集成SIFT算法與檢測模型優(yōu)化的UAV影像匹配方法

高 莎， 袁希平, 3， 甘 淑, 2*, 胡 琳， 畢 瑞， 李繞波， 羅為東

1. 昆明理工大學(xué)國土資源工程學(xué)院， 云南 昆明 650093

2. 云南省高校高原山地空間信息測繪技術(shù)應(yīng)用工程研究中心， 云南 昆明 650093

3. 滇西應(yīng)用技術(shù)大學(xué)云南省高校山地實景點云數(shù)據(jù)處理及應(yīng)用重點實驗室， 云南 大理 671006

引 言

影像匹配是無人機(jī)影像處理的核心步驟之一。 匹配實質(zhì)就是從兩幅或者多幅影像圖中尋找同名特征點的過程。 匹配方法一般分為兩大類， 一類是基于影像像素匹配， 另一類為基于影像特征點匹配[1]。 高原復(fù)雜山地因地形高差大， 無人機(jī)攝影成像視差嚴(yán)重， 植被茂密且遮擋嚴(yán)重， 由此形成影像亮度不均， 以及局部存在陰影等情況而導(dǎo)致此類區(qū)域的低空無人機(jī)(unmanned air vehicle, UAV)影像匹配難度大， 目前對高原山地復(fù)雜地形影像匹配研究屈指可數(shù)[2]。 針對無人機(jī)遙感影像數(shù)據(jù)而言， 前期數(shù)據(jù)采集的不穩(wěn)定性， 以及高原山地復(fù)雜地形的獨特地貌條件， 很容易造成影像數(shù)據(jù)的幾何變形， 利用影像像素配準(zhǔn)時往往達(dá)不到預(yù)期效果， 甚至很多時候會出現(xiàn)無法匹配的情況[3]。 相反， 利用特征匹配， 可以很好地提高影像配準(zhǔn)的穩(wěn)定性， 因此， 對無人機(jī)遙感影像匹配， 大多數(shù)情況下采用的是基于特征的匹配[4]。 基于影像特征匹配主要依靠圖像局部不變的點、 線、 面、 紋理等， 經(jīng)過特征提取、 特征描述、 特征匹配等三大階段[5]來實現(xiàn)影像數(shù)據(jù)匹配。 由于基于特征點的匹配具有高效穩(wěn)定匹配的特點， 因此備受研究者青睞[12]。 目前， 基于特征點匹配主流算法主要有尺度不變特征變換算法(scale invariant feature transform, SIFT)、 加速穩(wěn)健特征匹配算法(SURF)、 不同尺度的關(guān)鍵點檢測算法(BRISK)、 快速特征點提取描述算法(ORB)、 基于非線性尺度空間的特征點檢測方法(KAZE)等[6-7]。

無人機(jī)影像匹配是無人機(jī)影像處理的重要環(huán)節(jié)， 直接影響后期數(shù)據(jù)成果的質(zhì)量精度。 鑒于無人機(jī)影像匹配的重要性， 國內(nèi)外研究學(xué)者一直對影像匹配方法持續(xù)不斷的更新研究并且取得了不錯的研究成果[8]。 1997年， Smith提出了基于最小核值相似區(qū)域算子， 該算法匹配效果雖好， 但是對閾值依賴性較強(qiáng)， 穩(wěn)定性差[9]。 Lowe提出尺度不變， 特性變化算法(SIFT), 并于2004年形成了一套基本理論， 對旋轉(zhuǎn)， 縮放， 光照， 尺度變化都具備良好的穩(wěn)定性， 也是目前影像匹配的主流算法[10]。 2011年， Bradski等提出了ORB算法， 利用FAST進(jìn)行特征檢測然后利用BRIEF描述特征， 該算法雖然匹配效率較高但是匹配誤差正確率較低[11]。 2012年Alcantarilla等提出KAZE算法用非線性空間尺度代替線性空間尺度， 從中獲取精細(xì)的紋理信息導(dǎo)致該算法耗時長， 處理效率低下[12]。 相比國外影像匹配研究， 國內(nèi)雖然對影像匹配研究起步較晚， 但是在影像匹配領(lǐng)域也獲得了很大的進(jìn)步。 其中， 最具代表性的是2017年， 曾慶化等為彌補ASIFT算法效率低下的不足， 提出了基于ORB算法快速大視角影像匹配[13]。 2018年鄧仕雄等為了克服環(huán)境條件影響影像匹配效率問題， 提出了引入極線約束來改進(jìn)SURF算法， 很大程度上提高了影像配準(zhǔn)效率[14]。 2019年， 張培佩等提出了一種改進(jìn)SIFT算法， 該算法通過改變特征描述算法利用漢明距離與最近鄰次近鄰距離比(nearest neighbor distance ratio, NNDR)方法結(jié)合對無人機(jī)影像進(jìn)行匹配， 該方法下影像匹配不僅正確率較高而且配準(zhǔn)效率也得到了提升[15]。

