多視傾斜影像高效匹配的近鄰信息監(jiān)督度量學習方法

?

多視傾斜影像高效匹配的近鄰信息監(jiān)督度量學習方法

胡翰1,2

1. 西南交通大學地球科學與環(huán)境工程學院，四川 成都 611756； 2. 武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079

A Supervised Metric Learning Approach for Efficient Aerial Oblique Image Matching Using Neighborhood Information

HU Han1,2

1. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China; 2. State Key Laboratory of Information Engineering in Survery, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

隨著三維GIS與虛擬地理環(huán)境技術的快速發(fā)展與普及應用，三維模型的自動重建需求日益迫切，傾斜攝影系統(tǒng)以其立面可見性、直觀性等優(yōu)點應運而生并快速發(fā)展，正逐漸成為三維城市模型生產(chǎn)的主要數(shù)據(jù)源。然而，多角度傾斜攝影系統(tǒng)由于系統(tǒng)結構問題，多視角傾斜影像的輻射質量問題、幾何變形問題以及多視匹配問題突出。特別是在引入側視后，多角度傾斜攝影系統(tǒng)由于多視重疊大幅度增加，兩兩像對呈平方倍數(shù)增長，類SIFT的高維特征描述符匹配效率，已經(jīng)難以滿足實際生產(chǎn)效率需求。如何顧及特征點的結構特性以及傾斜影像匹配的特殊需求，對高維特征描述符進行維度約減，是計算機視覺與攝影測量領域亟待解決的前沿難點問題。

本文的研究目標為：針對類SIFT特征描述符的呈現(xiàn)為高維特征向量，制約傾斜影像匹配效率的問題，通過構建包含同名點標記信息的訓練數(shù)據(jù)集，采用監(jiān)督度量學習方法，獲取線性投影矩陣，將已有高維特征描述符投影至低維子空間中，實現(xiàn)維度約減；并利用投影后的特征描述符進行匹配，提高整體匹配效率。

本文將傾斜影像特征匹配分為訓練、學習、匹配3個階段。為提高訓練數(shù)據(jù)與匹配精度的可靠性，針對傾斜影像中存在的幾何、輻射質量差異問題，提出了邊界約束優(yōu)化的傾斜影像匹配方法；針對影像匹配的粗差問題，提出了空間關系約束的粗差檢測方法；并在此基礎上，針對特征描述符維度過高導致匹配效率降低的問題，提出了特征描述符維度約減的度量學習方法。具體研究內(nèi)容包括：

(1) 邊界約束優(yōu)化的傾斜影像特征匹配方法。針對傾斜影像中出現(xiàn)的幾何、輻射質量問題，采用初始幾何信息對原始影像進行幾何糾正，消除幾何不一致性；并針對傳統(tǒng)最小二乘匹配對影像質量十分敏感，收斂率下降的問題，充分顧及最小二乘匹配中參數(shù)的物理意義，利用先驗知識，將參數(shù)的邊界條件作為約束加入匹配優(yōu)化中，提高了收斂率。

(2) 空間關系約束的粗差檢測方法。針對傾斜影像差異過大，導致的粗差較多、訓練數(shù)據(jù)集質量下降的問題，顧及特征點之間的局部空間關系，提出了3種約束用于影像匹配粗差檢測，包括角度順序一致性約束、局部位置一致性約束與局部鄰域一致性約束，進而提高訓練與匹配可靠性。

(3) 特征描述符維度約減的度量學習方法。針對影像匹配的特殊需求，提出了采用監(jiān)督度量學習方法進行特征描述符的維度約減。通過訓練數(shù)據(jù)中同名點與非同名點的語義標記信息，在兩者距離能以一較大間隔進行區(qū)分的約束條件下，構建一大規(guī)模帶正則化約束的半正定規(guī)劃問題，并利用隨機優(yōu)化方法對大規(guī)模半正定規(guī)劃進行求解，獲取了一低秩馬氏矩陣，在對其進行分解后，將原始特征描述符投影至低維子空間，提高匹配效率。

本文以貴陽市金陽新區(qū)的傾斜影像數(shù)據(jù)為例進行了試驗分析，結果表明本文方法相對于主成份分析，能更有效地降低特征描述符維度，提高匹配效率。

修回日期： 2015-04-20

文章編號：1001-1595(2016)02-0250-01

中圖分類號：P333

文獻標識碼：D

通信作者：劉啟亮

作者簡介：第一 唐建波(1987—)，男，博士生，研究方向為時空數(shù)據(jù)聚類分析。

收稿日期：2014-11-19

First author： TANG Jianbo (1987—), male, PhD candidate, majors in spatio-temporal clustering analysis.

E-mail： jianbo.tang@csu.edu.cn

Corresponding author： LIU Qiliang

E-mail： qiliang.liu@csu.edu.cn

引文格式：胡翰. 多視傾斜影像高效匹配的近鄰信息監(jiān)督度量學習方法[J].測繪學報，2016,45(2)：250. DOI:10.11947/j.AGCS.2016.20150413.

HU Han.A Supervised Metric Learning Approach for Efficient Aerial Oblique Image Matching Using Neighborhood Information[J]. Acta Geodaetica et Cartographica Sinica,2016,45(2):250. DOI:10.11947/j.AGCS.2016.20150413.