基于深度和彩色雙信息特征源的Kinect植物圖像拼接

沈 躍，朱嘉慧，劉 慧※，孫 力

0 引 言

近年來，隨著計算機視覺技術(shù)的發(fā)展，圖像拼接已逐漸成為計算視覺模擬[1]、圖像處理[2-3]以及虛擬現(xiàn)實[4]等研究的熱點和關(guān)鍵技術(shù)，并廣泛應(yīng)用于軍事、航空、地質(zhì)、醫(yī)學、通信等多個領(lǐng)域[5-6]。隨著農(nóng)業(yè)智能化的進一步發(fā)展，圖像拼接在農(nóng)業(yè)果實植株的檢測、田間管理、農(nóng)用機器人導航等方面起到了重要的作用[7-8]。馬曉丹等[9]提出了一種重建蘋果樹冠層器官三維形態(tài)的圖像拼接方法，初步實現(xiàn)對蘋果樹年生長期的冠層器官相鄰區(qū)域強度圖像與彩色圖像的拼接，但是沒有精確識別單株冠層區(qū)域，且未能消除復(fù)雜背景。周志艷等[10]提出基于圖像像素灰度值標準差標準化的方法，改進 Harris角點檢測算法，對水稻低空遙感圖像進行配準與拼接方法，有效提高了角點檢測算法的穩(wěn)定性和圖像拼接的精度，實現(xiàn)了同尺度條件下的圖像配準和拼接，但是對于不同尺度的圖像拼接還未驗證。姚立健等[11]提出基于尺度不變特征轉(zhuǎn)換算子的水果表面圖像拼接方法，其具有一定的尺度、旋轉(zhuǎn)以及仿射變換不變性，適用于隨機呈現(xiàn)的不同姿態(tài)球狀水果圖像拼接，但是其對于水果表面紋理特征不是特別明顯的水果不能適用，有一定的局限性。

為了改善圖像拼接的效果，本文采用可采集彩色信息和深度信息的Kinect傳感器獲取圖像。Kinect V2獲取數(shù)據(jù)的穩(wěn)定性相對較好、細節(jié)更多；被其他環(huán)境光源（紅外線）影響的概率也更低，可以承受一定程度的日光。文獻[12]對 Kinect獲取的玉米及茄子的三維點云數(shù)據(jù)進行去噪試驗，去除不同尺度的噪聲，保留邊緣數(shù)據(jù)的完整性，獲得良好的植物三維點云數(shù)據(jù)。文獻[13]對Kinect深度傳感器的采集到的點云數(shù)據(jù)進行圖像拼接，完成了點云數(shù)據(jù)的拼接，但其無法達到自然過渡的效果。已有研究表明，Kinect深度相機在被測對象深度數(shù)據(jù)采集和處理方面具有明顯優(yōu)勢，但是僅考慮了單幀圖像或圖像序列，在圖像拼接的數(shù)據(jù)處理中并未過多涉及。

因此，本文在前人研究的基礎(chǔ)上，應(yīng)用Kinect二代傳感器獲取彩色圖像和植株三維數(shù)據(jù)，在進行特征點匹配對篩選的過程中，提出采用左右位置深度距離不變的方法去除誤匹配，通過RANSAC算法尋找左右2幅圖最佳投影變換矩陣 H，再利用最佳縫合線算法對待拼接圖像進行融合，從而獲取空間整體目標圖像。該研究對采用農(nóng)業(yè)車載Kinect深度傳感器進行基于深度和彩色雙信息特征源的圖像拼接以及農(nóng)業(yè)中相關(guān)控制決策提供重要的指導意義。

1 試驗材料和方法

1.1 Kinect植株圖像數(shù)據(jù)采集平臺

為了驗證圖像拼接方法的準確性，搭建了一個圖像采集平臺，如圖1所示，包括Kinect深度傳感器、PC機、相機支架、滑臺以及待測植株。待測植株距Kinect傳感器大約1.5 m。Kinect傳感器固定于相機支架或滑臺上，通過USB延長線接口連至PC機。用MATLAB獲取植株的彩色圖像和深度距離信息，繼而進行圖像拼接。

