Для решения проблемы низкой точности извлечения ключевых точек и большого объема вычислительных параметров в методе сопоставления признаков на основе сети SuperPoint при воздействии освещения, позы и угла, предложен легковесный метод извлечения и сопоставления ключевых точек с использованием прогрессивной стратегии. Во-первых, была проведена структурная модификация сети SuperPoint с помощью глубинно-сепаратных сверток для снижения вычислительной нагрузки модели; во-вторых, в части извлечения признаков построен модуль внимания для усиления пространственной способности сети извлекать признаки и разработан прогрессивный мульти масштабный модуль интеграции признаков для захвата деталей объекта и улучшения выражения признаков; наконец, для сопоставления полученных ключевых точек используется алгоритм SuperGlue. Эксперименты на датасете Hpatches показали, что предложенный алгоритм достиг средней точности сопоставления (mAP) и повторяемости ключевых точек (Rep) 86% и 70% в условиях изменения освещения, а в условиях изменения угла – mAP и Rep составили 78% и 68%. Предложенный алгоритм не только демонстрирует преимущества в сопоставлении признаков, но и показывает хорошие результаты при применении в видеостыковке.

извлечение ключевых точек;сопоставление ключевых точек;легковесный;механизм внимания;прогрессивное мульти масштабное объединение признаков