圖像匹配是三維數字化技術的關鍵環節。圖像匹配的算法主要有基于特征匹配和基于灰度匹兩類【”。這兩種算法都存在著先天 性的不足。基于灰度的算法實現簡單，匹配精度高，誤匹配率低，但是計算量通常很大，并且容易受網像采集時光照、空氣等條件的 影響：在基于特征匹配算法中，由于對特征的選擇及提取的方法、算法結構復雜，匹配定位不夠準確，實現難度大。基于人工神經網 絡的圖像匹配可以避開上述因素的影響。設計出合理的網絡結構，利用神經網絡的非線性映射能力和泛化能力，可直接進行圖像匹 配。

1匹配原理 · 圖像匹配是從不同視角獲取的兩幅(或兩幅以上)圖像進行關聯對應，其本質是不同坐標系之間的坐標映射。用兩個攝像機從不 同角度采集圖像，為每幅圖像分別建立坐標系，用其中一幅圖像中各點的坐標作為人工神經網絡的輸入向量，另一幅圖像中對應像 點的坐標作為目標向每，對神經網絡進行訓練，確定出網絡各結點權值，從而得到坐標轉換關系。人工神經網絡具有泛化能力，可以 認為兩個坐標系平面坐標系之間某一區域內實現了二維連續非線性變換。

2人工神經網絡的結構設計與學習原則選擇

2．1設計人工神經網絡結構 用人T神經網絡實現隔象匹配。輸入、輸出均為X、Y坐標，輸入、輸出結點均為2個。用一個3層前饋神經網絡可精確地逼近任 意一個連續函數121。如果隱層層數為l層，輸入層有1個神經元，則取隱層神經元個數為2I+1。根據這些原則，采用3層網絡結構，輸 入、輸出層各2個結點，隱層5個結點。隱層結點的激活函數選S型函數，輸出結點為線性函數。

2．2選擇學習算法 最速下降法(SDBP)是前饋型人T．神經網絡的基本算法，也是最簡單的算法，但它收斂速度慢，有可能收斂于局部極值，穩定性 不足。Levenberg—Marquardt(LMBP)算法是高斯一牛頓法的變形，用以最小化作為其他非線性函數平方和的函數，適合于性能指數 是均方誤差的神經網絡訓練。LMBP算法主要訓練過程13I為：對每一個網絡輸出結點的輸出誤差，求出其對網絡每一權值的偏導數， 利用這些偏導數組成的雅可比矩陣．得出網絡權值調節量。它采用了可變的學習速度，克服了SDBP算法易收斂于局部極小的缺點， 收斂速度比SDBP算法快20倍以上。然而，LMBP算法仍舊存在著以下三個方面的不足：1)迭代控制參數斗、-it初始值的選擇會在很 大程度上影響迭代次數，迭代過程中如果u的值過大。會造成“小步長”現象，影響收斂進度，LMBP算法并沒有提供確定¨、v初始值 的理論方法．只能根據實驗效果選擇：2)LMBP算法中存在大量耗時的矩陣求逆運算，是算法收斂的瓶頸；3)在一次迭代中當誤差平 方和沒有變小時，LMBP算法將參數“增大"IY倍，這種做法可能會導致該次迭代消耗大量時間【4l。針對這些不足，QLMBP算法提出了 相應的優化措施(詳見參考文獻【4】，使得神經網絡的收斂速度大大提高。本文中選擇QLMP算法。