圖1 Kinect傳感器圖像采集平臺Fig.1 Image acquisition using Kinect platform

微軟開發(fā)的Kinect二代三維深度體感設(shè)備作為傳感器，其垂直方向可視角度為 60°，水平方向可視角度為70°，有效視野范圍為0.8～4.0 m，其獲取的彩色圖像分辨率為1 920×1 080。Kinect采用TOF獲取空間的深度數(shù)據(jù)信息[13-14]和彩色圖像信息。紅外發(fā)射器和紅外線接收器采用TOF技術(shù)可獲得物體的空間位置信息。RGB攝像頭可以獲得場景的彩色圖像。為保證數(shù)據(jù)的精度與完整性，先經(jīng)過預(yù)備試驗，設(shè)備與植株相距1.5 m左右，通過MATLAB獲取Kinect得到的植株三維數(shù)據(jù)，采集10幀三維坐標數(shù)據(jù)，并存儲為.txt文檔，用于后續(xù)處理。

1.2 植株彩色圖像初匹配

1.2.1 SIFT特征點提取

關(guān)鍵點的檢測不僅可以最大程度地表達彩色圖像中的特征，還可以大幅度地減少后期特征點匹配的數(shù)量，提高特征點匹配的快速性和準確性[15-17]。SIFT關(guān)鍵點檢測算法能夠從圖像中提取出對圖像縮放、平移、旋轉(zhuǎn)不變的特征點，并且對于光照、仿射和投影變換也有一定的不變性，是一種非常優(yōu)秀的局部特征描述算法[18-21]。尺度空間極值點檢測采用層疊式濾波的方法，應(yīng)用帶有不同σ的高斯函數(shù)對圖像進行處理，圖像尺度空間[21-24]定義為

式中(x,y)為像素位置，G為高斯函數(shù)，I為原圖像，L為卷積函數(shù)，σ為尺度空間因子，k為常數(shù)。

檢測到的極值點作為候選點，對位置、尺度、彎曲度等做擬合，剔除那些低對比度和定位差的邊緣點，同時對尺度空間函數(shù) F ( x ,y,σ)運用 Taylor展開得到彩色圖像匹配關(guān)鍵點[25-26]。

SIFT算法提取到的特征點描述子如圖2所示。圖中的白色箭頭表示提取到的特征點描述子，具有位置、尺度和方向 3個信息，白色箭頭尾部所在位置代表特征點位置，箭頭的長度代表其尺度，特征點方向為箭頭指向的方向。

圖2 SIFT算法提取到的特征點Fig.2 Feature points extracted by SIFT algorithm

1.2.2 相似性度量特征點匹配

本文采用算法簡單實現(xiàn)效率高的歐氏距離作為 2幅圖中的相似度量[27]。

取1幅圖像中的某個關(guān)鍵點，并找出其與另1幅圖像中距離最近的前2個關(guān)鍵點，在這2個關(guān)鍵點中，如果最近的距離與次近距離的比值ratio小于某個閾值T，則接受這 1對匹配點[28]。由于特征空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值 T，SIFT匹配點數(shù)目會減少，但更加穩(wěn)定，反之，若比例閾值T較高，SIFT匹配點數(shù)目增多，但是會存在很多的誤匹配。經(jīng)多次試驗，在本文的實現(xiàn)算法中，取閾值T為0.6時，試驗效果較好，存在的誤匹配較少。

1.3 Kinect深度信息誤匹配消除

通過相似性度量得到潛在匹配對，其中不可避免會產(chǎn)生一些錯誤匹配，大量的誤匹配對圖像拼接的效果會產(chǎn)生很大的影響，如缺失、錯位等。因此需要根據(jù)集合限制和其他附加約束消除錯誤匹配，提高魯棒性。

