1.一种基于结构偏移特征的异常匹配识别方法，其特征在于，包括：(1)对训练图像集中的图像对分别提取关键点并获得初始匹配集c，同时计算每个关键点对应的局部变换矩阵A；

(2)对单一图像对获得的初始匹配集c，计算每一匹配的几何特征标识矩阵，每一匹配能够得到以左图为参考的局部几何特征标识矩阵Hl与以右图为参考的局部几何特征标识矩阵Hr，并使用几何特征标识矩阵计算匹配之间的相似性值S，计算相似性值时分别计算以左图为参考的相似性值Sl与以右图为参考的相似性值Sr；

(3)确定邻域范围k，对每一个中心匹配，选择相似性值Sl最大的k个匹配生成以左图为参考的有效邻居序列{Nlt}t＝1,2,...k，选择相似性值Sr最大的k个匹配生成以右图为参考的有效邻居序列{Nrt}t＝1,2,...k，分别计算以左图为参考的有效邻居序列和以右图为参考的有效邻居序列相对于中心匹配的距离排序的偏移量，生成匹配的左图特征fl和右图特征fr，将匹配的左图特征与右图特征进行拼接，获得匹配的最终特征[fl,fr]；

(4)将训练图像集中所有匹配的结构偏移特征组合为训练样本，人工标注训练样本特征的标签并对特征进行预处理后作为分类器的输入，对分类器进行训练，获得特征处理参数以及最终的分类器，以便通过训练好的分类器进行异常识别。

2.根据权利要求1所述的异常匹配识别方法，其特征在于，步骤(1)包括：(1.1)对训练图像集中的任一对图像对进行关键点检测，获得左图的M个关键点及右图的N个关键点；

(1.2)进行初始匹配，获得n对匹配对，对应左图关键点{ki}i＝1,2,...n及对应局部变换矩阵{Ai}i＝1,2,...n，同时获得右图关键点{k′i}i＝1,2,...n及对应局部变换矩阵{A′i}i＝1,2,...n，此时匹配关系为{ci＝(ki,k′i)}i＝1,2,...n。

3.根据权利要求2所述的异常匹配识别方法，其特征在于，步骤(2)包括：(2.1)对每一个匹配两端的关键点，对左图中的关键点，获得以左图为参考的局部结构矩阵T，对右图中的关键点，获得以右图为参考的局部结构矩阵T'；

(2.2)根据以左图为参考的局部结构矩阵T计算以左图为参考的局部几何特征标识矩阵Hl，根据以右图为参考的局部结构矩阵T'计算以右图为参考的局部几何特征标识矩阵Hr；

(2.3)基于以左图为参考的局部几何特征标识矩阵Hl计算基于左图的相似性值Sl，基于以右图为参考的局部几何特征标识矩阵Hr计算基于右图的相似性值Sr。

4.根据权利要求3所述的异常匹配识别方法，其特征在于，其中，

λ为映射参数，

σ(·)的含义是计算内部

所有元素的绝对值之和，ρ为将齐次坐标转为非齐次坐标的计算方法，下标i和j用于区分

不同的对象， Hl＝{Hl1 Hl2  ... Hln}，Hr＝{Hr1 Hr2  ... ‑1 ‑1

Hrn}，Hli＝Ti'Ti ，i＝1,2,...n，Hri＝TiTi' ，i＝1,2,...n。

5.根据权利要求4所述的异常匹配识别方法，其特征在于，步骤(3)包括：(3.1)对一个匹配ci＝{ki,k′i}，它基于左图的有效邻居序列{Nlt}t＝1,2,...k所表示的对应匹配为cti,t＝1,2,...k，分别有左图关键点kti,t＝1,2,...k以及右图关键点k′ti,t＝1,

2,...k；

(3.2)计算有效邻居序列左图关键点kti,t＝1,2,...k相对于左图中心关键点ki的距离排序，按照每个有效邻居在有效邻居序列中的次序排列，得到左图邻域结构序列Nfl；

(3.3)计算有效邻居序列右图关键点k′ti,t＝1,2,...k相对于右图中心关键点k′i的距离排序，按照每个有效邻居在有效邻居序列中的次序排列，得到右图邻域结构序列Nfr；

(3.4)由fl＝|Nfl‑Nfr|计算左图邻域结构序列Nfl与右图邻域结构序列Nfr的偏移量fl为基于左图的结构偏移特征，其中，|·|表示对内部元素取绝对值；

(3.5)对一个匹配ci＝{ki,k′i}，获取它基于右图的有效邻居序列及所表示的对应匹配，计算有效邻居序列右图关键点相对于右图中心关键点的距离排序，按照每个有效邻居在有效邻居序列中的次序排列，得到右图邻域结构序列；计算有效邻居序列左图关键点相对于左图中心关键点的距离排序，按照每个有效邻居在有效邻居序列中的次序排列，得到左图邻域结构序列；计算右图邻域结构序列与左图邻域结构序列的偏移量为基于右图的结构偏移特征fr。

6.根据权利要求5所述的异常匹配识别方法，其特征在于，步骤(4)包括：(4.1)将训练图像集中所有匹配的结构偏移特征组合为训练样本，并人工标注训练样本特征的标签，标签为正样本和负样本两类，其中，用1表示此匹配为正确匹配，是正样本；

用0表示此匹配为错误匹配，是负样本；

(4.2)对训练样本的结构偏移特征进行归一化预处理：以每一个样本为一行，每一个维度的结构偏移特征为一列，将所有样本的每一列归一化到[0,1]区间，归一化过程中使用到的样本最小值和最大值作为归一化参数保存下来，以便当新的样本到来后按同样方式对其进行归一化；

(4.3)将带有人工标注标签的训练样本输入训练器，对训练器进行训练获得训练好的分类器。

7.根据权利要求6所述的异常匹配识别方法，其特征在于，所述通过训练好的分类器进行异常识别，包括：

对需要进行异常匹配识别的图像对，分别执行步骤(1)与步骤(2)，获得每个匹配的基于左图的相似性值Sl与基于右图的相似性值Sr；

执行步骤(3)获得图像的特征，并应用步骤(4)获得的归一化参数对结构偏移特征进行处理，然后使用步骤(4)获得的分类器预测出每个匹配为正确匹配的概率p，确定多轮加权次数q，若加权次数达到q次，则输出最终预测概率P'；

按照给定的阈值t划分预测概率P'，概率大于t的为正确匹配，概率小于t的为错误匹配，输出最终的正确匹配的集合。

8.根据权利要求7所述的异常匹配识别方法，其特征在于，最终预测概率P'的获取方式为：

q‑1

(a)使用预测概率P 更新以左图为参考的相似性值Sl与以右图为参考的相似性值Sr，q‑1

获得更新 后的相似性 值 与 其中 ，P ＝ {p1  p2  ...  pn} ，其中，pi表示第i对特征匹配被预测为正确匹配的概率，pj表示第j对特征匹配被预测为正确匹配的概率；

(b)使用更新后的相似性值 与 获得更新后的特征(c)以更新后的特征 为输入，应用训练好的分类器预测出每个匹配为正样本的q

概率P；

(d)重复执行步骤(a)‑步骤(c)，直到迭代次数达到预先设定的阈值q，输出最终预测概率P'。