401、构建模块402以及匹配模块403。

提取模块401，用于分别对待匹配的第一图像和第二图像进行特征点提取。

构建模块402，用于根据从不同图像中提取出的特征点的特征值之间的距离构建距离矩阵。

匹配模块403，用于通过交叉验证，根据距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

提取模块401如何对待匹配的第一图像和第二图像进行特征点提取不作限制。

在完成特征点提取后，构建模块402可根据从第一图像中提取出的特征点构建第一特征点集，并可根据从第二图像中提取出的特征点构建第二特征点集，进而可构建M*N大小的距离矩阵，M和N均为大于一的正整数，M的取值等于第一特征点集中包括的特征点数量，N的取值等于第二特征点集中包括的特征点数量，距离矩阵中坐标为(i，j)的元素表示第一特征点集中的特征点i的特征值与第二特征点集中的特征点j的特征值之间的距离，1≤i≤M，1≤j≤N。

也就是说，针对第一特征点集中的每个特征点，可分别计算该特征点与第二特征点集中的各特征点的特征值之间的距离，根据计算出的距离可进一步生成距离矩阵。

如何计算两个特征点的特征值之间的距离不作限制，比如，可计算两个特征点的特征值之间的欧式距离，或计算两个特征点的特征值之间的汉明距离等。

其中，构建模块402可利用从第一图像中提取出的所有特征点组成第一特征点集，并可利用从第二图像中提取出的所有特征点组成第二特征点集。

或者，构建模块402可分别获取从第一图像中提取出的各特征点的评分，利用评分符合要求的特征点组成第一特征点集，并可分别获取从第二图像中提取出的各特征点的评分，利用评分符合要求的特征点组成第二特征点集。

以第一图像为例，在分别获取到从第一图像中提取出的各特征点的评分之后，可将评分大于阈值的特征点作为评分符合要求的特征点，利用评分符合要求的特征点组成第一特征点集，或者，可按照评分从大到小的顺序对各特征点进行排序，将排序后处于前M位的特征点作为评分符合要求的特征点，利用评分符合要求的特征点组成第一特征点集。同样地，可对第二图像进行处理，以得到第二特征点集。M和N的取值可以相同，也可以不同。

在构建出距离矩阵后，构建模块402还可基于距离先验从距离矩阵中过滤掉不符合要求的元素。

比如，构建模块402若确定任一元素符合以下条件：该元素对应的两个特征点的x坐标之间的差值的绝对值大于第一阈值，且，该元素对应的两个特征点的y坐标之间的差值的绝对值大于第二阈值，那么则可确定该元素为不符合要求的元素，相应地，可将该元素从距离矩阵中过滤掉。

之后，匹配模块403可通过交叉验证，根据距离矩阵确定出相匹配的特征点对，任一特征点对中分别包括两个来自不同图像的特征点。

具体地，针对距离矩阵，匹配模块403可执行以下第一处理：针对距离矩阵中的第i行，1≤i≤M，i的初始取值为1，执行以下第二处理：从第i行中选出取值最小的元素；从选出的元素所在的列中选出取值最小的元素；若确定两次选出的元素为同一元素，则利用该元素对应的两个特征点组成一个特征点对；若确定i的取值小于M，则令i＝i+1，并重复执行所述第二处理，直到i的取值等于M。

图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，降低了实现复杂度，提升了匹配效率，并确保了匹配结果的准确性等。

本公开所述方案可应用于人工智能领域，特别涉及计算机视觉和深度学习等领域，可应用于图像匹配等场景下。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (8)

1.一种特征点匹配方法，包括：

分别对待匹配的第一图像和第二图像进行特征点提取；

根据从所述第一图像中提取出的特征点构建第一特征点集，根据从所述第二图像中提取出的特征点构建第二特征点集，并构建M*N大小的距离矩阵，其中坐标为(i，j)的元素表示所述第一特征点集中的特征点i的特征值与所述第二特征点集中的特征点j的特征值之间的距离，1≤i≤M，1≤j≤N，M和N均为大于一的正整数，分别表示所述第一特征点集以及所述第二特征点集合中包括的特征点数量；

响应于确定所述距离矩阵中的任一元素对应的两个特征点的x坐标之间的差值的绝对值大于第一阈值，且，所述元素对应的两个特征点的y坐标之间的差值的绝对值大于第二阈值，从所述距离矩阵中过滤掉所述元素；

通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

2.根据权利要求1所述的方法，其中，所述根据从所述第一图像中提取出的特征点构建第一特征点集，根据从所述第二图像中提取出的特征点构建第二特征点集包括：

利用从所述第一图像中提取出的所有特征点组成所述第一特征点集，利用从所述第二图像中提取出的所有特征点组成所述第二特征点集；

或者，分别获取从所述第一图像中提取出的各特征点的评分，利用评分符合要求的特征点组成所述第一特征点集，分别获取从所述第二图像中提取出的各特征点的评分，利用评分符合要求的特征点组成所述第二特征点集。

3.根据权利要求1～2中任一项所述的方法，其中，所述通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对包括：

针对所述距离矩阵，执行以下第一处理：

针对所述距离矩阵中的第i行，1≤i≤M，i的初始取值为1，执行以下第二处理：

从第i行中选出取值最小的元素；

从选出的元素所在的列中选出取值最小的元素；

若确定两次选出的元素为同一元素，则利用所述元素对应的两个特征点组成一个特征点对；

若确定i的取值小于M，则令i＝i+1，并重复执行所述第二处理，直到i的取值等于M。

4.一种特征点匹配装置，包括：提取模块、构建模块以及匹配模块；

所述提取模块，用于分别对待匹配的第一图像和第二图像进行特征点提取；

所述构建模块，用于根据从所述第一图像中提取出的特征点构建第一特征点集，根据从所述第二图像中提取出的特征点构建第二特征点集，并构建M*N大小的距离矩阵，其中坐标为(i，j)的元素表示所述第一特征点集中的特征点i的特征值与所述第二特征点集中的特征点j的特征值之间的距离，1≤i≤M，1≤j≤N，M和N均为大于一的正整数，分别表示所述第一特征点集以及所述第二特征点集合中包括的特征点数量；响应于确定所述距离矩阵中的任一元素对应的两个特征点的x坐标之间的差值的绝对值大于第一阈值，且，所述元素对应的两个特征点的y坐标之间的差值的绝对值大于第二阈值，从所述距离矩阵中过滤掉所述元素；

所述匹配模块，用于通过交叉验证，根据所述距离矩阵确定出相匹配的特征点对，其中，任一特征点对中分别包括两个来自不同图像的特征点。

5.根据权利要求4所述的装置，其中，

所述构建模块利用从所述第一图像中提取出的所有特征点组成所述第一特征点集，利用从所述第二图像中提取出的所有特征点组成所述第二特征点集；

或者，所述构建模块分别获取从所述第一图像中提取出的各特征点的评分，利用评分符合要求的特征点组成所述第一特征点集，分别获取从所述第二图像中提取出的各特征点的评分，利用评分符合要求的特征点组成所述第二特征点集。

6.根据权利要求4～5中任一项所述的装置，其中，

所述匹配模块针对所述距离矩阵，执行以下第一处理：针对所述距离矩阵中的第i行，1≤i≤M，i的初始取值为1，执行以下第二处理：从第i行中选出取值最小的元素；从选出的元素所在的列中选出取值最小的元素；若确定两次选出的元素为同一元素，则利用所述元素对应的两个特征点组成一个特征点对；若确定i的取值小于M，则令i＝i+1，并重复执行所述第二处理，直到i的取值等于M。

7.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-3中任一项所述的方法。