將 1.1節(jié)中讀取到的每個像素點的三維數(shù)據(jù)賦值給彩色圖像中對應(yīng)的像素點，此時，每個像素點均具有彩色信息和深度距離信息，再根據(jù)深度距離不變來篩選誤匹配。在1.1節(jié)的圖1中，2幅待拼接植株圖像是Kinect V2傳感器沿水平（X軸）純平移移動相繼拍攝得到。點 P表示植株上的某一點，Kinect傳感器僅進行水平平移，b表示水平平移的距離，平移前后左右位置的坐標系分別為Ol和Or，P點在坐標系Ol和Or中坐標分別為

即在Kinect傳感器僅進行水平平移的情況下，P點的深度距離沒有發(fā)生變化。

所以在這2個不同位置下，Kinect拍攝到的植株的深度距離相同。因此可以根據(jù)Kinect獲得的2個不同位置待測植株的深度距離信息消除誤匹配。

式（2）中，若匹配到的2個特征點深度距離相同，則保留此匹配；若匹配到的 2個特征點深度距離不同，則去除該匹配。由此得到的匹配對正確率較高。

1.4 RANSAC算法尋找最佳單應(yīng)性矩陣

單應(yīng)性矩陣描述的是針對同一事物，在不同的視角下拍攝的2幅圖像之間的關(guān)系。為了得到Kinect傳感器在不同位置的2幅圖像之間的變換關(guān)系，采用RANSAC算法來尋找一個最佳單應(yīng)性矩陣H[29]。

隨機抽樣一致性RANSAC（random sample consensus）算法[30-31]能簡單、有效的去除噪聲影響，其采用迭代的方式從 1組包含離群的被觀測數(shù)據(jù)中估算出數(shù)學模型的參數(shù)。與普通的去噪算法不同，RANSAC算法是使用盡可能少的點來估計模型參數(shù)，然后盡可能的擴大得到的模型參數(shù)的影響范圍[32]。RANSAC算法的基本假設(shè)是樣本中包含正確數(shù)據(jù)(inliers，可以被模型描述的數(shù)據(jù))，也包含異常數(shù)據(jù)（outliers，偏離正常范圍很遠、無法適應(yīng)數(shù)學模型的數(shù)據(jù)），即數(shù)據(jù)集中含有噪聲[33]。在經(jīng)過上述基于深度信息篩選后的特征點匹配對中存在正確匹配，也存在少量的異常匹配，這些異常匹配可能是由于錯誤的測量、環(huán)境因素、錯誤的計算等產(chǎn)生的。此算法最終確定的模型中局內(nèi)點（即正確匹配）與所有點（即總匹配對數(shù)）的百分比即為匹配準確率。若未進行基于深度信息的特征點篩選這一步驟，得到的異常匹配較多，經(jīng)過RANSAC算法后得到的數(shù)學模型準確率低，單應(yīng)性矩陣H存在誤差。

1.5 最佳縫合線算法圖像融合

圖像融合以圖像配準為基礎(chǔ)，對拼接后的圖像消除圖像間差異，使得拼接后的圖像能自然平滑過渡。圖像融合的傳統(tǒng)方法有梯度金字塔、漸入漸出算法[34]等，但它們會使圖像存在很明顯的帶狀感覺或存在重影現(xiàn)象，而最佳縫合線算法[35]能很好解決此問題。因此本文使用最佳縫合線算法進行圖像拼接。

在 2幅圖像重疊區(qū)域的差值圖像上，顏色、結(jié)構(gòu)強度差值最小的一條線被稱為理想的縫合線。2幅原始圖像上重疊像素點的結(jié)構(gòu)差值是通過修改梯度計算 Sobel算子[36]實現(xiàn)。利用 Sobel算子進行梯度計算時，計算在 x方向和y方向的梯度分別采用模板Sx和Sy。

由投影變換矩陣H可以得到2幅圖像上Kinect傳感器水平平移的像素量，2個位置的坐標系歸一化到同一個坐標系中，將 2幅圖像重疊的部分作差運算生成一幅差值圖像；然后對此差值圖像運用動態(tài)規(guī)劃的思想從重疊區(qū)域的第一行出發(fā)，建立以該行上每一個像素為起點的縫合線，然后從這些縫合線中尋找一個最佳的縫合線。