綜合國內(nèi)外研究現(xiàn)狀不難發(fā)現(xiàn)， 在影像匹配技術(shù)方面已經(jīng)取得了不錯的成果， 但是針對高原山地區(qū)域特殊匹配難點問題的無人機(jī)影像匹配算法研究相對較少。 本文以云南典型高原復(fù)雜地形區(qū)域為例， 采用UAV測量技術(shù)獲取影像數(shù)據(jù)， 提出利用高斯差分函數(shù)進(jìn)行特征點檢測， 通過鄰域統(tǒng)計分析描述特征點， 利用“馬氏距離”進(jìn)行匹配點對的二次篩選， 結(jié)合NNDR方法進(jìn)行影像相似度檢測， 為進(jìn)一步對特征點對進(jìn)行優(yōu)化選擇， 利用隨機(jī)抽樣一致算法(random sample consensus, RANSAC)算法進(jìn)行配準(zhǔn)錯誤點的剔除， 實現(xiàn)面向滇中高原復(fù)雜山地探測的UAV影像配準(zhǔn)方法的技術(shù)優(yōu)化。 研究中為了進(jìn)行方法運用實證， 選取了1組典型地貌遙感影像數(shù)據(jù)進(jìn)行配準(zhǔn)試驗， 并與現(xiàn)行主流SURF， BRISK， ORB和KAZE匹配算法進(jìn)行對比分析探討。 總之， 研究旨在構(gòu)建一套面向高原山地復(fù)雜地形無人機(jī)影像快速匹配算法流程， 并證實本文匹配技術(shù)方案的可行性與有效性。

1 實驗部分

本文提出的影像匹配方法的技術(shù)流程如圖1所示。 主要包括以下四方面關(guān)鍵技術(shù)方法的集成運用： ①基于SIFTS算法對影像特征點的進(jìn)行提取與描述， 即首先通過匹配影像尺度空間極值檢測， 構(gòu)建高斯金字塔， 對上下鄰域塔層之間進(jìn)行高斯差分運算來實現(xiàn)特征點的定位， 然后利用梯度直方圖來確定特征點的主-輔方向， 并對特征點鄰域方向的位置、 方向、 尺度生成合適的描述字符進(jìn)行特征描述。 ②基于位置尺度的“馬氏距離”匹配技術(shù)方法， 對匹配影像的特征點進(jìn)行二次篩選， 可更加有效計算兩張影像的相似度。 ③基于NNDR模型影像相似度檢測技術(shù)方法， 利用鄰域空間距離關(guān)系， 確定一個閾值， 進(jìn)一步完善影像相似度檢測。 ④基于RANSAC的粗差剔除技術(shù)方法， 基于影像像元大小的基礎(chǔ)之上， 利用匹配點對的均方根誤差值(root means square error, RMSE)值對粗差剔除進(jìn)行約束。

圖1 UAV影像匹配流程圖

1.1 基于尺度不變的影像的特征點提取

特征點檢測與描述是無人機(jī)影像匹配的基礎(chǔ)， 對于影像匹配而言， 選取特征點應(yīng)具備一定的信息量以及兩個方向的獨特性。 例如， 利用亮度變化的像素區(qū)域來增加信息量以及兩個方向特征突出， 使其具備一定的獨特性， 在確定特征點之后需要利用計算機(jī)語言來對特征點加以描述， 該描述將會影響后期影像匹配的成功率。 特征點的描述最直接方案是利用灰度相關(guān)與亮度變化兩種方式來進(jìn)行描述， 針對灰度描述雖然應(yīng)用廣泛， 但是對噪聲的敏感度以及抗幾何形變的能力較差[7]。 目前， 主流方向還是利用亮度變化構(gòu)成梯度二階差分(高階差分)對特征點進(jìn)行描述， 基于SIFT算法進(jìn)行特征點檢測與描述也是目前影像匹配主流算法之一， 其中構(gòu)建“最佳尺度空間”是通過高斯金字塔確定梯度方向進(jìn)行特征點的檢測與描述， 具體步驟如下：

