基于局部不變性特征的無人機影像特征點提取

甘 潔

（1.福建省基礎地理信息中心，福建 福州 350003）

基于局部不變性特征的無人機影像特征點提取

甘 潔1

（1.福建省基礎地理信息中心，福建 福州 350003）

針對不同尺度影像特征點提取的問題，提出了基于局部不變性特征的算法。以經典的SIFT特征點檢測算法為參照，詳細分析了SURF特征點檢測算法，并通過實驗從特征點提取速度和適應性2個方面對Moravec、Harris、SUSAN、SIFT、SURF等算法進行了比較。結果表明，SURF算法提取影像特征點的速度較快、適應性較強。

影像；特征點提取；算法；局部不變性特征；SIFT；SURF

無人機影像具有高空間分辨率、時效性強、低成本、高安全性等優點，在地理國情方面的應用越來越廣泛。但受無人機飛行高度、數碼相機焦距和高空間分辨率的限制，單張無人機影像的覆蓋范圍有限，僅依靠單張影像，難以形成對整個區域的認知，因此需要對大量無人機影像進行拼接。空中三角測量是傳統無人機影像的拼接方法，該方法雖然精度很高但需要布設大量地面控制點[1]、人工選點，耗費大量時間和人力。如何準確、快速地提取無人機影像的特征點成為無人機影像處理研究的熱點。

1 常用算法介紹

比較常用的特征點提取算法有Moravec算法、Harris角點檢測算法、SUSAN角點檢測算法等[2]。

Moravec算法是利用灰度方差提取點特征的算子，不考慮影像旋轉影響，原理相對簡單，易于實現，但是該算法有可能將邊緣點和孤立點作為特征點，且對噪聲非常敏感[3]。Harris角點檢測算法是在Moravec算法基礎上改進而來，具有旋轉不變性，噪聲的影響也較小，但對影像的尺度變化特別敏感[4]。SUSAN角點檢測算法是采用圓形模板在影像上移動，不計算影像的梯度信息且不涉及影像的求導運算，被廣泛應用于邊緣點的檢測，但其閾值不好設定，有些弱邊緣上的角點不容易被檢測到，或是檢測出的角點位置不夠準確[5]。

上述幾種算法都只涉及在一個影像尺度上提取特征點，當影像的尺度發生變化或者旋轉比較大時則不適用。

2 SIFT算法

尺度不變特征變換（SIFT）是一種計算機視覺的算法，用來偵測和描述影像中的局部性特征。SIFT算法主要由構建影像尺度空間、關鍵點精確定位、確定關鍵點方向、生成關鍵點描述符4個步驟構成[6]。

2.1 構建影像尺度空間及特征點精確定位

多尺度空間中的特征點可以通過高斯模糊技術和影像金字塔技術相結合來實現精確定位[7]。一幅二維影像的尺度空間可以定義為：

式中，G（x，y，σ）為尺度可變的高斯函數，G（x，y，σ）=e-（x2+y2）/2σ/2πσ2；I（x，y）為影像在像素坐標（x，y）的灰度值；?為卷積操作；σ為影像尺度因子。

將通過高斯差分（DoG）影像尺度空間和影像二維平面所共同構成的三維空間中的局部極值點作為影像特征點，這樣求取的極值點并不一定都是影像的特征點，作為影像穩定的特征點除了不能是邊緣點之外還需要有較高的對比度。通過鄰近像素對比度比較去除低對比度特征點，用三維二次函數擬合來去除邊緣特征點。影像特征點精確定位需要用一個二維像素坐標和其所處的尺度空間來表示，通過對整個影像尺度空間進行高斯差分，然后在構造的高斯差分金字塔中進行特征點檢測，就可以實現對影像特征點的精確定位。

2.2 影像特征點方向分配及描述符生成

影像特征點的鄰域像素具有梯度方向分布特性，我們可以用梯度直方圖來統計鄰域像素的梯度方向。分別以鄰域像素的梯度方向大小和鄰域像素梯度值為梯度直方圖的橫軸和縱軸，梯度直方圖的橫軸共有36個單位，以10°為1個單位。以梯度直方圖梯度最大值（主峰值）為該特征點的主方向。如果有大于主峰值80%高度的其他峰值，則為該特征點的輔方向。特征點的方向是由一個主峰值方向和多個次峰值方向共同決定的，可以減少圖像旋轉對特征點的影響[8]。