1.6 改進的基于深度和彩色雙信息特征源的 Kinect圖像拼接

本研究基于深度和彩色雙信息特征源的圖像無縫拼接流程圖如圖3所示。

圖3 深度和彩色雙信息特征源的圖像無縫拼接流程圖Fig.3 Image seamless mosaics flow chat of depth and color double source feature information

首先，基于植株的特征信息對彩色圖像利用尺度不變特征變換（scale-invariant feature transforms，SIFT）進行關(guān)鍵點搜索，得到均勻且具有標志性的關(guān)鍵點。然后采用相似性度量的方法對 2幅圖像得到的關(guān)鍵點進行特征點匹配。針對匹配對中存在大量的誤匹配，利用 2幅圖像的深度距離不變性消除誤匹配，根據(jù)得到的正確匹配對采用RANSAC算法尋求2幅圖之間的最佳投影變換矩陣H。最后根據(jù)投影變換矩陣H使用最佳縫合線算法對2幅圖像進行圖像融合，最終實現(xiàn)了圖像的精確拼接。而傳統(tǒng)基于SIFT算法的圖像拼接方法沒有利用圖像的深度距離消除誤匹配這一步驟，因此特征點匹配準確率較低，拼接后圖像不夠理想。

2 結(jié)果與分析

為了驗證本文方法的有效性和實用性，設(shè)計了室內(nèi)與室外2個試驗，每個試驗重復(fù)50次，每次拍攝不同角度的3張圖像。

2.1 室內(nèi)試驗及分析

室內(nèi)拼接試驗采用仿真綠色植株作為待拼接對象，室內(nèi)試驗場地如圖4所示：

圖4 室內(nèi)試驗場景圖Fig.4 Indoor experimental scene

在一個6 m長的勻速運動同步帶滑臺檢測平臺上進行試驗，Kinect傳感器固定在同步帶滑臺的運動滑塊上，距離地面高度1.5 m。多株綠色植株目標與試驗滑臺的水平距離為1.5 m。當運動滑塊以0.5 m/s速度勻速前進時，攜帶 Kinect傳感器以同樣速度移動，通過 Matlab調(diào)用Kinect每隔0.6 s獲取1次植株彩色圖像和深度距離信息并保存。順序抽取3個連續(xù)時間點獲取的3張彩色圖像作為待拼接圖像，如圖5所示。

圖5 植株彩色原始圖像Fig.5 Original color image of plant

圖5 中角度1、角度2、角度3表示傳感器和植株的連線與滑臺滑塊運動方向的夾角（≤90°），角度1和角度3均為81.5°，角度2為90°。

對采集到的彩色圖像和三維數(shù)據(jù)分別用傳統(tǒng)的基于SIFT算法的圖像拼接方法和本文改進后加入深度信息的拼接方法進行處理，根據(jù)相似性度量的方法得到特征點匹配對193對，將Kinect相機獲得的深度距離信息加入到彩色圖像中，基于深度信息共消除誤匹配對165對，2種方法的投影變換矩陣分別為：

H1和H2是采用傳統(tǒng)基于SIFT方法得到的角度1到角度2，角度2到角度3的投影變換矩陣；

圖6是分別使用2種方法的試驗效果對比圖。

圖6a是采用傳統(tǒng)的基于SIFT算法得到的拼接效果，通過 Matlab的計時函數(shù) tic和 toc即可統(tǒng)計出拼接耗時13.04 s，匹配準確率為88.1%（見表1），圖中方框標示處即為與本文方法拼接效果圖的區(qū)別所在，從標示處可以看出采用傳統(tǒng)基于SIFT算法的圖像拼接方法植株葉片有明顯的重影。圖6b是根據(jù)深度距離不變性去除誤匹配后拼接得到的效果圖，耗時9.70 s，匹配準確率為92.9%，比傳統(tǒng)方法準確率提高了4.8%，圖像過渡平滑，重影得到明顯的改善。因此，本文提出的基于深度和彩色雙信息特征源的 Kinect圖像無縫拼接方法耗時較短，拼接效果好，在進行室內(nèi)圖像拼接時具有明顯的優(yōu)勢。

