基于航向約束的無人機圖像匹配算法（通訊）
相關(guān)鏈接： 中國安全網(wǎng) 中國質(zhì)量網(wǎng) 中國論文網(wǎng) 中國資訊網(wǎng)
基于航向約束的無人機圖像匹配算法（通訊）
陳 堅1， 仲思東1，2， 徐安麗1
（1．武漢大學(xué)電子信息學(xué)院，武漢430072；2．測繪遙感信息工程國家重點實驗室，武漢430079）
摘要：針對無人機航拍影像的高分辨率特點，用簡化的尺度不變特征變換( SIFT)算法提取待匹配圖像中的特征點并粗匹配。根據(jù)航拍圖像的特殊獲取方式，提出一種基于航向約束的特征點提純算法，并用實驗進行驗證。結(jié)果表明，此算法能有效提純匹配點，提純率達到25%，與隨機抽樣一致(RANSAC)算法比較，在保持提純率的前提下，效率提高了將近一倍。
關(guān)鍵詞：無人機圖像；特征匹配；SIFT；航向約束
中圖分類號：TP391. 41 文章編號：1671 - 637X( 2016) 05 - 0026 - 04
0 引言
隨著民用商用無人機的普及，通過無人機進行航拍獲取的影像開始用于包括檢測預(yù)警、目標跟蹤、交警執(zhí)法、數(shù)字地圖生成、體育賽事直播等在內(nèi)的各個領(lǐng)域。然而，由于受所搭載的相機視場所限，所拍攝的單幅圖像所覆蓋的范圍太小而滿足不了使用的需求，于是需要借助圖像拼接技術(shù)。傳統(tǒng)的圖像拼接技術(shù)通常是將幾幅低分辨率窄視場的圖像拼接為高分辨率大視場圖像，或是對遙感影像的拼接。而無人機在(30～300 m)超低空領(lǐng)域獲取的圖像，與一般圖像相比有相幅較大、畸變較大、航向窄、紋理豐富但分布極不均勻等幾個特點，且有較大的畸變。針對這樣的圖像，首先須對無人機圖像進行幾何校正。圖像匹配是圖像拼接環(huán)節(jié)最重要的一步，尺寸不變特征變換( SIFT)算法對于旋轉(zhuǎn)和尺度具有不變性，并且對噪聲、
視角變化和光照變化具有良好的魯棒性，相對于基于灰度信息和基于變換域，其基于尺度不變性的特點要更適用于對無人機圖像的匹配。然而，SIFT算法在處理高分辨率圖像時，需要耗費很長的時間，并且會產(chǎn)生大量的特征點，使整個匹配工作效率降低。提取尺度不變的Hams角點，用Forsnter算子對角點精定位改進了SIFT算法中的特征點檢測方法，減少了特征點數(shù)量，在基本保持配準精度的同時，大大減少了標準SIFT算法所需的配準時間；利用粗匹配加分塊匹配的匹配策略，在提高效率的同時，保持了精度不變；在分析SIFT特征向量生成過程的基礎(chǔ)上，以準歐式距離代替歐氏距離作為特征描述符之間的相似性度量來提高SIFT特征匹配效率。而本文針對航拍圖像的特點，先利用SIFT算法檢測特征點，針對特征點過多，造成提純和計算變換矩陣效率過低的問題，考慮到航拍圖像的獲取通常由無人機在固定航向上直線飛行，因此，航向的固定會對相鄰兩幅待匹配圖像中的特征點產(chǎn)生一定的幾何約束，利用這一約束，去除誤匹配，提高匹配精度和效率，最后才可將配準的圖像進行融合。
1 SIFT特征匹配
SIFT算法是一種基于尺度空間的，且對圖像縮放、旋轉(zhuǎn)、仿射變換保持不變性的特征匹配算法。待匹配圖像在經(jīng)過畸變矯正和預(yù)處理的過程后，用SIFT算法對其進行配準。配準過程包括特征點提取和特征點匹配兩步。