(1) 構(gòu)建“最佳尺度空間”

SIFT的實質(zhì)即為在不同尺度空間尋找關(guān)鍵點， 通過高斯函數(shù)對圖像進(jìn)行模糊降采樣及差分處理得到最佳尺度空間。

高斯金字塔每張圖像由高斯函數(shù)G(x,y,σ)與原圖像Image(x,y)求卷積得到L(x,y,σ)來表示， 具體公式如式(1)所示

Image(x,y)*G(x,y,σ)=L(x,y,σ)

(1)

其中

(2)

式(1)和式(2)中， *為卷積運算，σ為尺度空間因子， 值越小表示圖像被平滑次數(shù)越小， 相應(yīng)的空間尺度就越小。

尺度空間在實現(xiàn)時使用高斯差分函數(shù)(difference of Gaussian， DOG)D(x,y,σ)表示， 即相鄰高斯金字塔上層或下層圖像相減， 如式(3)所示， 得到高斯差分圖像

D(x，y，σ)=[G(x，y，kσ)-G(x，y，σ)]*I(x，y)

=L(x，y，kσ)-L(x，y，σ)

(3)

(2)特征點檢測

特征點是通過高斯差分函數(shù)的局部空間極值點來組成， 利用高斯差分金字塔對該像素點的8個方向相鄰點及上下9×2個相鄰點進(jìn)行比較， 如圖2所示， 以確保平面和尺度空間上下都能尋找到極值點。

圖2 高斯差分函數(shù)的極值檢測

利用高斯差分函數(shù)可以找到離散空間中的極值點， 然后結(jié)合三維二次函數(shù)來確定特征點的位置與尺度， 剔除邊緣響應(yīng)點， 以確保特征點的穩(wěn)定性， 該方法是利用高斯差分函數(shù)在尺度空間進(jìn)行泰勒展開的矩陣表達(dá)， 如式(4)所示

(4)

(3)特征點主方向確定

為了使描述符具備旋轉(zhuǎn)不變性， 需要確定特征點的基準(zhǔn)方向， 通過特征點鄰域像素的梯度方向， 并且繪制梯度直方圖， 通過梯度直方圖的峰值即代表特征點鄰域方向的主方向。

(4)特征點描述

每個特征點都擁有三個信息， 位置， 方向以及尺度， 用一組向量對特征點信息進(jìn)行描述， 使其不隨角度， 光照變化而改變， 基于SIFT算法對特征點描述是對特征點鄰域方向的梯度信息進(jìn)行統(tǒng)計通過生成特征描述符加以描述。

1.2 基于“馬氏距離”的位置匹配

傳統(tǒng)SITF算法的位置匹配都是基于歐式距離的基礎(chǔ)上進(jìn)行鄰域距離計算， 在歐式距離空間中， 原本共線的點通過映射處理后仍為共線點， 稱之為仿射映射。 如果在一個平面空間內(nèi)， 一個圖形仿射變換為另外一個圖形， 稱為兩個圖形仿射等價。 實際生活中， 拍攝3D物體時， 不能保證仿射變換時距離不變， 更無法保證仿射變換時同一個物體在成像過程中仍然處在同一條直線。 通常情況下， 無人機(jī)攝影測量時， 當(dāng)目標(biāo)對象遠(yuǎn)遠(yuǎn)小于攝影機(jī)對地觀測距離時， 可以用物體的仿射變換表示， 利用2D影像代替3D物體處理。 并且， 同一物體的不同成像由2D影像的仿射變換決定。 基于“馬氏距離”的位置匹配主要是通過對匹配影像的特征點進(jìn)行二次篩選， 為下一步NNDR模型相似度檢測提供更精確的樣本空間。

馬氏距離本身具備仿射變換特點， 無人機(jī)遙感影像也滿足仿射變換關(guān)系， 故匹配特征點的馬氏距離差值為0。 利用馬氏距離的位置匹配進(jìn)行匹配點對的二次篩選流程如下：

