李鵬俊，李建增

(軍械工程學(xué)院 無人機(jī)工程系，河北 石家莊050050)

0 引 言

圖像特征提取技術(shù)被廣泛地應(yīng)用于計算機(jī)視覺任務(wù)處理中，譬如:圖像拼接［1］、圖像檢索［2］、圖像配準(zhǔn)［3］、目標(biāo)識別［4］、SLAM 系統(tǒng)［5］等。興趣點檢測作為其中最關(guān)鍵的一步，一直是人們研究的熱點。在過去的40 多年里，人們提出了許多興趣點檢測算法，這些算法大多都集中研究圖像局部區(qū)域的不變性，包括旋轉(zhuǎn)不變性、尺度不變性和仿射不變性等。對無人機(jī)圖像進(jìn)行深入研究發(fā)現(xiàn)，利用定位與方向系統(tǒng)(positioning and orientation system，POS)數(shù)據(jù)對圖像進(jìn)行簡單的空間姿態(tài)校正后，可以削弱旋轉(zhuǎn)、尺度及仿射等變換，進(jìn)而可以將其忽略。

無人機(jī)在戰(zhàn)場進(jìn)行偵察作業(yè)時，往往會受到敵方的干擾，完成一次偵察任務(wù)往往需要多次飛行，導(dǎo)致拍攝的圖像很容易受光照、模糊和噪聲等非幾何變換的影響。同時，為使圖像能實時傳回到地面控制站進(jìn)行處理，還需要對圖像進(jìn)行壓縮傳輸。這些因素的存在都大大提高了興趣點檢測的難度。為此，本文利用區(qū)域重心抗干擾能力強的特性，提出了基于重心偏移量(offset of barycenter，OoB)的興趣點檢測算法。通過與幾種常用興趣點檢測算法實驗對比，結(jié)果表明:本文所提算法具有較強的魯棒性和抗干擾能力。

1 興趣點檢測

興趣點檢測是在圖像大量像素點中提取出具有某種特征的點集。自1977 年，Moravec 提出利用灰度方差進(jìn)行興趣點檢測以來，陸續(xù)有大量的興趣點檢測算法被提出。1988年，Harris C 等人［6］在其基礎(chǔ)上發(fā)展出了利用自相關(guān)矩陣進(jìn)行角點提取的Harris 算子，該算子提取角點速度較快，但抗干擾能力差。1994 年，文獻(xiàn)［7］提出的Shi－Tomasi 角點檢測算法對Harris 算法進(jìn)行改進(jìn)，提高了圖像仿射變換情況下的魯棒性。2006 年，Rosten E 等人［8］提出的FAST 角點檢測算法，具有很強的實時性，但對噪聲較為敏感。2008 年，Bayn H 等人［9］在SIFT 算法的基礎(chǔ)上提出了SURF 斑點檢測算法，該算法具有尺度不變性和較高的魯棒性，但算法需要建立多尺度空間，并不適合對無人機(jī)圖像的處理。

2 基于OoB 的興趣點檢測算法

文獻(xiàn)［10］將圖像看成是一塊質(zhì)量密度不均勻的薄板，那么，對應(yīng)的圖像各階矩就有其相應(yīng)的物理含義，如，零階矩為薄板總質(zhì)量，一階矩表示薄板的重心等。受此啟示，本文提出了基于OoB 的興趣點檢測算法。

2.1 區(qū)域重心

區(qū)域的矩是利用區(qū)域內(nèi)所有的點計算出來的，對噪聲具有較強的魯棒性［11］。設(shè)圖像的強度函數(shù)為f(x，y)，那么，可以定義圖像的p+q 階矩如式(1)

區(qū)域的重心是根據(jù)區(qū)域的零階矩和1 階矩計算出來，設(shè)區(qū)域的重心坐標(biāo)為Δ=(Δx，Δy)，其計算公式為

2.2 算法原理

定義OoB 指的是區(qū)域的幾何中心(形心)到重心之間的距離，如圖1 所示。它的大小在一定程度能表征圖像結(jié)構(gòu)的變化，偏移量越大，變化越劇烈，相應(yīng)的區(qū)域信息量越豐富。興趣點檢測總是希望其所在區(qū)域信息豐富，這樣在生成特征描述符時，更具獨特性。