1.1 特征點提取
將高斯核與圖像進行卷積，得到多尺度圖像，其中高斯核為
值的大小直接影響高斯核對圖像的平滑程度，值越小，平滑的越少。設(shè)定某k值，使下一階的尺度因子為前一階的k倍，如此連續(xù)的平滑處理后可得到高斯金字塔，將得到的每一階相鄰尺度的高斯圖像相減，得到高斯差分尺度空間表示，即DOG圖像，圖1所示為高斯金字塔與高斯差分金字塔。
在DOG尺度空間中，除去最底層和最頂層之外的每層的每個圖像需要跟其同尺度的周圍相鄰8個像素以及其上下兩相鄰尺度的9x2個相鄰像素共26個像素進行比較，以確保在圖像空間和尺度空間都能檢測到局部極值點。在去除邊緣效應(yīng)后，根據(jù)檢測到的關(guān)鍵點局部圖像結(jié)構(gòu)為特征點方向賦值，計算特征點的主方向，即
算后，使用直方圖統(tǒng)計鄰域內(nèi)像素對應(yīng)的梯度方向和幅值。SIFT算法將直方圖峰值定義為關(guān)鍵點處鄰域內(nèi)圖像梯度的主方向，當存在相當于主峰值80%能量的峰值時，定其為輔方向。為提高效率，本文采取簡化的主方向定義方法，即只取主方向而忽略輔方向。
1.2特征點匹配
在完成特征點提取后，提取的特征點將具備位置、尺度和方向3個信息，采用SIFT描述子對其進行描述。將坐標軸按特征點的主方向旋轉(zhuǎn)一定角度，以特征點為中心取16×16像素窗口，4x4區(qū)域為一個種子點，每個種子點以式(3)、式(4)計算梯度，然后將每個種子點的8個方向梯度按規(guī)律排序，構(gòu)成128維向量，至此SJFT描述子生成。兩幅待匹配的圖像分別得到特征向量后，以歐氏距離作為判定標準，歐氏距離為
為解決高維度搜索問題，SIFT算法采用最優(yōu)節(jié)點優(yōu)先( Best Bin First，BBF)算法對傳統(tǒng)的K-D樹算法做逼近，考慮那些在最近點距離0.8倍以內(nèi)的最鄰近點，實現(xiàn)目標特征向量的快速粗匹配。
1.3匹配點篩選
粗匹配完成后，相鄰兩幅航拍待拼接圖像間會有大量的匹配點，其中包含了許多的無匹配點，SIFT算法通常采用隨機抽樣一致( RANSAC)算法消除無匹配并計算變換矩陣。RANSAC算法的原理是利用4組匹配對作為樣本估計變換矩陣模型，再對總體進行檢驗，獲得能得到最多內(nèi)點數(shù)的模型，然后通過該模型閾值內(nèi)的內(nèi)點計算出最后的模型。但由于處理對象是高分辨率航拍圖像，因此產(chǎn)生的匹配點數(shù)量大，且存在許多誤匹配，這樣便會對RANSAC算法的效率造成極大的影響，尤其是估計模型部分。為此，本文利用航拍圖像的獲取特點，提出一種基于航向約束的匹配點精選算法。
在特征點提取和匹配階段，SIFT算法以圖像的尺度和梯度作為基本的描述特征，而處于同一航向的待匹配航拍圖像不僅是經(jīng)上述尺度和梯度描述可產(chǎn)生匹配點這樣簡單的關(guān)系，緊密聯(lián)系它們的還有兩幅圖像的幾何關(guān)系，除了一些抖動和微小的偏轉(zhuǎn)，還有相鄰圖像中的不重疊部分，可以認為其余的部分在相鄰兩圖像中存在一個近似的平移關(guān)系，而這個平移關(guān)系即無人機在航向上的運動。這樣，在待匹配的航拍圖像的所有特征點都應(yīng)該受到這個幾何關(guān)系的約束，只要解算出這個關(guān)系，便可以去除一部分誤匹配點，而這個關(guān)系的解算也可以具象為對無人機航向的解算。本文利用這個約束篩選匹配點，并設(shè)定一定的閾值防止將正確的匹配點誤除。