①構(gòu)建針對影像A和B， SIFT粗匹配特征點的樣本空間As和Bs；

As={(xA1,yA1) … (xAn,yAn)}

Bs={(xB1,yB1) … (xBn,yBn)}

(5)

②其中B圖中Asi匹配的特征點為Bsi， 根據(jù)式(6)分別計算Asi和Bsi到樣本空間As和Bs的馬氏距離MAd和MBd。

(6)

式(6)中，C為協(xié)方差矩陣，C-1為C的逆矩陣，μ為樣本均值， 定義如式(7)

(7)

③計算兩幅影像特征點的馬氏距離之差。

dis=MAd-MBd

(8)

④求dis中的最大值dis max。 通過閾值系數(shù)控制， 刪除滿足dis>κdis max， 條件的匹配點對。

1.3 基于NNDR模型影像相似度檢測

通過特征提取以及特征描述完成了影像數(shù)據(jù)配準(zhǔn)的前半段， 利用馬氏距離的距離匹配， 進(jìn)行了匹配特征點的二次篩選， 接下來是描述兩個匹配的特征點是否等價， 來進(jìn)行影像“相似度檢測”。 目前比較常見的影像配準(zhǔn)相似度檢測主要有相關(guān)性檢測(nomalized correlation coefficient， NCC)， 最近鄰次近鄰距離比(nearest neighbor distance ratio， NNDR)以及互信息(mutual information， MI)三種測度。 綜合三種測度的優(yōu)缺點以及大量試驗表明， 鑒于一般情況NNDR特征描述的獨特性， 影像配準(zhǔn)的精度高于NCC與MI。

基于NNDR進(jìn)行無人機(jī)影像數(shù)據(jù)的相似度檢測， 實質(zhì)是對單個指標(biāo)與多峰值匹配使之具備更好的對抗性。 NNDR是一個相對閾值， 而不是描述亮度與梯度變化的固定閾值， 著重強(qiáng)調(diào)特征的“獨特性”。 如式(5)所示，D0表示初始特征向量，D1和D2表示鄰域搜索范圍內(nèi)通過馬氏距離得出的最近鄰與次近鄰特征點對距離， 當(dāng)NNDR值小于閾值范圍， 則定義該點為正確匹配點對。 該方法可有效避免多峰值出現(xiàn)， 提高了數(shù)據(jù)配準(zhǔn)的準(zhǔn)確度。

(9)

1.4 基于RANSAC的誤匹配處理

為保證影像數(shù)據(jù)配準(zhǔn)的準(zhǔn)確性， 需要對誤配準(zhǔn)的特征進(jìn)行剔除。 在前期影像配準(zhǔn)過程中， 常常會受到外界干擾， 如幾何形變， 特征描述的表達(dá)能力以及相關(guān)性測度的有效性等都會導(dǎo)致誤匹配的特征數(shù)量高于正確匹配的特征數(shù)量。 為了進(jìn)一步提高配準(zhǔn)精度， 確保配準(zhǔn)的正確率， 除了利用影像灰度與梯度等輻射量信息， 同時還可以用立體像對之間的相對幾何信息進(jìn)行約束。 在影像配準(zhǔn)過程中， 正確匹配的特征點通常稱之為“內(nèi)點”， 錯誤匹配的特征點為“外點”， 并且內(nèi)點通常可以用一定的數(shù)據(jù)模型進(jìn)行描述， 例如核線幾何。

基于RANSAC檢測方法核心就是尋找符合直線方程的兩個“內(nèi)點”。 在采樣檢測中， 使觀測值個數(shù)為n， 并且n?m， 假定抽樣為內(nèi)點的比例為w， 每次隨機(jī)抽樣m個點， 在抽取k次的情況下，m為內(nèi)點的概率p=1-(1-wm)k， 給k賦值后即可開始迭代計算， 當(dāng)P值越接近1時， 表明粗差越小。 每次都隨機(jī)抽樣m個點， 并且模擬出一個直線模型函數(shù)， 將其余候選點帶入該方程， 如果函數(shù)方程值為0或者接近0時， 則判定為內(nèi)點， 通過多次循環(huán)計算， 直到找到最佳內(nèi)點集合， 再重新計算直線方程， 其中不滿足直線方程的即為外點， 在此過程中， 引入同名點對的RMSE值， 通過綜合實驗及統(tǒng)計分析， 設(shè)定RMSE閾值， 來進(jìn)行特征點對的二次約束， 最后完成對外點的剔除。

