无人机影像特征点检测和描述技术研究
（ 1. 六盘水市规划设计测绘研究院 , 贵州，六盘水，553000
2.枣庄学院，山东，枣庄，277000）
摘. . 要：随着无人机遥感技术的发展，对无人机影像拼接技术的研究越来越重要。无人机影像拼接效果直接决定了后续工作的效果，选择特征来匹配图像仍然是一个正在搜索的领域。本文分别对数据进行了特征点检测和描述算法的联合实验，最终确定了特征点检测和描述算法分别为 DOG 和 GLOH 算法的方法，相比于传统 DOG 特征点检测和 SIFT 特征点描述算法提高了1.5%。经过与其他特征点检测和描述算法比较，考证了本文所述方法的可行性。
关键词：无人机影像；特征点检测；特征点描述；内点率0??引言
随着无人机航测技术的不断进步和自动化、信息化的飞快发展，利用无人机飞行平台搭载数码相机设备进行拍摄和记录，从而获得低空航飞影像的技术越来越成熟。无人机遥感技术在自然资源勘查、城乡规划等许多领域有着很广泛的应用，前景相当广阔。无人机遥感与大型卫星遥感相比，具有受天气影响小，灵活度高，操作简单，成本低廉，飞行高度低等优点。
因无人机遥感系统在获取影像时，受无人机飞行高度和数码相机的焦距等因素的限制，所得到的单幅影像涵盖区域小，无法一次获取整个目标区域。因此，为完整的获取整个目标区域的影像，需利用获取的多幅遥感影像，通过拼接融合处理成一幅全景遥感影像。
David G.Lowe 经过对不变量技术特征检测方法进行总结后，在尺度空间的基础上，总结出了一种对局部特征进行描述的算子SIFT［1］。
Mikolajczyk针对不同的场景，选取了10种描述算子，并在模糊、旋转、分辨率等多个方面对这些算子的适应力进行了实验，实验表明 SIFT算法效果是最好的［2］。1989 年，吕言总结提出了“吕言算子”，该方法利用了由粗到细的序贯算法［3］。张力等人在利用影像灰度、特征信息的基础上，提出利用神经网络进行影像匹配的算法［4］。
张祖勒院士提出了新的核线相关算法——跨接法［5］。
针对实验数据的特征点检测及描述，分别进行了三种特征点检测方法（HARRIS、MSER、DOG）和三种特征点描述方法（SIFT、PCA-SIFT、GLOH）的联合实验，最后确定选用特征点的检测和描述方法。
1?基本原理
局部特征是由关键点检测器及特征提取器组合而成的。首先，一个关键点检测器发现特征点的位置。这个阶段中，每一个图像都要搜索可能与其他图像匹配良好的位置。然后，特征提取器从检测到的点或区域提取特征向量，将检测到的关键点位置周围的每个区域转换成更紧凑、更稳定的描述符，可以与其他描述符进行匹配。
1.1 关键点检测
为了匹配两幅图像，最重要的特征是具有鉴别能力的点，因为这些是图像中明显的特定位置。这些本地化的特征称为关键点 , 非常适合作为本地特性。对于研究数据，我们试了三个关键点检测器：
HARRIS、MSER 和 DOG。下面列举 DOG 检测器的实现方法：
DOG 检测器的实现：(1) 创建了两个不同的高斯滤波器，并相互提取 ;(2) 狗过滤器应用于研究的图像 ;(3) 一些 harris 方法用于提取图像中最强的像素点。
1.2 特征点描述
下面列举 SIFT 和 GLOH 描述子的实现方法：
SIFT 描述子的实现：（1）为特征点分配方向值。（2）生成特征描述子。以特征点周边 16×16 的邻域作为样本窗口，通过高斯加权将采样点和特征点的相对方向统一纳入到有 8 个 bin 的方向直方图之中，获得 128 维度的特征描述子。
GLOH 描述子的实现：为了增强 SIFT 鲁棒性和独立性。用对数极坐标创建 8 个角度方向和三个带 , 以径向和角度对兴趣区域进行划分，共分为 17 个子区域，再根据 SIFT 描述子的算法，计算 17 个子区域的灰度梯度直方图，将梯度角度按 16 个 bin 来划分，并用所有的梯度直方图组成一个向量，获得一个 16*17 维的矢量。
1.3 匹配与评价
在得到特征向量后，下一步就是得到两幅图像内相似的特征。计算图像中特征之间的欧式距离，再对距离矩阵进行排序，从排序后的矩阵中，取第一个最近邻与第二个最近邻之间的比值，最后设定这个比率的阈值获得内点。
2?实验结果与分析
对获得的无人机倾斜影像，分别用三种特征点检测算法（DOG、MSER、HARRIS）和 三 种 特 征 点 描 述 算 法（SIFT、PCA-SIFT、GLOH）的联合实验进行分析，并用 MATLAB 平台对本算法进行联合实验。
实验中，为了提高结果的鲁棒性，又在实验数据中随机选了 8 个图像对分别进行联合特征实验计算内点率。结果发现，当特征点检测使用 DOG 算法，特征点描述使用 GLOH 算法时内点率最高，平均内点率达到 89.49%。相比于传统 DOG 特征点的检测算法，联合 SIFT特征点的描述算法提高了 1.5%，比其他联合检测算法鲁棒性更高。
为了充分验证该方法的效果，利用该特征点检测和描述算法对图像进行拼接实验，拼接效果如图 1，可以看到拼接效果很好，图像间没有错位，能满足应用的要求。
图 1
3?结论
在本文中，针对研究数据的特征点检测和描述问题，分别进行了三种特征点的检测算法和三种特征点的描述算法的联合实验，最后确定选用的特征点检测和描述算法为 DOG 和 GLOH 算法，平均内点率达到 89.49%。通过多组实验对文中方法的鲁棒性进行了验证。
参考文献 (References)
［1］ Lowe D G.Distinctive image features from scale-invariant keypoints[J]. International journal of computervision,2004,60(2):91-110.
［2］ Mikolajczyk K,Schmid C.Scale & affine invariant interestpoint detectors[J]. International journal of computervision,2004,60(1):63-86.
［3］ 吕言 . 用于提取数字图像点特征之有利算子研究 [J]. 测绘学报,1989,18(3):175-182.
［4］ 张力 , 沈未名等 . 基于空间约束的神经网络影像匹配 [J]. 武汉测绘科技大学学报 ,55-59.
［5］ 张祖勋 . 新的核线相关算法——跨接法 [J]. 武汉大学学报,1988,4:003.
作者简介：
寇鹏（1990-），男，贵州威宁，本科，助理工程师，研究方向：
遥感信息处理与分析数字图像处理等，六盘水市规划设计测绘研究院