圖6 室內(nèi)試驗圖像拼接對比Fig.6 Image mosaic comparison of indoor test

2.2 室外試驗及分析

室外拼接試驗在江蘇大學植株培育基地進行，采用綠色植株，試驗時間為下午 4點，有微風，室外試驗用電瓶以及電壓轉(zhuǎn)換器對Kinect傳感器進行供電，室外試驗場地和原始圖像如圖7所示。

圖7 室外試驗和采集的原始圖像Fig.7 Outdoor experiment and original images collected

通過Matlab將Kinect相機獲取的彩色圖像和深度距離信息保存，獲取的深度信息以.txt形式保存。

對采集到的彩色圖像和三維數(shù)據(jù)分別用傳統(tǒng)的基于SIFT算法的圖像拼接方法和本文改進后加入深度信息的拼接方法進行處理，由于室外試驗背景較為復(fù)雜，存在很多干擾，所以相似性度量的方法得到特征點匹配對較多，共2 289對，將Kinect相機獲得的深度距離信息加入到彩色圖像中，基于深度信息共消除誤匹配對1 098對，2種方法的投影變換矩陣分別為：

H1和H2是采用傳統(tǒng)基于SIFT方法得到的角度1到角度2，角度2到角度3的投影變換矩陣；

圖8是分別采用2種方法的試驗效果對比圖。

圖8 傳統(tǒng)SIFT算法與本文方法圖像拼接效果對比Fig.8 Image mosaic effect comparison of traditional method based on SIFT algorithm and method in paper

圖8 a是采用傳統(tǒng)基于SIFT算法的圖像拼接效果圖，耗時77.67 s，匹配準確率為92.1%（見表1），圖中圓圈標注處即為與本文方法拼接效果圖的區(qū)別所在，從標示處可以看出采用傳統(tǒng)基于SIFT算法的圖像拼接方法重影較為明顯。圖8b是根據(jù)深度距離不變性去除誤匹配后拼接得到的效果圖，耗時71.15 s，匹配準確率為99.1%，比傳統(tǒng)方法準確率提高了7.0%，圖像過渡平滑，沒有重影等情況。

傳統(tǒng)基于SIFT的拼接方法和本文拼接方法對比分析如表1所示，室內(nèi)外試驗中本文方法拼接時間相對較短，實用性更強。室內(nèi)外試驗中本文算法圖像拼接匹配準確率平均提高了5.9%，說明本文方法得到的投影變換矩陣H更為準確，即所取的特征點匹配對準確率較高，所以本文的方法圖像拼接沒有重影、亮暗差異、缺失等拼接錯誤。

表1 傳統(tǒng)SIFT算法和本文拼接方法對比Table 1 Comparison of traditional method based on SIFT algorithm and method in paper

3 結(jié) 論

本文針對Kinect傳感器采集農(nóng)業(yè)種植圖像，提出一種基于Kinect多信息特征的圖像拼接方法。根據(jù)Kinect拍攝到的植株彩色圖像和讀取到的三維數(shù)據(jù)，采用SIFT算法提取植株特征點，進行特征點匹配后根據(jù)深度距離信息，保證了匹配對的準確性，再引入RANSAC算法得到投影變換矩陣 H，最后采用最小縫合線算法進行圖像融合。試驗結(jié)果表明：

1）基于Kinect采集到的彩色圖像和三維數(shù)據(jù)對植株進行圖像拼接，在進行提取植株特征點后得到的特征點匹配對的準確率比傳統(tǒng)算法高，室內(nèi)試驗中，傳統(tǒng)方法圖像匹配準確率為 88.1%，本文方法圖像匹配準確率為92.9%；室外試驗中，傳統(tǒng)方法圖像匹配準確率為92.1%，本文方法圖像匹配準確率為99.1%。因此本文方法得到的投影變換矩陣H更為準確，圖像拼接準確率更高。

2）室外場地試驗中，存在一些不可控因素如光照差異，風吹引起的待拼接圖像發(fā)生差異，但本文采用的方法可以將 2張圖片很好的融合，說明此方法有很好的實際應(yīng)用性，而傳統(tǒng)的方法有明顯的拼接縫。

