SIFT圖像配準算法在油田無人機技術中的應用

楊光熙

摘要：在油田安防工作中，視頻監控是一個重要環節，近年來無人機技術的發展，不僅減少人工巡檢的工作量，更提高對異常情況進行響應的及時性。由于無人機行進過程中，針對同一物體獲取到的圖像以及視頻資料可能來自不同角度，導致無人機自動識別目標的難度增加，無法達到自動導航的效果。針對這一問題提出可行性改進方案，將SIFT圖像配準算法應用到實際設備中，提取圖像特征點，并計算每個特征點的描述符，提高特征點匹配的準確性。

關鍵詞：油田安防；配準；特征點；特征描述符

一、前言

視頻監控是油田生產中的重要技術手段，油田安防系統中，工作人員可以通過攝像頭對現場進行監控。當現場出現設備故障等意外時，視頻數據將作為后續處理故障以及追責的重要依據。大慶油田幅員遼闊，因此對于施工作業現場的影像資料通過人工獲取的成本較大，此外，對于異常情況的響應速度也較慢，無法在第一時間獲取現場的影像資料。在這些困難存在的情況下，無人機技術的應用成為必然的趨勢。無人機能夠快速到達現場，節約人力成本，提高異常情況的響應速度。但是目前的無人機仍需要操作員進行遠程控制，無法做到自動識別并鎖定目標。究其原因，是由于無人機攝像頭對于目標的識別準確性不高，針對同一物體，從不同角度進行拍攝，無法從獲取到的圖像中識別出同一目標，從而進行圖像的匹配。SIFT（尺度不變特征變換）[1]算法是David G.Lowe教授于1999年提出的匹配算法，它的基本原理基于不變量描述符的匹配。經典SIFT算法對圖像配準[2]技術具有重大意義，它有如下的兩個主要特點：①算法針對圖像局部特征進行提取，因此對于圖像場景中的仿射變換、明暗轉換等因素的影響下，可以具備良好穩定性；②在一些圖像中，我們直接通過肉眼并不能在影響因素存在的條件下輕易識別出物品，但在提取特征點時，該算法可以識別到圖像中極其細微的特征，并為大量特征點建立特征描述符。本文中提出采用SIFT算法對油田監控圖像進行配準的設想。

二、SIFT算法原理概述

計算機視覺的一項重要功能就是，通過攝像機拍攝的圖像，經過特殊算法，獲取到圖像場景中的幾何關系，并能夠識別物體。空間物體表面的三維空間位置與圖像中相應物體的三維空間關系是可以通過一定的轉換關系進行關聯的[3]。而這種現實中物體的三維幾何特征到圖像中相應物體的特征，二者之間的轉換關系就是攝像機的參數，在攝像測量的過程中，也涉及需要這種攝像機參數的情況，因此，如何獲取準確的攝像機參數也成為多年以來的熱門研究課題，這種計算攝像機參數的過程就被稱為攝像機標定。而通過攝像機參數來對圖像進行處理，將兩幅圖像進行匹配的過程被稱為圖像配準。

圖像配準的最基本工作就是找到圖片中最有代表性的亮點或暗點，也就是特征點[4]。由上述可知，特征點的一大特點就是，必須能夠在盡可能多的干擾情況下依然突出，保證其特別性，才能作為描述圖像中物體特性輪廓的點。SIFT算法在分析了多種影響因素的情況下，引入了通過尺度空間來鎖定圖像特征點的方法。即認為，能夠在不同尺度下依然能夠保持突出的點，就是圖像的特征點。SIFT算法的步驟大致分為：①對圖像進行不同尺度的模糊，建立高斯金字塔。②對高斯金字塔進行進一步處理，相鄰圖像做差，建立DoG金字塔[5]。③獲取每一張圖的局部極值點，即最能克服尺度變化依舊保持特殊的點。④極值點篩選，留下特征足夠明顯的極值點，作為特征點。⑤對每一個特征點建立描述符，描述特征點，以便后面進行匹配。⑥將兩幅圖中特征描述符最接近的點進行匹配，獲得最終匹配結果。算法具體過程解釋如下。

（一）建立高斯金字塔

構建尺度空間的過程可以理解為在不同程度上對圖像進行模糊，以便從中提取能夠保持穩定特性不受尺度影像的特征。在提取時，需要建立包含各種不同尺度圖像的空間模型。我們稱這個構建出的模型為金字塔，它的作用是在各種尺度上對目標圖像提取出穩定的特征點。Koenderink等教授經過試驗證實，在尺度空間引入高斯函數的方法是最適合對圖像進行處理的。

