技術特征：

1.基于全局關系一致性約束的局部特征點驗證方法，其特征在于包括如下三部分：(1)離線學習部分，(2)特征點量化部分，(3)特征點投票驗證部分；離線學習部分用于構建視覺詞匯詞典；特征點量化部分根據離線學習所得到的視覺詞匯詞典對局部特征進行量化；特征點投票驗證部分用于對候選圖像中的特征點驗證，具體實現如下：

步驟(1)離線學習，對大量樣本分組聚類得到視覺詞匯詞典。

步驟(2)通過視覺詞匯詞典對查詢圖像的特征點量化，得到視覺詞匯。

步驟(3)對于查詢圖像的視覺詞匯在索引庫中匹配得到候選特征點，以候選特征點的所屬圖像唯一標識建立關系，得到若干候選圖像。

步驟(4)通過全局一致性弱關系或強幾何關系約束對特征點驗證，達到對候選圖像驗證的目的。

2.如權利要求1所述的基于全局關系一致性約束的局部特征點驗證方法，其特征在于：步驟(4)采用全局一致性弱關系約束對特征點驗證,依據正確匹配特征點之間的主方向和尺度的相對大小具有一致性原理，采用投票的方式驗證特征點是否為正確匹配的特征點。在查詢圖像中，若某一特征點的尺度小于另外一特征點，則在正確的候選圖像中，對應的特征點應當滿足該約束。同理，主方向也應當滿足這一條件。若某一特征點與該候選圖像中一定比例的其他特征點同時滿足此關系，則認為這一特征點為正確匹配的特征點。具體步驟如下:

2-1.通過查詢圖像的特征點量化所得到的視覺詞匯與索引庫中的視覺詞匯進行匹配，得到的大量候選特征點,并將特征點所屬的圖像ID作為關鍵詞建立Hash表，找到若干候選圖像。

2-2.通過約束條件驗證特征點:在驗證過程中，對于特征點i，若上下文特征點j與i滿足該約束關系，則特征點i的票數加1。通過投票驗證方法獲取正確匹配點，并計算正確匹配特征點所得到的投票和:

其中，是特征點i所得到的票數，Th是投票驗證的閾值。在結果選取時，按照各候選圖像的投票和，從大到小選擇若干張圖像作為拷貝圖像。

3.如權利要求1所述的基于全局關系一致性約束的局部特征點驗證方法，其特征在于：步驟(4)采用強幾何關系約束對特征點驗證；該方法依據正確匹配特征點之間主方向差與角位差等強幾何關系滿足一致性約束原理，對特征點進行驗證。主方向差:β＝|Ori_i-Ori_j|。Ori_i是待驗證點的i主方向，Ori_j是驗證點i的上下文特征點j的主方向；角位差是待驗證特征點與其上下文特征點連線，與待驗證特征點主方向之間的夾角，可通過如下公式計算得到:α＝|arctan2(P_i,P_j)-Ori_Pi|。arctan2(P_i,P_j)用于計算特征點(P_i,P_j)兩點連線與水平方向夾角；具體步驟如下：

3-1.通過查詢圖像的特征點量化所得到的視覺詞匯，與索引庫中的建立索引的特征點進行匹配，得到的大量匹配特征點。以這些特征點所屬的圖像ID作為關鍵詞建立Hash表，找到若干候選圖像。

3-2.由于SIFT特征點具有很好的旋轉魯棒性，因此查詢圖像兩個特征點之間的主方向差，與候選圖像對應的兩特征點之間的主方向差，應趨近于相等。同理角位差也應當趨近于相等。對應特征點之間的主方向差的差值:Dif_Ori_i,j＝|β_aij-β_bij|,以及角位差的差值:Dif_Dir＝|α_aij-α_bij|應趨近于0。

若特征點i,j兩點滿足約束關系，則M_i,j等于1。

同樣這里也采用投票的方式來判斷候選特征點是否為正確匹配的特征點，并計算正確匹配特征點所得到的投票和S。

其中，是特征點i所得到的票數。在結果選取時，按照各候選圖像的投票和，從大到小選擇若干張圖像作為拷貝圖像。

4.如權利要求1所述的基于全局關系一致性約束的局部特征點驗證方法，其特征在于所述的離線學習部分的具體實現步驟如下：

1-1.選取大量圖像構建圖像庫，并提取圖像庫中圖像的局部特征點及其特征描述子，將提取的特征描述子構建成樣本庫；

1-2.通過樣本庫獲得視覺詞匯詞典；具體的，對樣本庫中特征描述子的特征向量進行分組，在每個特征組上通過K均值聚類得到K個類中心，每個類中心為一個特征向量即代表視覺詞匯中的一個詞根，K個類中心為該特征組的詞根集合；在每個特征組上構建的詞根集合進行組合得到視覺詞匯詞典。

5.如權利要求1所述的基于全局關系一致性約束的局部特征點驗證方法，其特征在于所述的特征點量化部分中特征點的量化包括兩個部分：局部特征描述子的量化，主方向、尺度以及坐標量化。

2-1.局部特征描述子量化：對輸入圖像提取局部特征點集合S＝{P_i,i∈[0,Q]}，Q為輸入圖像中局部特征點的個數，P_i指代第i個局部特征點；并依據視覺詞匯詞典通過分組量化方法將局部特征點P_i的特征描述子量化為視覺詞匯VW_i；具體步驟如下：

2-1-1.從輸入圖像中提取局部特征點P_i的特征描述子F_i、位置(Px_i,Py_i)、尺度σ_i和主方向θ_i信息，即局部特征點P_i表示為[F_i,θ_i,σ_i,Px_i,Py_i]；

2-1-2.對每個局部特征點P_i的特征描述子F_i，依據視覺詞匯詞典采用分組量化方法得到視覺詞匯；依據視覺詞匯詞典的分組量化是將特征描述子F_i分成M組，每組為D/M個特征，其中D為特征描述子F_i特征向量的維數；然后對每組的特征向量根據步驟1-2訓練好的視覺詞匯詞典單獨量化為V_j，則采用分組量化得到特征描述子F_i的視覺詞匯VW_i為:其中,L為視覺詞匯詞典中對應組的詞根數；從而一個局部特征點P_i被表示為[VW_i,θ_i,σ_i,Px_i,Py_i]；每組特征向量的量化通過在該組的詞根集合中基于歐式距離查找最近的類中心，并將該類中心的下標作為其量化結果；

2-2.主方向、尺度以及坐標量化：上文中提到的主方向θ是一個浮點型的弧度值，在這里將其量化成整型角度值θ：θ_i＝θ_i*180/π。

同樣位置信息(Px_i,Py_i)與尺度σ_i也量化為整形。在量化尺度時，將σ_i乘100然后取整，保留了一定的精度。