1.一种基于语义特征多源低空立体像对快速匹配方法，包括以下步骤：步骤1，提取抵抗多源低空立体像对摄影基线、视角、尺度、遮挡、几何与辐射畸变、背景非线性变化的高级语义特征，确保在多源多视低空立体像对中能提取到相同的尺度不变性特征；

步骤2，通过多尺度差分卷积层(Difference of Convolutional Layers,DoC)与尺度空间DoC函数曲线拟合方程，定位语义特征点pi；

步骤3，基于语义特征点尺度确定局部特征支撑区范围；具体步骤为：收集具有辐射畸变、宽基线大倾角几何形变、背景非线性变化的多源低空立体像对影像数据集Simg，对这些影像扩张处理后获得新的数据集S；

在新的数据集S中，通过标注定位匹配点集M，并确定特征点pi的支撑区半径m m然后按照支撑区半径提取图像子块组成训练样本集P ；同时，随机抽取训练样本集P中的图nm像子块构成非匹配训练样本集P ；

步骤4，构建具有尺度、旋转、透视不变性匹配的双通道深度卷积神经网络；所述双通道深度卷积神经网络包括输入层、5层卷积层、2层池化层、2层全连接层、输出层、3个相似性测度模块；

步骤5，高层次语义特征相似性比较；

步骤6，实现能抵抗多源低空立体像对视角、背景非线性变化的特征匹配；

步骤7，基于匹配与非匹配概率的距离提取匹配点位；

步骤8，在双通道深度卷积神经网络中，设计多级相似性测度模块加速影像匹配，具体步骤为：利用双通道深度卷积神经网络进行多级相似性测度，基于相似性概率和以下约束来确m nm定匹配p与非匹配p ：

m nm m nm

d(p ,p )＝sim(p)‑sim(p )

其中，max(.)和second_max(.)分别是最大值和次最大值，tsim是阈值；

从相似性测度模块1、2楔入到双通道深度卷积神经网络架构之间以提高匹配效率，相似性测度模块1→相似性测度模块2→相似性测度模块3，若相似性测度模块1、2中不满足上述约束的条件则提前退出卷积运算。

2.根据权利要求1所述的方法，其特征在于：深度卷积神经网络训练样本根据透视变换公式 生成新的透视变换的影像集，以实现宽基线大倾角低空立体像对匹配训练；其中，(u,v)和(x,y)为变换前后的坐标，a1...8是变换系数。

3.根据权利要求2所述的方法，其特征在于：池化层构建多尺度空间提取尺度不变性的特征点。

4.根据权利要求3所述的方法，其特征在于：利用多尺度差分卷积层(Difference of Convolutional Layers,DoC)计算各卷积特征图绝对值之和，然后计算相邻层之差过滤影像低频信息，提取影像多尺度高频信息和检测稳定极值点。

5.根据权利要求3所述的方法，其特征在于：尺度空间DoC函数进行曲线拟合方程精确定位特征点位，该特征点的偏移量 由以下公式计算其中，X是初始点位坐标，DoC是差分卷积层。