一种基于多尺度的无人机影像特征点提取方法.docx

?

?

一种基于多尺度的无人机影像特征点提取方法

?

?

石斌斌?闵曹文

摘要：为提高无人机影像特征点的提取质量与拼接精度，建立高斯金字塔实现多尺度变化进行粗差剔除，利用卷积神经网络（ConvolutionalNeuralNetwork，CNN）提取影像特征点并通过最邻近值匹配特征点完成影像拼接，最后通过拼接一组无人机影像从粗差剔除率、匹配准确率、匹配时间3个方面来验证影像质量。验证结果表明，匹配点粗差剔除率提升了33.08%，匹配精度提升了12.17%，整体匹配效率有所提升，效果良好。

关键词：多尺度;卷积神经网络（CNN）;影像匹配拼接;匹配精度

：TP751;P237：A：1003-5168（2021）34-00-03

AFeaturePointExtractionMethodofUAVImageBasedonMulti-Scale

SHIBinbinMINCaowen

（JiangxiVTCollegeofCommunications，NanchangJiangxi330000）

Abstract：InordertoimprovetheextractionqualityandstitchingaccuracyofUAVimagefeaturepoints，thispaperestablishesaGaussianpyramidtorealizemulti-scalechangeforgrosserrorelimination，usesConvolutionNeuralNetwork（CNN）toextractimagefeaturepoints，andcompletesimagestitchingbymatchingthefeaturepointswiththenearestvalues.Finally，agroupofUAVimagesarestitchedfromgrosserroreliminationrate，matchingaccuracyMatchtimetoevaluateimagequality.Theverificationresultsshowthatthegrosserroreliminationrateofmatchingpointsisimprovedby33.08%，thematchingaccuracyisimprovedby12.17%，thematchingefficiencyisimproved，andgoodresultsareobtained.

Keywords：multiscale;ConvolutionalNeuralNetwork（CNN）;imagematchingandsplicing;matchingaccuracy

无人机影像是快速、低成本地获取地理信息的重要手段之一，广泛应用于各个领域的信息提取和分析方面。与其他影像产品相比，无人机影像具有定位精度高、影像信息丰富等特点，在国土资源调查、土地权属调查中发挥着重要作用。实际应用中，无人机获取的影像图幅较小，很难满足后续工程生产需求，必须进行拼接处理。影像的拼接也是摄影测量生产中的重要环节，提升影像拼接的精度显得尤为重要[1-2]。

近年来，无人机影像拼接仍是研究热点之一。随机抽样一致算法（RandomSampleConsensus，RANSAC）对影像的粗差实现了大量删减以提升影像匹配精度，但可能导致原始影像失真。尺度不变特征变换（Scale-InvariantFeatureTransform，SIFT）空间尺度变化，首先构建尺度空间并检测极值点，后检测特征点主方向删除离散点。该方法的关键在于如何准确确定特征点主方向。研究表明，结合矢量数据，赋予主要地物更大的拼接權值，提高了算法速度，但对矢量数据现势性要求较高;利用图像相似性（位置、边缘）、位置约束、注意力模型，可以生成差异矩阵和动态有哪些信誉好的足球投注网站矩阵，但有哪些信誉好的足球投注网站量大且动态有哪些信誉好的足球投注网站准确度不高。

1基于多尺度的卷积神经网络匹配特征点

通过构建尺度金字塔，利用卷积神经网络（ConvolutionalNeuralNetwork，CNN）提取影像特征点，最后通过最临近值法完成影像匹配。匹配流程如图1

所示。

1.1尺度金字塔

利用高斯金字塔对影像进行分解。利用低通滤波和下采样得到高斯金字塔第一层，同样再对第一层影像进行滤波和采样处理得到第二层，并以此类推。设第i层影像为Ti，则有：

利用不同的高