圖像A和圖像B為待匹配航拍圖像，用SIFT特征提取與匹配算法獲取圖像A和圖像B中的粗匹配點，
在得到精選后的匹配點后求解變換矩陣，最后利用加權(quán)平均算法處理拼接線將兩幅圖像融合。
2 實驗結(jié)果與分析
為驗證所述算法在針對航拍圖像匹配過程中去除誤匹配和提高匹配效率上的效果，本文實驗所用數(shù)據(jù)均為真實項目數(shù)據(jù)，采用某無人機，圖像采集沒備FC200，計算機硬件環(huán)境為：Inter( R) Core( TM)i3-2100 CPU@3.10 GHz，8.00 GB RAM，64位操作系統(tǒng)，所用編程環(huán)境為VS2010，基于OpenCV 2.4.4。圖像采集設(shè)備的內(nèi)部參數(shù)已提前解算，并以該參數(shù)為獲取的實驗圖像做去除畸變處理，實驗圖像為4386×2466的真實航拍圖像，如圖3所示。
首先用SIFT算法對兩幅圖像進行特征提取，并采取初步的粗匹配，考慮到航拍圖像的高分辨率，本文采取簡化的SIFT算法，即在首次與高斯核卷積前不再將圖像放大為原圖像的兩倍，并且如上文提到在選取特征點鄰域內(nèi)圖像梯度的主方向時，只取主方向而不再考慮輔方向。得到粗匹配結(jié)果如圖4所示。
共得到864組匹配點對，為方便觀察效果，將圖3a、圖3b上下放置，并用粉色虛線連接匹配的點對，即圖4�？梢院苊黠@發(fā)現(xiàn)，由于航拍圖像的特點，用簡化之后的SIFT算法匹配圖像，依然產(chǎn)生了大量的匹配點，其中不乏相當多的誤匹配。
在粗匹配結(jié)果下，采用本文所述航向約束的特征點篩選方法進行提純，得到圖5所示的本文算法的提純結(jié)果。將提純后的點對用黃色虛線連接。
而針對非航拍的一般圖像，在用SIFT算法獲取匹配點后，通常采用RANSAC算法對所獲匹配點提純。因此，本文也利用RANSAC算法對所得粗匹配特征點進行提純，以與本文算法做對比，所得提純結(jié)果如圖6所示，將提純后的點對用紅色虛線連接。
將本文算法與RANSAC算法針對同航帶的航拍圖像特征匹配點提純效果與效率做比較，對比結(jié)果如表1所示。
由表中數(shù)據(jù)對比可以發(fā)現(xiàn)，RANSAC算法雖然在提純率上略優(yōu)于本文算法，但其所耗費時間將近為本文算法的兩倍，在無人機航拍應(yīng)用領(lǐng)域，獲取的數(shù)據(jù)量巨大，效率顯得尤為重要，因此，在效率上的優(yōu)勢表明在具有航向約束的高分辨率航拍圖像處理上，本文算法相對于RANSAC算法更具實用性。
得到提純后的匹配點對之后，計算變換矩陣，并用加權(quán)平均算法將圖像融合。融合后的圖像如圖7所示。
3結(jié)語
本文針對無人機航拍圖像受航向約束的特點，提出了一種基于簡化的SIFT算法所獲取匹配點對的匹配提純算法。該算法適用于某航帶上的相鄰航拍圖像，由無人機的航向估算匹配點的空間位置關(guān)系，并由此設(shè)定約束條件、篩選匹配點，將實驗結(jié)果與RANSAC算法相比較，得出結(jié)論，在受航向約束的無人機圖像匹配點提純上，本文算法在提純率保持相近的前提下提純效率得到很大的提升。
