1、 年 第 期 宗慧琳，等：改进 算法的泥石流区无人机影像特征匹配引文格式：宗慧琳，袁希平，甘淑，等 改进 算法的泥石流区无人机影像特征匹配 测绘通报，（）：改进 算法的泥石流区无人机影像特征匹配宗慧琳，袁希平，甘 淑，张晓伦，梁昌献，赵振峰（昆明理工大学国土资源工程学院，云南 昆明；云南省高校高原山地空间信息测绘技术应用工程研究中心，云南 昆明；滇西应用技术大学，云南 大理）摘要：针对在泥石流区灾害应急中使用无人机高分辨率影像特征匹配时时效性较低的问题，本文提出了一种改进 无人机影像特征匹配的算法。该算法首先使用 特征点检测算法提取局部稳定不变特征，用二进制描述符 描述检测到的特征点，采用最近
2、邻次近邻距离比（）完成初步匹配；然后采用核线几何约束计算变换矩阵，达到内点提纯、提高匹配质量的目的；最后选取 组同一无人机序列影像进行特征匹配试验，分别与经典 算法、算法、算法进行比较。试验结果表明，该方法的匹配准确率与 算法接近，略高于 算法，明显优于 算法，计算速度明显优于 算法和 算法，基本达到 算法的计算效率。本文方法能较好地应用于对匹配精度和匹配时效均要求较高的泥石流场景无人机影像数据处理中。关键词：泥石流区无人机影像；特征提取；描述符；核线约束；影像匹配中图分类号：文献标识码：文章编号：（），（，；，；，）：，（），：；无人机低空摄影测量技术可方便快捷地获取地物的三维场景信息，成为
3、滑坡、泥石流等应急救灾的重要手段之一；然而受传感器视野、拍摄角度、平台运动等的限制，通常需要对不同位置、不同视角拍摄的影像数据进行匹配，因此影像匹配的速度与精度是无人机影像拼接、三维场景重构等的基础与前提。常用的影像匹配主要是基于灰度和特征的匹收稿日期：基金项目：国家自然科学基金（）作者简介：宗慧琳（），女，博士生，工程师，主要从事低空无人机摄影测量与遥感技术应用工作。：通信作者：袁希平。：测 绘 通 报 年 第 期配方法。其中，基于特征的影像匹配的实质是识别特征点（或特征线、特征面）并对其进行描述，再根据一定的相似性准则判断同名特征。算法、算法、算法、算法、算法、（）算法是目前应用最为广泛的
4、特征点检测算法。其中 算法、算法、算法、算法利用高斯核函数构建尺度空间，计算速度较快，但是在对图像进行高斯平滑的同时轮廓信息也被平滑，易造成边界模糊和细节丢失，从而导致检测到的不同尺度的特征点稳定性降低。而 特征提取算法采用快速显式扩散（，）算法构建非线性尺度空间，改进的局部差分二值描述符（，）克服了上述问题。与 算法和 算法相比，算法的计算速度更快，且该算法在保留图像轮廓信息方面的优势已被学者们广泛研究并多次应用于以自然地物分布为主的遥感影像匹配和配准中。但在实际应用中，算法的描述符 稳定性弱于 描 述 符，使 得 算法的总体表现不如 算法。为克服该问题，文献构建了 算法，应用于无人机倾斜影
5、像的特征匹配，相较于 算法，匹配召回率与精准率均得到提高，匹配效率略有下降。文献提出了利用 算法进行影像匹配，既保留了 算法在特征检测方面的高效性优势，又具有 描述子的识别能力和稳定性，同时 策略还降低了特征向量的维数，大大降低了计算复杂度，使得计算效率接近 算法。文献提出利用 算法进行影像匹配试验，比原 算法匹配正确率提升，运行速度提升。文献将 描述符与 算法相结合进行无人机影像特征匹配，得到了较高的匹配正确率和精度，但整体计算时间相较于 算法却有所增加。泥石流区无人机遥感影像中的地物大多为自然地物，具有地形起伏变化、地貌复杂多变、纹理重复、不同地物边界模糊等特点。在采用 特征进行无人机高分
6、辨率影像匹配时，以上几种改进方法精度和准确率有所提升，能较好地保留地物边界处的特征点，但是整体计算时间复杂度高、时效性较低，难以满足泥石流区灾害应急对数据自动化处理时的速度要求。文献提出的增强有效二进制局部图像描述符（，）是一种非常高效的描述符，执行时间接近，精度与 相似，使用了 和改进后的 训练方式，强迫所有的 拥有与 组合相同的权重，对描述子作二元化处理，在未标注数据集上训练，解决匹配和提取任务中不对称的问题，输出了更好的局部描述信息。因此，为解决泥石流区无人机影像匹配困难且计算速度慢的问题，本文将 非线性特征检测算法与 特征描述算法相结合，提出 算法，并将其应用于泥石流区无人机遥感影像匹