一個特征點可確定一個SIFT特征區域，根據該特征區域可創建影像的SIFT特征描述符[9]。為了確保影像特征點具有旋轉不變性，應將描述符坐標軸旋轉到與影像特征點的同一個方向上，然后以特征點為中心取一個16×16的窗口 （特征點所在的行和列不取），并將該窗口劃分為4個尺寸為8×8的子窗口，再將子窗口進一步劃分4個尺寸為4×4的三級窗口。在4×4的三級窗口中計算各特征點8個方向上的梯度值并進行累加，從而構成一個4×4×8=128維的特征向量，將特征向量進行排序并進行歸一化處理，即可生成每個特征點的SIFT特征點描述符。

3 SURF算法

通過SIFT算法可以提取影像的特征點，但是該算法有一些不足之處：①SIFT算法本身比較復雜，參數較多，需要通過大量試驗來確定最佳參數；②需要多次使用卷積運算和梯度直方圖統計，進行大量的浮點運算，運算效率比較低、耗時較長[7,8]；③具有較強的邊緣響應，會產生大量的邊緣特征點，需要用擬合二次三項式進行去除。為了克服SIFT算法的不足，Bay等人在SIFT算法的基礎上提出了一種運算速度更快、魯棒性較強的基于局部不變性特征的影像特征點檢測算法——SURF[10]。雖然SURF算法提取影像特征點的過程與SIFT算法大體相似，但使用的方法卻不盡相同。

3.1 構建影像尺度空間及特征點檢測定位

構建影像尺度時，SIFT算法主要采用的是影像金字塔與高斯模糊技術相結合，在這個過程中需要不斷對影像進行亞采樣和高斯卷積運算。SURF算法主要采用不同大小的箱式濾波器[11]替代高斯二階函數與原始影像進行卷積，并采用積分圖像進行運算，大大提高了運算效率。

在特征點檢測定位上，SURF算法通過計算Hessian矩陣行列式的局部最大值來確定影像特征點的位置。一幅二維影像中x點在尺度σ下的Hessian矩陣H（x，σ）可以表示為：

式中，Lxx（x，σ）、Lxy（x，σ）、Lyy（x，σ） 分別是影像在點x處與高斯二階倒數的卷積。為使通過Hessian矩陣提取到的影像特征點更加穩定，還需要在尺度空間和影像空間中對極值附近的點進行插值，去掉那些低對比度的特征點。由于箱式濾波不存在邊緣效應，所以不用考慮邊緣特征點的影響。

3.2 影像特征點方向分配及描述符生成

為使SURF算法提取的影像特征點具有旋轉不變性，需要確定每個特征點的主方向。與SIFT算法不同，SURF算法首先是在以特征點為圓心、6σ為半徑的鄰近圓域內，分別計算所有特征點在x、y方向上邊長為4σ的Haar小波響應向量。同時，根據各特征點離中心點的距離大小賦予每個方向向量不同的高斯權重，距離越小賦予的權重越大，反之權重越小，以此來削弱那些遠離圓心的特征點對主方向構建的影響。然后，以60°大小的窗口圍繞圓心旋轉，遍歷整個圓形區域一周后可得6個扇形區域。計算落入每個扇形區域內的所有特征點的Haar小波響應向量并進行累加，形成了6個單獨方向的矢量。最后，選擇具有最大矢量和的方向作為該特征點的主方向，其余方向作為該特征點的輔方向[12]。

在生成特征點描述符上，SURF算法是在確定特征點的主方向后，以特征點為中心，取一個20σ×20σ的正方形窗口，對該窗口進一步劃分為4×4個小正方形區域，每個正方形小區域大小為5σ×5σ。對每個正方形小區域進行Haar小波處理，分別計算Harr小波在相對于主方向的水平方向和垂直方向的響應量dx和dy，并對響應量賦予一定的權重，再對這25個響應量及其絕對值進行累加，最終得到一個四維向量（∑dx，∑dy，∑|dx|，∑|dy|）。把四維向量作為一個特征子區域的描述符，則每個特征點可形成一個4×4×4=64維向量，把該向量作為特征點的描述符[13]。

