Para abordar el problema de la baja precisión en la extracción de puntos clave y el alto volumen de parámetros computacionales en el método de correspondencia basado en la red SuperPoint bajo desafíos como la iluminación, la postura y el ángulo, se propuso un método liviano de extracción y correspondencia de puntos clave que integra una estrategia progresiva. Primero, se ajustó la estructura de la red SuperPoint utilizando convoluciones separables en profundidad para reducir la cantidad de parámetros computacionales del modelo; en segundo lugar, se construyó un módulo de atención en la parte de extracción de características para mejorar la capacidad espacial de la red para extraer características, y se diseñó un módulo de fusión progresiva de características multiescala para capturar los detalles del objetivo y mejorar la capacidad de expresión de las características; finalmente, se utilizó el algoritmo SuperGlue para la correspondencia de los puntos clave obtenidos. Los análisis experimentales en el conjunto de datos Hpatches muestran que el algoritmo propuesto logró una precisión promedio de coincidencia (mAP) y repetibilidad de puntos clave (Rep) del 86 % y 70 % en escenarios de cambio de iluminación, y del 78 % y 68 % en escenarios de cambio de punto de vista. El algoritmo propuesto no solo muestra ventajas en la correspondencia de características, sino que también obtiene buenos resultados al aplicarlo a la costura de video.

extracción de puntos clave;coincidencia de puntos clave;ligero;mecanismo de atención;fusión progresiva de características multiescala