7、配，以便更快速地得到精度较高的匹配结果。原理与方法.特征点检测 特征检测算法使用一种图像亮度变化表示的非线性尺度空间，采用非线性扩散滤波方法进行构建，应用流动函数的散度描述图像亮度在不同尺度空间的变化，能够较好地保留图像边缘信息，可通过非线性偏微分方程式进行描述，即（，）（）式中，为图像亮度；为梯度；为散度；（，）为图像坐标；（，）为传导函数，决定影像的扩散方式。通过设置合适的传导函数可以使扩散自适应于图像的局部结构。时间 作为尺度参数，其值越大，则图像的表示形式越简单。传导函数的构造方式为（，）（，）（）式中，为高斯平滑后图像 的梯度（）。算法中函数 表示为 （）式（）优先保留宽度较大的区域
8、，参数 为控制扩散级别的对比度因子（），能够决定保留的边缘信息量，其值越大，保留的边缘信息越少。在 算法中，参数 的取值是梯度图像 的直方图 百分位上的值。特征的非线性尺度空间构造与 类似。尺度级别按对数递增，共有 组金字塔影像，每组有 层。与 中每组逐层进行降采样不同的是，各个层级均采用与原始图像相同的分辨率。不同组和层分别通过序号 和标记，且通过公式与尺度参数 相对应，即 年 第 期 宗慧琳，等：改进 算法的泥石流区无人机影像特征匹配（，）（）式中，为尺度参数，；表示组，；表 示 层，。非线性扩散滤波模型以时间为单位，因此需要将以像素为单位的尺度参数 转换至时间单位。在高斯尺度空间下，使用
9、标准差为 的高斯核对图像进行卷积，相当于对图像进行持续时间 的滤波，被称为进化时间（）。随着尺度层级的提升，除了那些对应于目标轮廓的图像边缘像素外，大部分像素对应的传导函数值将趋于一个常量值。的特征点检测是通过寻找不同尺度归一化后的 局部极大值点实现的。矩阵的计算公式为，（）（）式中，为归一化尺度因子；和 分别为二阶横向和纵向微分；为二阶交叉微分。在寻找极值点时，每一个像素点和其上下 层及本层共 个相邻点比较，当大于其图像域和尺度域的所有相邻点时，即为极值点，以确保在尺度空间和二维图像空间均检测到极值点。在找到特征点的位置后，再进行亚像素的精确定位。在特征点处使用二阶泰勒展开式，内插得到精确定
10、位结果。.特征描述 使用 算法帮助选择弱学习器（，），选择 个特征，使用积分图像计算一对图像正方形区域的平均灰度值之间的差，对 进行训练，并将其组合产生强描述，输出更好的局部描述信息，最后对描述子作二元化处理。学习了一组分布良好的点对，中心区域接近高斯分布。图 分别为在 数据集上训练的 像素位置采样对和空间权重热图的可视化。图 描述符.二进制描述符（，）为训练集，由图块对组成，标签为 ，。其中，表示两个图块都属于同一显著图像结构；表示为不同的图像结构。使用 最小化损失，公式为 （）（）()（）在实际操作中，为一个收缩参数，控制训练的速度，也决定选中的 的个数，（）（；，）为第 个。由特征提取函
11、数（）和阈值 定义，即（；，）（）（）（）式（）的损失可以看作相似度学习函数，（）为对图像块 的 个 响应的向量。该图块的描述子为（）（）（）（）（）（）式中，（，），为第个弱学习者（）的权重。.弱学习器阈值判断特征提取函数（）定义为（；，）（，）（）（，）（）()（）式中，（）为像素 的灰度值；（，）为中心位于、尺寸为 的方形区块。因此，（）为计算像素（，）和（，）的平均灰度值之间的差异。图的黑色框和灰色框分别表示（，）和（，）。对（）进行阈值判断，得到（）和实数描述符（）。最终，为了让输出为，将 转化为，转化为（如图 所示），得到的二值描述符即为。图 描述符提取流程.特征点检测（）特征匹配