4 實驗結果及分析

4.1 提取速度比較

為了比較Moravec算法、Harris角點檢測算法、SUSAN角點檢測算法、SIFT算法與SURF算法提取影像特征點的效率，選取同一場景分辨率為256×256的一幅無人機影像，在Matlab中分別調用上述5種算法的可執行程序對該影像進行特征點提取，并統計它們提取的特征點數量以及特征點提取速度。

實驗環境為Windows7操作系統、CPU酷睿i5 2.5 GHz、2 G內存、編程語言C。實驗結果如圖1、表 1所示，特征點提取速度為算法提取特征點所運行時間的倒數。

從圖1、表1可以看出，同一影像中SIFT算法提取的特征點數量最多、速度最慢；Moravec算法提取特征點數量最少、速度最快。由于受影像尺度變化、旋轉、邊緣響應的影響，Moravec算法、Harris角點檢測算法、SUSAN角點檢測算法和SIFT算法提取的特征點很多都不是角點，不能很好地反映影像的信息，而SURF算法提取的特征點則絕大多數為角點，能較好地反映影像的信息。

圖1 5種算法提取的影像特征點

表1 提取的特征點數量和提取速度

4.2 適應性比較

特征點算法適應性是指特征點算法對不同地區、不同地面成像條件、相同的參數設置下對影像提取特征點的重復率。計算特征點的重復率首先要算出2幅影像的變換矩陣，然后通過變換矩陣將一幅影像上特征點投影到另一幅影像上，對比計算2幅影像相同的特征點[14]。選取2幅不同地區、不同成像條件下的影像，分別利用5種算法對2幅影像進行特征點提取，按照上述方法統計特征點重復率，見表2。

表2 特征點算法在不同地區、不同成像條件下的重復率/%

從表2可以看出，特征點算法重復率與所提取的影像特征有關，影像特征越明顯，其特征點算法重復率越高，但變化幅度不同。當影像特征發生變化時，Harris算法重復率變化較小，比較穩定；SURF算法提取特征點的重復率比其他算法大，所以SURF算法的適應性比SIFT算法強。

[1] 諶一夫.高分辨率遙感影像幾何糾正方法[J].地理空間信息,2012,10(5):5-6

[2] 張歡.無人機遙感影像快速處理關鍵技術研究及實現[D].成都:電子科技大學,2012

[3] 張祖勛,張劍清.數字攝影測量學[M].武漢:武漢測繪科技大學出版社,1996

[4] Harris C,Stephens M.A Combined Corner and Edge Detector[C]. The 4th Alvey Vision Conference,1988

[5] Smith S M,Brady M.SUSAN-A New Approach to Low Jevel Image Processing[J].International Journal of Computer Vision, 1997,23(1):21-26

[6] Lowe D G.Object Recognition from Local Scale-Invariant Features[C].International Conference on Computer Vision, 1999

[7] 李芳芳,肖本林,賈永紅，等.SIFT算法優化及其用于遙感影像自動配準[J].武漢大學學報:信息科學版,2009,34(10): 1 245-1 247

[8] 李歡歡,黃山,張洪斌.基于Harris與SIFT算法的自動圖像拼接[J].計算機工程與科學,2012,34(11):104-108

[9] 江秋鑫.基于SIFT特征的圖像相似性度量及其應用研究[D].大連:大連理工大學,2012

[10] 王力勇.無人機低空遙感數字影像自動拼接與快速定位技術研究[D].鄭州:信息工程大學,2011

[11] Bay H,Tuvetllars T,Van G L.SURF: Speeded up Robust Features[C]. Conference on Computer Vision,2006

[12] 陳浩.基于SURF特征匹配算法的全景圖像拼接[D].西安:西安電子科技大學,2010

[13] 張萬華.基于區域SURF的圖像匹配算法研究[D].上海:華東理工大學,2011

[14] Schmid C,Mohr R,Bauckhage C.Evaluation of Interest Point Detectors[J].International Journal of Computer Vision, 2000,37(2):151-172

P231.5

B

1672-4623（2015）03-0047-03

10.3969/j.issn.1672-4623.2015.03.017

甘潔，工程師，主要從事遙感影像處理方面的研究。

2013-09-24。