甘 潔

（1.福建省基礎(chǔ)地理信息中心，福建 福州 350003）

基于局部不變性特征的無人機(jī)影像特征點(diǎn)提取

甘 潔1

（1.福建省基礎(chǔ)地理信息中心，福建 福州 350003）

針對(duì)不同尺度影像特征點(diǎn)提取的問題，提出了基于局部不變性特征的算法。以經(jīng)典的SIFT特征點(diǎn)檢測(cè)算法為參照，詳細(xì)分析了SURF特征點(diǎn)檢測(cè)算法，并通過實(shí)驗(yàn)從特征點(diǎn)提取速度和適應(yīng)性2個(gè)方面對(duì)Moravec、Harris、SUSAN、SIFT、SURF等算法進(jìn)行了比較。結(jié)果表明，SURF算法提取影像特征點(diǎn)的速度較快、適應(yīng)性較強(qiáng)。

影像；特征點(diǎn)提??；算法；局部不變性特征；SIFT；SURF

無人機(jī)影像具有高空間分辨率、時(shí)效性強(qiáng)、低成本、高安全性等優(yōu)點(diǎn)，在地理國(guó)情方面的應(yīng)用越來越廣泛。但受無人機(jī)飛行高度、數(shù)碼相機(jī)焦距和高空間分辨率的限制，單張無人機(jī)影像的覆蓋范圍有限，僅依靠單張影像，難以形成對(duì)整個(gè)區(qū)域的認(rèn)知，因此需要對(duì)大量無人機(jī)影像進(jìn)行拼接?？罩腥菧y(cè)量是傳統(tǒng)無人機(jī)影像的拼接方法，該方法雖然精度很高但需要布設(shè)大量地面控制點(diǎn)[1]、人工選點(diǎn)，耗費(fèi)大量時(shí)間和人力。如何準(zhǔn)確、快速地提取無人機(jī)影像的特征點(diǎn)成為無人機(jī)影像處理研究的熱點(diǎn)。

1 常用算法介紹

比較常用的特征點(diǎn)提取算法有Moravec算法、Harris角點(diǎn)檢測(cè)算法、SUSAN角點(diǎn)檢測(cè)算法等[2]。

Moravec算法是利用灰度方差提取點(diǎn)特征的算子，不考慮影像旋轉(zhuǎn)影響，原理相對(duì)簡(jiǎn)單，易于實(shí)現(xiàn)，但是該算法有可能將邊緣點(diǎn)和孤立點(diǎn)作為特征點(diǎn)，且對(duì)噪聲非常敏感[3]。Harris角點(diǎn)檢測(cè)算法是在Moravec算法基礎(chǔ)上改進(jìn)而來，具有旋轉(zhuǎn)不變性，噪聲的影響也較小，但對(duì)影像的尺度變化特別敏感[4]。SUSAN角點(diǎn)檢測(cè)算法是采用圓形模板在影像上移動(dòng)，不計(jì)算影像的梯度信息且不涉及影像的求導(dǎo)運(yùn)算，被廣泛應(yīng)用于邊緣點(diǎn)的檢測(cè)，但其閾值不好設(shè)定，有些弱邊緣上的角點(diǎn)不容易被檢測(cè)到，或是檢測(cè)出的角點(diǎn)位置不夠準(zhǔn)確[5]。

上述幾種算法都只涉及在一個(gè)影像尺度上提取特征點(diǎn)，當(dāng)影像的尺度發(fā)生變化或者旋轉(zhuǎn)比較大時(shí)則不適用。

2 SIFT算法

尺度不變特征變換（SIFT）是一種計(jì)算機(jī)視覺的算法，用來偵測(cè)和描述影像中的局部性特征。SIFT算法主要由構(gòu)建影像尺度空間、關(guān)鍵點(diǎn)精確定位、確定關(guān)鍵點(diǎn)方向、生成關(guān)鍵點(diǎn)描述符4個(gè)步驟構(gòu)成[6]。

2.1 構(gòu)建影像尺度空間及特征點(diǎn)精確定位

多尺度空間中的特征點(diǎn)可以通過高斯模糊技術(shù)和影像金字塔技術(shù)相結(jié)合來實(shí)現(xiàn)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(shù)，G（x，y，σ）=e-（x2+y2）/2σ/2πσ2；I（x，y）為影像在像素坐標(biāo)（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(gòu)成的三維空間中的局部極值點(diǎn)作為影像特征點(diǎn)，這樣求取的極值點(diǎn)并不一定都是影像的特征點(diǎn)，作為影像穩(wěn)定的特征點(diǎn)除了不能是邊緣點(diǎn)之外還需要有較高的對(duì)比度。通過鄰近像素對(duì)比度比較去除低對(duì)比度特征點(diǎn)，用三維二次函數(shù)擬合來去除邊緣特征點(diǎn)。影像特征點(diǎn)精確定位需要用一個(gè)二維像素坐標(biāo)和其所處的尺度空間來表示，通過對(duì)整個(gè)影像尺度空間進(jìn)行高斯差分，然后在構(gòu)造的高斯差分金字塔中進(jìn)行特征點(diǎn)檢測(cè)，就可以實(shí)現(xiàn)對(duì)影像特征點(diǎn)的精確定位。