2 結(jié)果與討論

2.1 試驗數(shù)據(jù)與試驗平臺

(1)數(shù)據(jù)源。 于2020年10月14日， 由大疆 M300搭載RIE-M6相機(jī)進(jìn)行影像數(shù)據(jù)采集， 并預(yù)設(shè)航向重疊度50%， 旁向重疊度92%， 平均飛行高度400 m， 影像平均分辨率為0.07 m。 為了驗證本文研究方法在高原山地快速配準(zhǔn)的優(yōu)勢， 利用1組分辨率5 772 px×3 648 px像素的典型地貌遙感影像數(shù)據(jù)進(jìn)行匹配試驗研究， 如圖3所示， 該區(qū)兩張影像局部高差大， 特征不明顯。

圖3 試驗影像數(shù)據(jù)

(2)試驗平臺。 本次無人機(jī)影像的匹配后臺運行環(huán)境為： 運行內(nèi)存16G， Inter(R)Xeon(R)CPUE5-2609 V4 1.70GHZ處理器在Windows 7系統(tǒng)下基于Python3.1.6進(jìn)行影像匹配。

2.2 基于尺度不變的影像特征點提取處理結(jié)果

尺度不變的影像特征點提取分析主要是基于SIFT算法基礎(chǔ)上對影像特征點進(jìn)行提取， 為了驗證SIFT算法面向高原山地復(fù)雜地形特征點提取的有效性， 并將提取特征點的數(shù)目及其提取時長與SURF， BRISK， ORB和KAZE算法提取結(jié)果進(jìn)行綜合對比分析， 整理結(jié)果如表1所示。

根據(jù)表1中不同算法試驗結(jié)果統(tǒng)計分析得出： ①針對不同算法的影像特征點提取數(shù)量而言， 基于SIFT算法的特征點提取數(shù)目最多， 并且與其他四種算法相比呈現(xiàn)出2～4倍基數(shù)變化情況； 提取特征點數(shù)目次之的為BRISK與KAZE算法， 僅為SIFT算法的52.4%與50.8%； 提取特征點數(shù)目最少的為SURF與KAZE算法， 只達(dá)到了SIFT算法的46.8%與23.3%。 ②針對不同算法影像特征點提取時長而言， 基于BRISK算法在進(jìn)行配準(zhǔn)試驗時間耗時最長， KAZE算法次之， ORB最小。 ③結(jié)合影像特征點數(shù)目與耗時分析， 可以得出特征點數(shù)量與配準(zhǔn)時間成正比， 提取特征點數(shù)量越大， 耗時越長， 反之亦然。 其中， 針對BRISK在對影像進(jìn)行配準(zhǔn)試驗時， 出現(xiàn)的特征點數(shù)量較SIFT次之， 配準(zhǔn)時長卻高于SIFT算法的時長， 該現(xiàn)象是由于BRISK算法在尺度空間構(gòu)建耗時較長導(dǎo)致的。 ④綜合上述三條論證， 可以得出基于SIFT算法在面向山地復(fù)雜地形影像匹配特征點提取時， 能夠提取到相對較多的特征點參與影像配準(zhǔn)計算， 增強(qiáng)影像匹配的可靠性。

表1 不同算法對影像特征點提取數(shù)目及時長統(tǒng)計

2.3 集成馬氏距離位置匹配與NNDR相似度檢驗

鑒于特征點提取分析對比中， 基于SIFT算法在面向高原山地復(fù)雜地形影像特征點提取時， 雖然耗時相對較長， 但是提取特征點對數(shù)量較多， 可靠性較強(qiáng)， 并且數(shù)據(jù)魯棒性較好。 為了進(jìn)一步提取高質(zhì)量的匹配特征點對， 利用“馬氏距離”的位置匹配與NNDR特征點對相似度檢驗對特征點進(jìn)行二次篩選， 用SIFT+， SURF+， BRISK+， ORB+和KAZE+表示， 如表2所示。