3）基于Kinect采集到的彩色圖像和三維數(shù)據(jù)對植株進行圖像拼接耗時較短，室內(nèi)試驗中，傳統(tǒng)方法進行拼接耗時13.04 s，本文方法耗時9.70 s；室外試驗中，傳統(tǒng)方法進行拼接耗時77.67 s，本文方法耗時71.15 s。因此本文方法實用性更強。

通過檢測試驗和室內(nèi)外場地試驗的驗證，本文基于Kinect多信息特征的圖像拼接方法耗時較短，對植株圖像拼接效果較好，特征點匹配準確率較傳統(tǒng)SIFT圖像拼接算法提高了5.9%，能夠應(yīng)用于室內(nèi)外植株圖像的拼接。該方法也可進一步推廣應(yīng)用于其他場合的圖像拼接中，實現(xiàn)基于Kinect傳感器的農(nóng)業(yè)植株生長狀態(tài)的監(jiān)測、藥物肥料的精確噴灑以及病蟲害的及時防治等過程中植株信息的采集和處理。

[1] Guo S, Sun S, Guo J. The application of image mosaic in information collecting for an amphibious spherical robot system[C]. IEEE International Conference on Mechatronics and Automation. IEEE, 2016: 1547－1552.

[2] Li Z, Isler V. Large scale image mosaic construction for agricultural applications[J]. IEEE Robotics & Automation Letters, 2016, 1(1): 295－302.

[3] Huo C, Men G, Zhao L H. Research on the auxiliary panoramic parking technology based on fast image mosaic[C].International Conference on Informative and Cybernetics for Computational Social Systems. IEEE, 2016: 216－219.

[4] Burdea G, Coiffet P. Virtual Reality Technology[M]. 北京：電子工業(yè)出版社, 2003.

[5] Zhang J, Tao B, Liu H, et al. A mosaic method based on feature matching for side scan sonar images[C]. Ocean Acoustics. IEEE, 2016:1－6.

[6] 張寶龍，李洪蕊，李丹，等. 一種針對車載全景系統(tǒng)的圖像拼接算法的仿真[J]. 電子與信息學報，2015，37(5)：1149－1153.Zhang Baolong, Li Hongrui, Li Dan, et al. A simulation of image mosaic algorithm based on vehicle panorama system[J].Journal of Electronics and Information Technology, 2015,37(5): 1149－1153. (in Chinese with English abstract)

[7] Guo S, Sun S, Guo J. The application of image mosaic in information collecting for an amphibious spherical robot system[C]. IEEE International Conference on Mechatronics and Automation. IEEE, 2016: 1547－1552.

[8] Liu S. The research and improvement of image mosaicing algorithm and its application in frescoes[C]. International Conference on Intelligent Computation Technology and Automation. IEEE, 2015: 817－820.

[9] 馬曉丹，孟慶寬，張麗嬌，等. 圖像拼接重建蘋果樹冠層器官三維形態(tài)[J]. 農(nóng)業(yè)工程學報，2014，30(12)：154－162.Ma Xiaodan, Meng Qingkuan, Zhang Lijiao, et al. Image mosaics reconstruction of canopy organ morphology of apple trees[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 154－162. (in Chinese with English abstract)

[10] 周志艷，閆夢璐，陳盛德，等. Harris角點自適應(yīng)檢測的水稻低空遙感圖像配準與拼接算法[J]. 農(nóng)業(yè)工程學報，2015，31(14)：186－193.Zhou Zhiyan, Yan Menglu, Chen Shengde, et al. Image registration and stitching algorithm of rice low-altitude remote sensing based on harris corner self-adaptive detection[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(14): 186－193. (in Chinese with English abstract)

[11] 姚立健，周高峰，倪忠進，等. 基于尺度不變特征轉(zhuǎn)換算子的水果表面圖像拼接方法[J]. 農(nóng)業(yè)工程學報，2015，31(9)：161－166.Yao Lijian, Zhou Gaofeng, Ni Zhongjin, et al. Matching method for fruit surface image based on scale invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015, 31(9): 161－166. (in Chinese with English abstract)