2.2 影像特征點(diǎn)方向分配及描述符生成

影像特征點(diǎn)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(tǒng)計(jì)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(gè)單位，以10°為1個(gè)單位。以梯度直方圖梯度最大值（主峰值）為該特征點(diǎn)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(diǎn)的輔方向。特征點(diǎn)的方向是由一個(gè)主峰值方向和多個(gè)次峰值方向共同決定的，可以減少圖像旋轉(zhuǎn)對(duì)特征點(diǎn)的影響[8]。

一個(gè)特征點(diǎn)可確定一個(gè)SIFT特征區(qū)域，根據(jù)該特征區(qū)域可創(chuàng)建影像的SIFT特征描述符[9]。為了確保影像特征點(diǎn)具有旋轉(zhuǎn)不變性，應(yīng)將描述符坐標(biāo)軸旋轉(zhuǎn)到與影像特征點(diǎn)的同一個(gè)方向上，然后以特征點(diǎn)為中心取一個(gè)16×16的窗口 （特征點(diǎn)所在的行和列不?。⒃摯翱趧澐譃?個(gè)尺寸為8×8的子窗口，再將子窗口進(jìn)一步劃分4個(gè)尺寸為4×4的三級(jí)窗口。在4×4的三級(jí)窗口中計(jì)算各特征點(diǎn)8個(gè)方向上的梯度值并進(jìn)行累加，從而構(gòu)成一個(gè)4×4×8=128維的特征向量，將特征向量進(jìn)行排序并進(jìn)行歸一化處理，即可生成每個(gè)特征點(diǎn)的SIFT特征點(diǎn)描述符。

3 SURF算法

通過SIFT算法可以提取影像的特征點(diǎn)，但是該算法有一些不足之處：①SIFT算法本身比較復(fù)雜，參數(shù)較多，需要通過大量試驗(yàn)來確定最佳參數(shù)；②需要多次使用卷積運(yùn)算和梯度直方圖統(tǒng)計(jì)，進(jìn)行大量的浮點(diǎn)運(yùn)算，運(yùn)算效率比較低、耗時(shí)較長(zhǎng)[7,8]；③具有較強(qiáng)的邊緣響應(yīng)，會(huì)產(chǎn)生大量的邊緣特征點(diǎn)，需要用擬合二次三項(xiàng)式進(jìn)行去除。為了克服SIFT算法的不足，Bay等人在SIFT算法的基礎(chǔ)上提出了一種運(yùn)算速度更快、魯棒性較強(qiáng)的基于局部不變性特征的影像特征點(diǎn)檢測(cè)算法——SURF[10]。雖然SURF算法提取影像特征點(diǎn)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(gòu)建影像尺度空間及特征點(diǎn)檢測(cè)定位

構(gòu)建影像尺度時(shí)，SIFT算法主要采用的是影像金字塔與高斯模糊技術(shù)相結(jié)合，在這個(gè)過程中需要不斷對(duì)影像進(jìn)行亞采樣和高斯卷積運(yùn)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(shù)與原始影像進(jìn)行卷積，并采用積分圖像進(jìn)行運(yùn)算，大大提高了運(yùn)算效率。

在特征點(diǎn)檢測(cè)定位上，SURF算法通過計(jì)算Hessian矩陣行列式的局部最大值來確定影像特征點(diǎn)的位置。一幅二維影像中x點(diǎn)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(diǎn)x處與高斯二階倒數(shù)的卷積。為使通過Hessian矩陣提取到的影像特征點(diǎn)更加穩(wěn)定，還需要在尺度空間和影像空間中對(duì)極值附近的點(diǎn)進(jìn)行插值，去掉那些低對(duì)比度的特征點(diǎn)。由于箱式濾波不存在邊緣效應(yīng)，所以不用考慮邊緣特征點(diǎn)的影響。

3.2 影像特征點(diǎn)方向分配及描述符生成

為使SURF算法提取的影像特征點(diǎn)具有旋轉(zhuǎn)不變性，需要確定每個(gè)特征點(diǎn)的主方向。與SIFT算法不同，SURF算法首先是在以特征點(diǎn)為圓心、6σ為半徑的鄰近圓域內(nèi)，分別計(jì)算所有特征點(diǎn)在x、y方向上邊長(zhǎng)為4σ的Haar小波響應(yīng)向量。同時(shí)，根據(jù)各特征點(diǎn)離中心點(diǎn)的距離大小賦予每個(gè)方向向量不同的高斯權(quán)重，距離越小賦予的權(quán)重越大，反之權(quán)重越小，以此來削弱那些遠(yuǎn)離圓心的特征點(diǎn)對(duì)主方向構(gòu)建的影響。然后，以60°大小的窗口圍繞圓心旋轉(zhuǎn)，遍歷整個(gè)圓形區(qū)域一周后可得6個(gè)扇形區(qū)域。計(jì)算落入每個(gè)扇形區(qū)域內(nèi)的所有特征點(diǎn)的Haar小波響應(yīng)向量并進(jìn)行累加，形成了6個(gè)單獨(dú)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(diǎn)的主方向，其余方向作為該特征點(diǎn)的輔方向[12]。