表2 基于馬氏距離與NNDR模型匹配點對的二次篩選

根據(jù)表2中不同算法結(jié)合馬氏距離位置匹配約束特征點二次篩選統(tǒng)計結(jié)果分析得出： ①針對特征點對數(shù)量而言， 通過馬氏距離與NNDR匹配特征點對的二次篩選， 5種算法提取特征點對數(shù)目均出現(xiàn)成倍數(shù)減少現(xiàn)象， 其中， SIFT+算法， 篩選之后的特征點對數(shù)量最多， KAZE+特征點對數(shù)量最少， 與SIFT+算法呈現(xiàn)了7倍之差。 ②針對特征點對提取耗時而言， 二次篩選很大程度上縮短了匹配點對提取時長。 其中耗時最長為SIFT+算法， BRISK+次之， KAZE+最短。 ③結(jié)合影像特征點數(shù)目與耗時分析， 通過位置約束以及NNDR相似度檢測之后的特征點對較初始匹配特征點對數(shù)量大幅度較少， 特征點數(shù)量與配準(zhǔn)時間成正比。 ④考慮特征點對的提取效率， SIFT+算法雖然耗時較長， 但是提取效率高達(dá)35%， BRISK+次之為33%， 提取效率最低的為ORB+， 僅為18%。 ⑤綜合上述四條論證， 可以得出， 面向山地復(fù)雜地形影像匹配特征點提取時， 結(jié)合馬氏距離的位置約束與NNDR相似度檢測， SIFT+算法不僅提取匹配特征點對數(shù)目可靠， 并且縮短了時間程度， 提高了匹配效率。

2.4 綜合RANSAC的誤匹配剔除改進(jìn)

本次試驗研究中， 為保證影像匹配的準(zhǔn)確度， 需要剔除匹配錯誤特征點對， 在SIFT+， SURF+等5不同算法提取的特征點二次篩選基礎(chǔ)上利用RANSAC來剔除立體影像匹配中的錯誤點對誤差。 剔除結(jié)果如表3所示， Inliers為內(nèi)聯(lián)點對， matched為匹配點對， 通過統(tǒng)計分析， 不難發(fā)現(xiàn)， 基于SIFT+算法影像匹配時， 內(nèi)聯(lián)點對與匹配點對數(shù)量均呈現(xiàn)最大值。

為進(jìn)一步分析5種算法在山區(qū)復(fù)雜地形下的配準(zhǔn)效率與準(zhǔn)確度， 本文結(jié)合高原山地特性， 利用匹配點對的均方根誤差(RMSE)值為閾值， 其中 RMSE 的單位為： 像素。 并根據(jù)閾值進(jìn)行約束迭代處理， 結(jié)合匹配正確率， 作為影像匹配效果的評價標(biāo)準(zhǔn)， 對不同算法配準(zhǔn)點對的RMSE值進(jìn)行統(tǒng)計如表4所示。

表3 不同算法對影像特征點匹配相關(guān)數(shù)據(jù)統(tǒng)計

表4 不同算法對影像特征點提取正確率及RMSE值統(tǒng)計

結(jié)合表2、 表3綜合分析可以得出： ①通過RANSAC的誤匹配處理與RMSE約束， 就匹配點對而言， 針對不同算法的影像匹配點對數(shù)量， 改進(jìn)后SIFT+算法的匹配點對數(shù)目均高于另外4種匹配算法； 并且呈現(xiàn)出3～5倍基數(shù)變化情況。 其中匹配點對最少的為KAZE+算法。 ②就影像匹配正確率而言， SIFT+， SURF+， BRISK+， ORB+和KAZE+算法對影像正確匹配率分別為84.1%， 74.2%， 68.8%， 69.37%和77.25%， 結(jié)合“matched”匹配點對與匹配正確率分析可以得出， 基于SIFT+算法在面向高原復(fù)雜山地影像配準(zhǔn)時較其余4種算法影像匹配正確率更高。 ③通過影像內(nèi)聯(lián)點對、 匹配點對與匹配正確率綜合計算分析， 三者未呈現(xiàn)正比的線性相關(guān)， 出現(xiàn)該情況是受到前期數(shù)據(jù)處理時提取內(nèi)聯(lián)點對數(shù)據(jù)量較大的影響。 ④在影像精配準(zhǔn)階段， RANSAC算法基礎(chǔ)上引入RMSE對影像匹配結(jié)果進(jìn)行約束， 通過統(tǒng)計分析， 需提前設(shè)置一個閾值， 當(dāng)RMSE值超過預(yù)設(shè)閾值時候， 則需要剔除影像匹配中的殘差最大點， 該方法不僅可以提高配準(zhǔn)的準(zhǔn)確度還可以同時獲取亞像素級精度的匹配點對。 ⑤綜合以上試驗分析可以得出: 面向山區(qū)復(fù)雜地形影像配準(zhǔn)時， SIFT算法在特征描述， 能夠提取到相對較多的特征點對參與影像配準(zhǔn)計算， 增強(qiáng)影像匹配的可靠性， 匹配正確率相對較高， 精配準(zhǔn)階段通過RMSE約束條件下， 配準(zhǔn)精度可以達(dá)到亞像素精度。

