1.一种基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，包括：S1、采用ORB算法对某场景图像进行特征提取，获取特征点及其BRIEF描述子，并生成初始的特征点匹配对；

S2、随机选择初始的特征点匹配对，采用RANSAC检验算法计算单应性矩阵H，并计算所有匹配对的汉明距离，筛选出空间一致的内点匹配对，所述内点匹配对的空间对应关系由单应性矩阵H描述；

S3、基于BRIEF描述子之间的汉明距离、内点匹配对的空间一致性、以及将描述子的汉明距离与内点比例相结合，构建适应度函数，其中，所述汉明距离反映BRIEF描述子之间的相似度，内点比例反映内点匹配对的几何约束符合度；构建的适应度函数为：其中，Fitness代表特征匹配质量的评估结果，m表示被RANSAC算法识别为内点的匹配对数量，n是总的匹配对数量，K是一个系数，用于调整内点比例在适应度值中的重要性；适应度函数的第一部分 强调了内点在所有匹配对中的比例，该比例越高，表示找到的准备匹配对越多，系数K用于调整该比例因素的影响力； 是所有内点匹配对的平均汉明距离，表明这些匹配对的描述子之间的平均相似度，该值越低，说明平均相似度越高，匹配的质量越好；

S4、基于适应度函数改进WOA算法，根据内点匹配对的质量和几何一致性进行全局和局部搜索，在迭代过程中，根据适应度函数的反馈，更新特征点匹配方案，获取适应度函数值更优的匹配对集合并更新适应度函数；

S5、对于WOA算法优化后的匹配对，采用RANSAC检验算法排除潜在的误匹配，利用WOA算法细化后的适应度函数验证并精化其余匹配对，获得在几何上一致且稳定的匹配对。

2.根据权利要求1所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，S1具体包括：S1‑1、采用ORB算法识别图像中的特征点并计算相应的描述子；

S1‑2、基于提取的特征点及其BRIEF描述子，计算BRIEF描述子之间的汉明距离，通过暴力匹配法对BRIEF描述子进行配对，生成匹配对；

S1‑3、采用交叉检查算法剔除所述匹配对中的误匹配，获得初始的特征点匹配对。

3.根据权利要求2所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，S1‑2中对BRIEF描述子进行配对具体为：M＝{(i,j)∣DH(di,dj)≤τ}

其中，M是所有被认定为匹配的特征点对的合集，(i,j)是索引对，其中i和j分别代表第一幅图像中特征点的索引和第二幅图像中特征点的索引；DH表示汉明距离函数，用于计算两个描述子之间的汉明距离；di和dj分别代表两幅图像中的特征描述子；τ是设定的汉明距离阈值，用于确定描述子能否被视为匹配。

4.根据权利要求1所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，S2中筛选空间一致的内点匹配对包括：S2‑1、从两幅图像中匹配的点对{(p1[i],p2[i])}中随机选择四对点，其中每对点p1[i]T和p2[i]分别在两个不同图像中，并以齐次坐标形式表示，即p1[i]＝(x1,y1,1) 和p2[i]＝T(x2,y2,1) ，使用这四对点构建如下线性方程来估计单应性矩阵H的元素hij，即：x2·(h31x1+h32y1+h33)＝h11x1+h12y1+h13y2·(h31x1+h32y1+h33)＝h21x1+h22y1+h23其中，(x1,y1)表示随机选择的点在第一幅图像的像素坐标系中的坐标，(x2,y2)表示所述随机选择的点在第二幅图像中的对应点的坐标；

S2‑2、将上述方程重组为线性系统Ah＝0，应用奇异值分解找到矩阵A的零空间，最小奇异值对应的奇异向量为h的最佳估计，即：最小化||Ah||的向量h，满足Ah＝0，其中h是包含T单应性矩阵所有未知元素的向量[h11,h12,h13,h21,h22,h23,h31,h32,h33]，则得到单应性矩阵H为：S2‑3、RANSAC通过重复随机选取点对，计算单应性矩阵，并确定每个矩阵支持的内点数量，获得最佳的单应性矩阵；

S2‑4、使用估计出的最佳的单应性矩阵来转换所有其他点，计算转换后的点与其匹配点之间的欧几里得距离：其中， 是转换后的点， 表示由单应性矩阵H作用于

T

第一幅图像中的点(x1,y1,1) 后的结果，即：第一幅图像中的点经过单应性变换后在第二幅图像中的预测位置；

若欧几里得距离d(p1[i],p2[i])小于阈值τ，则点对(p1[i],p2[i])被认为是内点。

5.根据权利要求1所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，S4中基于适应度函数改进WOA算法包括：动态调整WOA算法的平衡系数a、A、C、和l，引入加权因子W调整适应度函数的权重，其中：平衡系数a用于减少搜索范围，其动态变化规律表示为：

式中，t是当前迭代次数，T是最大迭代次数；

平衡系数A是基于a的一个随机调整，用于确定下一个可能解的搜索范围，其计算公式为：A＝2×a×r‑a

式中，r是[0,1]范围内的随机数；

平衡系数C用于放大或减小搜索步长，其计算公式为：

C＝2×r

平衡系数l是随机数，用于模拟鲸鱼的螺旋更新位置，其表达式为：l∈[‑1,1]

加权因子W计算公式为：

W＝λ1·f(a,A,C)+λ2·g(l)

其中，λ1和λ2是两个超参数，分别用于调整f(a,A,C)和g(l)在加权因子W中的影响力，f(a,A,C)是综合搜索行为影响函数，用于计算鲸鱼算法中参数a、A和C对搜索行为的影响；g(l)是鲸鱼螺旋搜索行为影响函数。

6.根据权利要求5所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，函数f(a,A,C)的表达式为：其中，t是调节曲线陡峭程度的常数。

7.根据权利要求5所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，函数g(l)的表达式为：g(l)＝cos(2πl)

这个函数根据l参数的周期性而生成，反映了螺旋搜索行为的影响，函数形式是cos(2πl)，它会随着l的变化周期性的变化，l的值决定了螺旋行为的方向和范围。

8.根据权利要求1所述的基于改进WOA算法的ORB特征提取与匹配方法，其特征在于，更新后的适应度函数Fitness'为：Fitness′＝(1+W)·Fitness

Fitness为原始的适应度评价函数，W为用于调整适应度值的加权因子。