[12] 何東健，邵小寧，王丹，等. Kinect獲取植物三維點云數(shù)據(jù)的去噪方法[J]. 農(nóng)業(yè)機械學報，2016，47(1)：331－336.He Dongjian, Shao Xiaoning, Wang Dan, et al. Denoising method of 3D point cloud data of plants obtained by kinect[J].Transactions of The Chinese Society of Agricultural Machinery,2016, 47(1): 331－336. (in Chinese with English abstract)

[13] 袁曉菲. 一種基于kinect深度傳感器的點云拼接算法研究[D]. 沈陽：遼寧大學，2016.Yuan Xiaofei. An Research on Point Cloud Registration Algorithm Based on Kinect Device[D]. Shenyang: Liaoning University, 2016. (in Chinese with English abstract)

[14] Khoshelham K, Elberink S O. Accuracy and resolution of Kinect depth data for indoor mapping application[J]. Sensors,2012, 12(2): 1437－1454.

[15] Bonny M Z, Uddin M S. Feature-based image stitching algorithms[C]. International Workshop on Computational Intelligence. IEEE, 2017: 198－203.

[16] Wang T, Lu G, Xia Y. An efficient preprocessing method for feature based image stitching[C]. International Conference on Wireless Communications & Signal Processing. IEEE, 2016:1－5.

[17] Zhen Y, Sun Z, Li J, et al. An airborne remote sensing image mosaic algorithm based on feature points[C]. Sixth International Conference on Instrumentation & Measurement, Computer,Communication and Control. IEEE, 2016: 202－205.

[18] 陳月，趙巖，王世剛. 圖像局部特征自適應(yīng)的快速 SIFT圖像拼接方法[J]. 中國光學，2016，9(4)：415－421.Chen Yue, Zhao Yan, Wang Shigang. Fast image stitching method based on SIFT with adaptive local image feature[J]. Chinese Optics, 2016, 9(4): 415－422. (in Chinese with English abstract)

[19] 陳彥彤. 基于局部不變特征的遙感圖像星上目標識別技術(shù)研究[D]. 長春：中國科學院長春光學精密機械與物理研究所，2017.Chen Yantong. Research on Satellite Image On-board Target Recognition Based on Local Invariant Feature[D]. Changchun:Changchun Institute of Optics, Fine Mechanics and Physics,Chinese Academy of Sciences, 2017. (in Chinese with English abstract)

[20] Barba Ana Victoria, Rosales Silva A Jorge, Perez Hernandez L Manuel. SIFT-SURF commutation using fuzzy logic to image mosaicking[C]. Electrical Engineering, Computing Science and Automatic Control, 2017, 28(3): 1－8.

[21] 趙巖，陳月，王世剛. 結(jié)合投影誤差校正的快速 SIFT圖像拼接[J]. 光學精密工程，2017，25(6)：1645－1651.Zhao Yan, Chen Yue, Wang Shigang. Corrected fast SIFT image stitching method by combining projection error[J].Optics and Precision Engineering, 2017, 25(6): 1645－1651.(in Chinese with English abstract)

[22] 文偉東，張明. 基于SIFT算法的全景圖像拼接技術(shù)研究[J].計算機系統(tǒng)應(yīng)用，2017，26(7)：227－231.Wen Weidong, Zhang Ming. Research on panoramic image mosaic technology based on SIFT algorithm[J]. Computer Systems & Applications, 2017, 26(7): 227－231. (in Chinese with English abstract)

[23] Tong G, Liu H. Deep sea image mosaic based on SIFT algorithm[C]. International Conference on Information Science and Control Engineering. 2017: 254－257.