當比例因子連續增加時，可以獲得一系列模糊程度逐漸增加的圖像。隨著每個級別圖像的比例逐層增加，其模糊程度也逐漸增加，最終結果是，當前圖像的尺寸以及所占內存都是上一級別圖像的一半。此處建造的高斯金字塔有o個級別，每個級別都有s個級別。在同一級別中，兩個相鄰級別之間的比例為k。

（二）建立DoG金字塔

Lowe教授在論文中指出，對特征點進行檢測的過程要在尺度不變的條件下才有意義。因此，怎樣在圖像中提取出克服尺度變化的特征，是非常重要的問題。林德伯格指出，歸一化的LOG算子具有良好的尺度不變性。

在計算方面，DoG算子只需要利用尺度相鄰的上下層圖像進行相減，這個過程獲取到目標的輪廓特征。利用高斯差分算法，可以得到目標圖像上每一個像素值的變化趨勢以及變化值，從而有效提取目標圖像所有像素中變化最大的點。在使用高斯差分算子對圖像進行處理的基礎上，進一步建立高斯金字塔（DoG金字塔）。

（三）局部極值點的檢測

提取關鍵點的過程是在DoG金字塔中的圖像上進行的，為了尋找DoG函數的極值點，目標圖像的每一個像素都要和它周圍的8個相鄰像素進行灰度值比較，看該像素是否為鄰域內的極值點。

對每一個檢測點來說，它不僅要和同一尺度的8個相鄰點進行比較，還需要與它上下相鄰尺度圖像中的9×2個點進行比較，即比較范圍為三維空間中的26個相鄰點，確保在縱向上的尺度空間和橫向上的圖像空間都進行極值點檢測，類似于魔方中心塊與周圍相鄰小塊進行比較。

由上述原理敘述可知，在尺度空間提取極值的過程中，每一組圖像的最上和最下兩層是無法進行極值比較的。為了解決這個問題，使尺度連續變化，在每組圖像的頂部通過高斯模糊的方式生成三幅圖像，這樣就保證了原來的最上層圖像也有與之進行鄰域比較的參考。

（四）特征點的精確定位和進一步過濾

在上述過程之后，可以初始提取圖像中的關鍵點。然而，由于DoG對噪聲和邊緣敏感，在尺度空間中檢測到的局部極值點需要進一步篩選，過程如下：

（1）刪除對比度低的點

為提高特征點的穩定性和準確性，需要在尺度空間模型中執行DoG函數的曲線擬合，進而去除對比度比較低的點。

（2）刪除邊緣點

為了保證特征點的穩定性，僅去除具有低對比度的點是不夠的。由于DoG函數在圖像邊緣具有很強的邊緣響應，因此我們需要對圖像中的邊緣點進行進一步篩選。

通過上述兩個過程（1）和（2），將篩選過濾掉大量特征點，留下更穩定和更準確的像素坐標。這個過程對于建立特征描述符的工作至關重要。

（五）建立特征描述符

1.特征點的方向關聯。圖像配準算法中的最大問題是，如何解決圖像內場景旋轉帶來的影響。通過前幾步所提取關鍵點的鄰域像素的梯度特性，為每個關鍵點設置一個主方向，從而特征描述符增加了一項方向信息，在特征描述符的匹配過程中可以考慮方向因素，達到使描述符旋轉不變的目的。

在上述步驟之后，已經檢測到圖像的關鍵點，并且獲得的每個關鍵點包含三個重要信息：特征點的位置坐標、特征點的比例和特征點的主要方向。這樣保證了提取出的關鍵點具有旋轉以及縮放保持不變的特性。

2.創建功能描述符。建立描述關鍵點本身以及關鍵點周圍像素特征的描述符來對關鍵點進行唯一性身份賦予，描述符能夠包含足夠的特殊性信息。通過調節描述符向量參數信息，獲取效果最好的向量維度，既保證了篩選出足夠數量和質量的特征點，又保證了算法的運行效率。通過大量實驗結果表明，該描述符采用4×4×8=128維向量，具有最佳的抗噪聲能力和匹配魯棒性，同時保證了描述符計算過程的速度。

3.特征描述符的匹配。選擇一幅參考圖像，以及一幅目標圖像，通過之前的幾個步驟分別計算兩張圖像的特征點，并計算每個特征點的描述符。將兩張圖像所有的特征點的特性描述符進行對比，并為目標圖像中的每個特征點找到與之最為匹配的參考圖像中的特征點，即找到兩幅圖中特征描述符最為接近的點對。

兩張圖的匹配可以用窮舉法耗時太長，因此使用建立kd樹的方法來實現特征描述符的匹配。對比參考圖像的關鍵點，在目標圖像中查找最接近參考圖像關鍵點的特征點。如果兩個匹配點之間的距離除以固定最近距離的商值小于預設閾值，則將接受這對匹配點，而預設的閾值可以通過實際圖像的復雜程度進行調整，以便找到最佳閾值。整個算法過程的流程圖如圖1所示。