3 結(jié) 論

無人機(jī)影像匹配是無人機(jī)影響后期處理的關(guān)鍵步驟， 直接影響后期三維重建與特征信息提取的精度。 針對高原山地復(fù)雜地形低空無人機(jī)影像存在區(qū)域變形嚴(yán)重， 高差大， 影像遮擋嚴(yán)重， 特征點不明顯以及數(shù)據(jù)量大等問題， 探討研究了面向高原山地復(fù)雜地形無人機(jī)影像如何快速匹配又能保證正確率的問題。 總結(jié)本研究主要工作及初步成果包括： ①針對研究區(qū)區(qū)域變形嚴(yán)重， 高差大， 影像遮擋特征不明顯等問題， 利用主流的SIFT， SURF， BRISK， ORB和KAZE算法進(jìn)行試驗研究， 通過綜合對比分析， 可以發(fā)現(xiàn)基于SIFT+算法的影像匹配在面向山區(qū)復(fù)雜地形區(qū)域時可以很好地發(fā)揮其優(yōu)勢， 無論在特征點提取數(shù)量還是在匹配正確率方面都較其他4種匹配算法精度高， 可靠性強(qiáng)。 ②通過改進(jìn)影像匹配算法， 用“馬氏距離”位置匹配替換傳統(tǒng)歐式距離匹配并結(jié)合NNDR模型對匹配點對進(jìn)行相似度檢測， 實現(xiàn)特征點的二次篩選， 實驗結(jié)果表明SIFT+算法在針對特征點對的二次篩選時不僅可靠性強(qiáng)， 而且縮短了時間成本， 提高了數(shù)據(jù)處理效率。 ③為進(jìn)一步提高影像匹配精度， 需要剔除錯誤匹配特征點對， 結(jié)合RANSAC算法引入RMSE對影像匹配結(jié)果進(jìn)行約束， 當(dāng)RMSE值超過預(yù)設(shè)閾值時候， 則需要剔除影像匹配中的殘差最大點， 該方法不僅匹配正確率相對較高， 而且精配準(zhǔn)階段通過RMSE約束條件下， 配準(zhǔn)精度可以達(dá)到亞像素精度。

雖然通過實證試驗得出了本文提出的技術(shù)方法在面向高原山地復(fù)雜地形運用中得到不錯的匹配效果， 但是仍然還存在一些問題與不足有待深化探討， 例如： ①由于高原山地復(fù)雜地形， 高差突變大局部影像曝光不一致帶來的局部陰影還沒有很好的方法解決， 在影像預(yù)處理階段， 如何有效快速地對影像進(jìn)行勻光勻色處理以便得到顏色一致的影像是今后研究的一個重點方向； ②目前， 許多影像匹配算法基本都是基于特征點進(jìn)行匹配， 后期面向復(fù)雜地形特征點信息不明顯區(qū)域是否可以考慮加入地形線描述參與匹配， 以增加在山體部分的正確特征匹配點對。 ③由于數(shù)據(jù)量較大， 可以考慮將影像數(shù)據(jù)分區(qū)塊處理， 將影像重疊區(qū)域重點加密匹配， 減少非重疊區(qū)域的冗余影像匹配， 進(jìn)而提高匹配算法的效率， 需要進(jìn)一步研究。 ④基于RANSAC算法引入RMSE對影像匹配結(jié)果進(jìn)行約束， RMSE閾值的調(diào)控確定， 也是影像數(shù)據(jù)匹配處理的核心問題， 也是下一步研究的重點方向。