[24] 楊安園，朱悅云. 多尺度 SIFT特征匹配的足跡圖像拼接方法[J]. 時代農(nóng)機，2017(1)：52－53.Yang Anyuan, Zhu Yueyun. Method of footprint image stitching based on multiple dimensioned SIFT feature matching[J]. Times Agricultural Machinery, 2017(1): 52－53.(in Chinese with English abstract)

[25] 賈銀江，徐哲男，蘇中濱，等. 基于優(yōu)化 SIFT算法的無人機遙感作物影像拼接[J]. 農(nóng)業(yè)工程學報，2017，33(10)：123－129.Jia Yinjiang, Xu Zhenan, Su Zhongbin, et al. Mosaic of crop remote sensing images from UAV based on improved SIFT algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017,33(10): 123－129. (in Chinese with English abstract)

[26] 張勇，王志鋒，馬文. 基于改進SIFT特征點匹配的圖像拼接算法研究[J]. 微電子學與計算機，2016，33(3)：60－64.Zhang Yong, Wang Zhifeng, Ma Wen. Research image mosaic algorithm based on improved SIFT feature matching[J].Microelectronics & Computer, 2016, 33(3): 60－64. (in Chinese with English abstract)

[27] 馬強，項昭保，黃良學，等. 基于改進SIFT和RANSAC圖像拼接算法研究[J]. 計算機技術(shù)與發(fā)展，2016，26(4)：61－65.Ma Qiang, Xiang Zhaobao, Huang Liangxue, et al. Research on panorama image mosaic algorithm based on improved SIFT and ransac[J]. Computer Technology And Development,2016, 26(4): 61－65. (in Chinese with English abstract)

[28] Zhen Y, Sun Z, Li J, et al. An airborne remote sensing image mosaic algorithm based on feature points[C]. Sixth International Conference on Instrumentation & Measurement, Computer,Communication and Control. IEEE, 2016: 202－205.

[29] 朱镕杰，朱穎匯，王 玲，等. 基于尺度不變特征轉(zhuǎn)換算法的棉花雙目視覺定位技術(shù)[J]. 農(nóng)業(yè)工程學報，2016，32(6)：182－188.Zhu Rongjie, Zhu Yinghui, Wang Ling, et al. Cotton positioning technique based on binocular vision with implementation of scale-invariant feature transform algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(6): 182－188. (in Chinese with English abstract)

[30] Hossein-Nejad Z, Nasri M. Image registration based on SIFT features and adaptive ransac transform[C]. International Conference on Communication and Signal Processing. IEEE,2016.

[31] Shuang D, Cai H, Yang Y, et al. Analysis of image stitching error based on scale invariant feature transform and random sample consensus[C]. International Conference on Fuzzy Systems and Knowledge Discovery. IEEE, 2016: 1883－1887.

[32] Redzuwan R, Radzi N A M, Din N M, et al. Affine versus projective transformation for SIFT and RANSAC image matching methods.[J]. Operations Research Letters, 2011,39(6): 406－410.

[33] 夏克付，李鵬飛，陳小平. 基于改進 RANSAC算法的單應(yīng)矩陣魯棒估計方法[J]. 計算機工程與應(yīng)用，2017，53(23)：147-152.Xia Kefu, Li Pengfei, Chen Xiaoping. Robust method for homography matrix estimation based on improved ransac algorithm. Computer Engineering and Applications[J]. Computer Engineering and Applications, 2017, 53(23): 147-152. (in Chinese with English abstract)

[34] Li Aiguo, Zhou Shuai, Wang Rui. An improved method for eliminating ghosting in image stitching[C]. Intelligent Human-Machine Systems and Cybernetic, 2017: 415－418

[35] 方賢勇，潘志庚，徐丹. 圖像拼接的改進算法[J]. 計算機輔助設(shè)計與圖形學學報，2003，15(11)：1362－1365.Fang Xianyong, Pan Zhigeng, Xu Dan. An improved algorithm for image mosaics[J]. Journal of Computer-aided Design&Computer Graphics, 2003, 15(11): 1362－1365. (in Chinese with English abstract)

[36] 谷雨，周陽，任剛，等. 結(jié)合最佳縫合線和多分辨率融合的圖像拼接[J]. 中國圖象圖形學報，2017，22(6)：842－851.Gu Yu, Zhou Yang, Ren Gang, et al. Image stitching by combining optimal seam and multi-resolution fusion[J].Journal of Image and Graphics, 2017, 22(6): 842－851. (in Chinese with English abstract)