在生成特征點(diǎn)描述符上，SURF算法是在確定特征點(diǎn)的主方向后，以特征點(diǎn)為中心，取一個(gè)20σ×20σ的正方形窗口，對(duì)該窗口進(jìn)一步劃分為4×4個(gè)小正方形區(qū)域，每個(gè)正方形小區(qū)域大小為5σ×5σ。對(duì)每個(gè)正方形小區(qū)域進(jìn)行Haar小波處理，分別計(jì)算Harr小波在相對(duì)于主方向的水平方向和垂直方向的響應(yīng)量dx和dy，并對(duì)響應(yīng)量賦予一定的權(quán)重，再對(duì)這25個(gè)響應(yīng)量及其絕對(duì)值進(jìn)行累加，最終得到一個(gè)四維向量（∑dx，∑dy，∑|dx|，∑|dy|）。把四維向量作為一個(gè)特征子區(qū)域的描述符，則每個(gè)特征點(diǎn)可形成一個(gè)4×4×4=64維向量，把該向量作為特征點(diǎn)的描述符[13]。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 提取速度比較

為了比較Moravec算法、Harris角點(diǎn)檢測(cè)算法、SUSAN角點(diǎn)檢測(cè)算法、SIFT算法與SURF算法提取影像特征點(diǎn)的效率，選取同一場(chǎng)景分辨率為256×256的一幅無人機(jī)影像，在Matlab中分別調(diào)用上述5種算法的可執(zhí)行程序?qū)υ撚跋襁M(jìn)行特征點(diǎn)提取，并統(tǒng)計(jì)它們提取的特征點(diǎn)數(shù)量以及特征點(diǎn)提取速度。

實(shí)驗(yàn)環(huán)境為Windows7操作系統(tǒng)、CPU酷睿i5 2.5 GHz、2 G內(nèi)存、編程語(yǔ)言C。實(shí)驗(yàn)結(jié)果如圖1、表 1所示，特征點(diǎn)提取速度為算法提取特征點(diǎn)所運(yùn)行時(shí)間的倒數(shù)。

從圖1、表1可以看出，同一影像中SIFT算法提取的特征點(diǎn)數(shù)量最多、速度最慢；Moravec算法提取特征點(diǎn)數(shù)量最少、速度最快。由于受影像尺度變化、旋轉(zhuǎn)、邊緣響應(yīng)的影響，Moravec算法、Harris角點(diǎn)檢測(cè)算法、SUSAN角點(diǎn)檢測(cè)算法和SIFT算法提取的特征點(diǎn)很多都不是角點(diǎn)，不能很好地反映影像的信息，而SURF算法提取的特征點(diǎn)則絕大多數(shù)為角點(diǎn)，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(diǎn)

表1 提取的特征點(diǎn)數(shù)量和提取速度

4.2 適應(yīng)性比較

特征點(diǎn)算法適應(yīng)性是指特征點(diǎn)算法對(duì)不同地區(qū)、不同地面成像條件、相同的參數(shù)設(shè)置下對(duì)影像提取特征點(diǎn)的重復(fù)率。計(jì)算特征點(diǎn)的重復(fù)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(diǎn)投影到另一幅影像上，對(duì)比計(jì)算2幅影像相同的特征點(diǎn)[14]。選取2幅不同地區(qū)、不同成像條件下的影像，分別利用5種算法對(duì)2幅影像進(jìn)行特征點(diǎn)提取，按照上述方法統(tǒng)計(jì)特征點(diǎn)重復(fù)率，見表2。

表2 特征點(diǎn)算法在不同地區(qū)、不同成像條件下的重復(fù)率/%

從表2可以看出，特征點(diǎn)算法重復(fù)率與所提取的影像特征有關(guān)，影像特征越明顯，其特征點(diǎn)算法重復(fù)率越高，但變化幅度不同。當(dāng)影像特征發(fā)生變化時(shí)，Harris算法重復(fù)率變化較小，比較穩(wěn)定；SURF算法提取特征點(diǎn)的重復(fù)率比其他算法大，所以SURF算法的適應(yīng)性比SIFT算法強(qiáng)。

[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(jī)遙感影像快速處理關(guān)鍵技術(shù)研究及實(shí)現(xiàn)[D].成都:電子科技大學(xué),2012

[3] 張祖勛,張劍清.數(shù)字?jǐn)z影測(cè)量學(xué)[M].武漢:武漢測(cè)繪科技大學(xué)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(yōu)化及其用于遙感影像自動(dòng)配準(zhǔn)[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)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(dòng)圖像拼接[J].計(jì)算機(jī)工程與科學(xué),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(yīng)用研究[D].大連:大連理工大學(xué),2012

[10] 王力勇.無人機(jī)低空遙感數(shù)字影像自動(dòng)拼接與快速定位技術(shù)研究[D].鄭州:信息工程大學(xué),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(xué),2010

[13] 張萬(wàn)華.基于區(qū)域SURF的圖像匹配算法研究[D].上海:華東理工大學(xué),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。