基于改進ORB和RANSAC算法的無人機影像特征匹配方法

丁進選，王麗欣，苗星雷

(1.深圳市長勘勘察設(shè)計有限公司，廣東 深圳 518003；2.黑龍江省測繪地理信息學(xué)會，黑龍江 哈爾濱 150080；3.哈爾濱北方防務(wù)裝備股份有限公司，黑龍江 哈爾濱 150050)

無人機航攝具有機動靈活、高效快速和作業(yè)成本低等優(yōu)點，在各領(lǐng)域得到廣泛的應(yīng)用[1-2]。由于在一些應(yīng)用中通常需要覆蓋整個研究區(qū)域的影像，因此需要對無人機獲得的影像進行拼接。影像特征匹配作為其中一項關(guān)鍵環(huán)節(jié)[3-4]，得到眾多研究者的關(guān)注。David Lowe等于1999年提出了著名的SIFT算法，并于2004年進行了改進[5]。Leutenegger等為解決SIFT算法實時性的問題，于2011年提出了BRISK算法[6]。Pablo等人于2012年提出了KAZE算法，但該算法對仿射畸變不耐受[7-8]。Rublee等人于2011年提出了一種對圖像的平移、旋轉(zhuǎn)、縮放等矩陣變換具有不變性的ORB算法，該算法具有計算速度快、占用內(nèi)存小等特點[9]，但是該算法尺度性較差。部分學(xué)者從不同角度對ORB算法進行了改進[10-11]，但是均未有效解決ORB算法尺度性弱的問題。

本文在總結(jié)和分析ORB算法優(yōu)缺點的基礎(chǔ)上， 提出一種改進的無人機影像匹配算法。該算法首先利用改進的ORB算法提取具有尺度不變特性的特征點，并在特征匹配階段基于改進的RANSAC算法進行誤匹配的剔除，最終實現(xiàn)無人機影像特征的精確匹配。

1 ORB算法的改進

傳統(tǒng)ORB算法分為特征點的檢測和描述兩部分，該算法具有對平移、光照和旋轉(zhuǎn)不變的特性[9]，但是由于該算法未給描述子提供尺度信息，因此該算法不具備尺度不變性[12]。因此當(dāng)影像尺度發(fā)生較大變形時，該算法性能表現(xiàn)較差。在ORB算法中，通常采用Harris角點函數(shù)對探測出的特征點進行排序，傳統(tǒng)的Harris角點函數(shù)不具備尺度信息。

因此本文針對上述問題通過對Harris角點函數(shù)改進以使檢測出的特征點具有尺度信息。

(1)

式中：σD是抵消縮放的微分尺度；σI是抑制噪聲的高斯函數(shù)，此處σI=SσD，S為經(jīng)驗值，通常取0.7，其構(gòu)造尺度空間的角點函數(shù)為：

cornerness=det(μ(x,σI,σD))-atrace2(μ(x,σI,σD)).

(2)

用LoG函數(shù)進行尺度檢測，則：

(3)

式中：σn代表特征點尺度函數(shù)。對函數(shù)進行檢測之后即可得到具有尺度信息的特征點。

2 RANSAC算法的改進

RANSAC作為一種經(jīng)典的特征點對誤匹配剔除算法，其首先采用無差別的方式在所有的特征點中進行隨機采樣，然后通過式(4)計算兩幅圖像之間單應(yīng)矩陣的轉(zhuǎn)換參數(shù)。

(4)

式中：(x,y)和(x′,y′)為待匹配點對坐標(biāo)，其中a0…a7表示兩幅圖像之間的平移、旋轉(zhuǎn)和縮放[13]。研究發(fā)現(xiàn)，粗匹配得到的部分特征點對存在較大的誤差，在經(jīng)典RANSAC算法中此部分點仍會被帶入單應(yīng)矩陣，這些誤匹配導(dǎo)致RANSAC算法計算速度減慢，計算效率降低。當(dāng)特征點數(shù)目較多時，上述缺陷變得尤為嚴(yán)重。因此本文引入空間一致性算法[14]的思想對RANSANC算法進行改進，通過空間一致性算法剔除誤匹配點、縮小抽樣點集樣本數(shù)，減少迭代次數(shù)。

空間一致性理論基本思想：如圖1所示為兩面相似的窗戶，若在每面窗戶上分別檢測出如圖1所示的12個特征點，對于左側(cè)窗戶中圓中心的紅色特征點，雖然其與右側(cè)窗戶中相同位置點的特征相同，但是考慮到其8鄰域特征點的信息，則可知這兩個特征點并不匹配，此即空間一致性理論的基本思想。

圖1 空間一致性理論基本思想

空間一致性理論基本原理：對于任一影像Ii，定義其對應(yīng)的尺度不變函數(shù)為:

NIi={(xj,yj,σj,dj)}.