12、。特征匹配时通过比较特征描述符的相似性衡量是否匹配。适合采用汉明测 绘 通 报 年 第 期距离作为相似度测度，进一步采用最近邻次近邻距离比（，）的方法剔除误匹配点，即强调在特征匹配中，只有最像的那个特征才保留，其他均不保留，的阈值设置得越低，保留的匹配点对越少。参照相关研究，本文设阈值为.。（）匹配结果提纯。基于 匹配得到的匹配点对中难免包含错误的匹配对，因此需作匹配结果提纯，尽可能保证匹配的正确率。通常情况下，将匹配正确的点称为内点（），匹配错误的点称为外点（）。根据摄影测量几何关系可知，内点在立体匹配中符合核线几何关系，即一条核线上的任意一点，其在另一幅影像上的同名像点必定位于 其 同 名
13、 核 线 上。基 础 矩 阵（）刻画了两视图的内在核线几何关系，无需场景信息及摄像机内、外参数便可建立左右图像的对应关系，即相同场景在不同视图中的对应关系。根据该条件，可通过 对以上同名点计算相应的未知参数；而一次匹配往往得到数百或更多的候选点，此处参数空间很小，非常适合采用 方法进行粗差剔除，以完成匹配提纯，提升匹配的正确率。具体的，在参考图像和待匹配图像上，若两个特征点 与 的特征向量距离很小，判断这两个特征点对应同一场景，认为是同名点对，点对坐标分别为（，）和（，）。参考图像特征点（，）经基础矩阵 映射到待匹配图像的理论点位为（，），可表示为 （）|（）此处 包含相机的内外参数。在待匹配
14、图像上，理论点位与实际匹配点位存在偏差，即重投影误差 可表示为（）（）（）若 小于阈值，认为点对匹配正确；否则认为点对匹配错误。本文设重投影误差 为 像素。试验设计及对比分析方案组织实施本次试验数据采用大疆精灵 无人机携带非量测型相机 拍摄，飞行高度约 ，影像大小为 像素，地面分辨率约为.，拍摄地位于云南省昆明市东川区小白泥河流域，是滑坡和泥石流等地质灾害高发区。试验平台为一台（）（）、核.及内存为 的笔记本电脑，操作系统，数据处理基于 .的.计算机视觉库。为验证本文方法的可行性与实用性，选取其中 组不同场景的实拍泥石流区无人机遥感影像，分别 采 用、及 本 文 改 进 算 法 进行特征匹配试
15、验。试验影像数据如图 所示。组为泥石流堆积区，地势较为平坦，周围有少量的房屋、道路、工地、农田等，纹理信息较为丰富；、组为泥石流流通区和堆积区，山谷地形，基本都是自然风貌，人类活动产生的痕迹较少，纹理信息较为单一，影像匹配难度较大；组为泥石流附近的居住区，有纹理信息丰富的房屋、道路、农田等，特征容易检测。为量化比较本文改进算法的有效性，试验过程中选用正确匹配点数、精确率及单个匹配所用时间 项指标对匹配效果进行评估。图 试验数据 试验结果与分析试验 对 象 中 的 每 组 影 像 采 用、关键点检测算法分别对左右两张影像提取特征点，具体见表。年 第 期 宗慧琳，等：改进 算法的泥石流区无人机影像
16、特征匹配 表 种关键点检测算法对各张影像检测特征点数 个影像影像对编号 组 组 组 组 组 （）匹配结果对比。图 为 组影像分别采用、和 本 文 改 进 算 法 经核线约束剔除误匹配点对后的精匹配结果。可以看出，获得的匹配点数量基本与 持平，同时较好地保留了影像中地物边缘位置特征点对，有利于进一步应用。（）正确匹配点数与精确率。表 为 组影像的正确匹配点数统计结果；表 为 组影像的精确率统计结果。可以发现：对于 组数据，该区域纹理相对丰富，总体而言，几种方法得到的正确匹配点数都较多，且得到的匹配点对空间分布均衡；在正确匹配点对的数量与空间分布上，本文算法明显优于经典，略优于 算法，低于 算法；在匹配精确率上，本文算法精确率最高，明显优于、算法，略优于 算法。对于 组数据，主要以自然地物分布为主，纹理比较破碎，地形起伏较大，影像匹配较难，几种方法得到的正确匹配点数都较少，且主要集中分布在纹理变化较密集的泥石流边界区域；在正确匹配点对数量上，本文算法明显少于 算法，略少于、算法；但在匹配精确率上，本文算法明显高于、算法，略低于 算法。对于 组数据，有不少农村居住房屋分布于此，纹理信息丰富，