三、SIFT算法的實際效果展示

（一）SIFT算法的實際圖像效果示例圖展示

上文中講述了SIFT算法的原理，本節中參考Lowe教授的文章，將SIFT算法進行實現。通過在不同尺度中檢測圖像像素的極值點、篩選最具唯一性身份信息的特征點、為每個特征點分配方向以及灰度信息、建立特征描述符的基本過程，即完成了算法，可以得到目標圖像與參考圖像中相應的特征點匹配。

為了能夠驗證算法的準確性，檢查圖像特征點的匹配效率，需要利用真實場景圖像進行實際的配準操作。對同一物體進行不同方式的拍攝，比如不同角度或者不同明暗，獲取同一物體的不同圖像。對采集到的圖像進行算法處理，獲取圖像對的特征點，并進行匹配，通過連線將兩幅圖中的特征點進行連接，一目了然地檢查特征點的匹配準確度。

SIFT算法匹配效果的示例圖如圖2所示（所用的圖像由數據集中隨機選取而來）。

（二）SIFT算法在圖像庫中的匹配效果統計

為了檢測上述SIFT算法對多模圖像的特征點匹配準確率，需要用大量的圖像進行實驗，并對效果進行統計。本人在瑞士洛桑聯邦理工學院的官方網站上獲取包含大量實驗圖像對的數據包，其中的圖像均來自大量實際景物拍攝，即包含村莊田地等自然景物，又包含建筑街道等城市中的場景。用這些包含不同事物的圖像來進行配準實驗，并將配準誤差做統計，以表格的形式保存。

分別計算每個圖像庫中多模圖像對的特征點配準誤差，以誤差的像素數目作為匹配效果的參考標準。分別將誤差像素數目分布在0～2，2～5，5～10，10～20，20～50，50～100以及大于100共七個范圍內的點對數目進行統計，并將不同誤差范圍內點對數所占的百分比進行計算。統計結果如表1所示。

四、算法效果總結以及在油田中的應用前景分析

（一）算法效果總結

前章詳細敘述圖像匹配經典算法SIFT的原理，分步說明該算法提取特征點、建立特征描述符以及匹配特征描述符的基本過程，利用實景圖像進行特征點匹配實驗。經過大量圖像進行特征描述符的計算以及匹配，獲取每對特征點匹配的誤差，將誤差分布進行統計。實驗可以得出結論，上述圖像匹配經典算法效果良好，對于內容復雜的場景圖片，可以進行特征點匹配。

（二）SIFT圖像配準算法在油田中的應用

大慶油田產量高，區域廣，安防工作是十分關鍵的內容，施工作業現場以及設備故障現場視頻資料的獲取有著重要意義。隨著計算機視覺技術的發展，如何利用計算機程序來完成人工的工作，是提高監控效率的重要研究方向。

無人機的特點是監控范圍廣，大大減少人工巡檢的工作量，節約人力成本，同時有效提高故障的響應效率，盡快到達現場，有利于統一管理。傳統方式對于操作員的依賴性較大，若能使無人機自動獲取并鎖定目標，則可完全脫離人工，自動到達現場，進一步減少人工成本，且提高故障響應效率。本文介紹的算法可以應用于油田場景圖像的匹配，對于目標的識別以及鎖定得到較好的效果。

五、結語

SIFT圖像配準算法可以通過檢測不同尺度空間中的圖像的極值點、對初步檢測到的特征點進行過濾、為每個過濾后的特征點分配方向、建立特征描述符、對特征點進行分類、對目標圖像和參考圖像之間的對應特征點進行匹配，以及匹配兩個圖像中所有特征點的特征描述符。目的是識別和匹配兩張圖片中的相同目標。作為計算機視覺的一個重要研究方向，SIFT圖像配準算法的相關研究工作已受到國內外眾多高校和企業的關注。

實驗表明，該算法穩定高效，能夠在短時間內處理大量圖像，能夠滿足實際工程的實時性要求。使用該算法對大量圖像進行匹配，取得了良好的效果。在后續的研究中，該算法將應用于油田場景圖像進行實驗，并進一步研究和改進其在油田視頻監控中的效果。

參考文獻

[1]David G.Lowe.Distinctive Image Features from Scale-Invariant Keypoints.[J].International Journal of Computer Vision，2004，60（2）：91-110.

[2]洪貝，孫繼銀.圖像配準技術研究[D].西安：第二炮兵工程學院，2006.

[3]何文峰，查紅彬.基于平面特征的深度圖像配準[D].北京：北京大學，2006.

[4]章毓晉.圖像理解與計算機視覺[D].北京：清華大學出版社，2000.

[5]Baba C.Vemuri et al.An efficient motion estimator with application to medical image registration[J].Medical Image Analysis，1998，2（1）：79-98.