(5)

式中：(xj,yj)是特征點中心對應(yīng)的坐標(biāo)；σj是圖像的尺度；dj是特征點對應(yīng)的描述子。

若將任一特征fi的鄰域集合定義為NGi(fi)，則該集合包含以(xj,yj)為圓心，rσj為半徑的圓內(nèi)的特征點，尺度范圍為(sminσj,smaxσj)。

NIi(fj)={fk∈f(Ii){fj}|‖(xk-xj,

(6)

式中:∧為取小運算。

設(shè)有一圖像對(I1,I2)，定義該圖像對特征點構(gòu)成的匹配點集為C，則可得：

C={(f1,f2)|f1∈f(I1)∧f2∈f(I2)}.

(7)

N(c)={(f1,f2)∈C|f1∈

(8)

3 改進算法實驗與結(jié)果分析

3.1 實驗方案

為驗證本文提出改進算法的普適性，本實驗選用了兩組具有代表性的無人機影像對，一組為城區(qū)包含建筑、道路和植被的影像對(研究區(qū)1)，另外一組為郊區(qū)包含灌木、草地和裸土的影像對(研究區(qū)2)，影像分辨率為640像素×426像素。分別采用本文改進算法和ORB+RANSAC算法對同一影像對進行特征點提取和匹配試驗，并從提取特征點個數(shù)、特征匹配用時、最終總匹配數(shù)等角度進行對比分析。本試驗的運行環(huán)境為：ThinkPad筆記本，處理器i5，CPU2.5 GHz，內(nèi)存8 G，Windows7 64位操作系統(tǒng)。

3.2 實驗結(jié)果與分析

3.2.1 實驗結(jié)果

為驗證本文提出算法的性能，首先對本文提出的改進算法和原算法(ORB+RANSAC算法)的特征點檢測性能進行實驗，然后進行匹配實驗，兩組影像對特征點檢測結(jié)果見圖2和圖3；基于改進算法的粗匹配和精匹配結(jié)果見圖4和圖5；特征點對個數(shù)和匹配等信息見表1；改進算法尺度不變性實驗結(jié)果如圖6所示。

圖2 研究區(qū)1特征點檢測結(jié)果

圖3 研究區(qū)2特征點檢測結(jié)果

圖4 基于改進算法的粗匹配結(jié)果

圖5 基于改進算法的精匹配結(jié)果

表1 算法性能比較

3.2.2 結(jié)果分析

通過圖2和圖3可知，對于本研究選取的城區(qū)影像對(即研究區(qū)域1)和郊區(qū)影像對(即研究區(qū)域2)，改進算法提取的特征點個數(shù)均有所增加；實驗結(jié)果表明，對于城區(qū)影像對右側(cè)的影像，原算法檢測出特征點500個，本文提出的改進算法檢測出特征點507個；對于郊區(qū)影像對右側(cè)的圖像，原算法檢測出特征點490個，本文提出的改進算法檢測出特征點538個。

通過圖4可知，對于本文提出的改進算法，在實驗所用的兩組影像對上進行粗匹配時仍存留一定的誤匹配。

表1的研究數(shù)據(jù)顯示本文所提出的改進算法在匹配精度上均有明顯提升。如對于城區(qū)影像對匹配精度由24.12%上升到38.20%，提高了14.08%；對于郊區(qū)影像對匹配精度由41.55%上升到61.06%，提高了19.51%，印證了本文改進算法在剔除誤匹配方面的有效性。

在匹配總用時方面，對于城區(qū)影像對，本文所提出的改進算法與原算法相比縮短了521 ms，效率提升約16%；而對于郊區(qū)影像對，本文算法用時比原算法減少559 ms，效率提升約19%。

通過圖6可知，本文提出的改進算法能夠有效克服影像尺度變化帶來的影響；對于研究區(qū)2當(dāng)影像尺度縮放為原尺寸80%時，改進算法識別出內(nèi)點59對，匹配精度為39.07%；當(dāng)影像尺度縮放為原尺寸70%時，改進算法識別出內(nèi)點33對，匹配精度為25.38%；隨著尺度變化的增大，改進算法匹配性能呈下降趨勢。

4 結(jié)束語

本文對ORB算法和RANSAC算法進行了研究，結(jié)合前人的研究對Harris角點函數(shù)進行了改進，并將空間一致性理論應(yīng)用到了RANSAC算法中，并選取兩組具有代表性的無人機影像進行實驗。實驗結(jié)果表明，本文設(shè)計的改進算法，在特征點識別、誤匹配剔除和尺度不變性方面的性能均有明顯的提升，表明本文提出的改進算法在無人機影像配準(zhǔn)方面的有效性，對解決影像配準(zhǔn)具有一定的借鑒作用。