基于OoB 的角點檢測算法流程如下:

1)對無人機(jī)圖像進(jìn)行預(yù)處理，利用POS 系統(tǒng)提供的姿態(tài)數(shù)據(jù)和高度信息對圖像進(jìn)行空間姿態(tài)校正。

圖1 檢測示意圖Fig 1 Detection diagram

2)設(shè)置局部區(qū)域半徑，計算局部區(qū)域像素圓的0 階和1 階矩。為了計算的結(jié)果嚴(yán)格符合區(qū)域圓范圍，對0 階和1階矩進(jìn)行修正。

3)根據(jù)步驟(2)計算的0 階和1 階矩計算重心坐標(biāo)。

4)根據(jù)重心坐標(biāo)和圓心坐標(biāo)計算局部區(qū)域的OoB，形成檢測響應(yīng)圖像。

5)利用非極大值抑制的方法，在5×5 的區(qū)域內(nèi)進(jìn)行極大值搜索，并設(shè)置閾值t，當(dāng)極大值大于所設(shè)閾值時，將其作為興趣點。

6)對興趣點進(jìn)行定位，直接使用區(qū)域的重心坐標(biāo)作為興趣點的位置坐標(biāo)。

3 實驗結(jié)果

3.1 評價指標(biāo)

本文給出了四項指標(biāo)，對算法的性能進(jìn)行對比分析，它們分別是整體復(fù)現(xiàn)率、單邊復(fù)現(xiàn)率、精確度及對應(yīng)點對數(shù)。

3.1.1 復(fù)現(xiàn)率

復(fù)現(xiàn)率評價指標(biāo)最早由Schmid C［12］提出，“復(fù)現(xiàn)率為兩幅圖像上檢測出來的一致點對數(shù)量占總觀測點數(shù)的百分比”。

1)記圖像Ii上檢測到的興趣點點集為{pointi}，圖像Ij上的點集為{pointj}

2)實際上，對于圖像Ii上一點pointi來說，很難精確地在圖像Ij上檢測到pointj，使之滿足pointj=Hji·pointi。而只需滿足pointi映射到pointj的ε 領(lǐng)域內(nèi)，即可認(rèn)為它們是一對對應(yīng)點對

3)復(fù)現(xiàn)率定義式如下

文獻(xiàn)［13］對以上復(fù)現(xiàn)率定義存在的問題與不足進(jìn)行了分析，并提出了兩種精確性更好的復(fù)現(xiàn)率評價指標(biāo):整體復(fù)現(xiàn)率與單邊復(fù)現(xiàn)率。

整體復(fù)現(xiàn)率

單邊復(fù)現(xiàn)率

整體復(fù)現(xiàn)率體現(xiàn)了兩幅圖像的相似程度;單邊復(fù)現(xiàn)率評價了興趣點應(yīng)對圖像變化的魯棒性。文獻(xiàn)［14］分析文獻(xiàn)［15］所用整體復(fù)現(xiàn)率計算方法可能導(dǎo)致在一些情況下計算的復(fù)現(xiàn)率不準(zhǔn)確，并給出了一種新的復(fù)現(xiàn)率計算方法如式(10)所示

經(jīng)過仔細(xì)對比，最終選用式(9)和式(10)作為復(fù)現(xiàn)率計算公式。

3.1.2 精確度

定義:在對應(yīng)點對中，圖像Ii上的興趣點經(jīng)單應(yīng)變換Hji映射到圖像Ij上，與Ij上對應(yīng)興趣點之間的偏差的平均水平，即

3.2 數(shù)據(jù)集

本文所用數(shù)據(jù)集如圖2 所示，這些圖像大多選自Mikolajczyk 提供的參考圖像。

圖2 數(shù)據(jù)集Fig 2 Data set

3.3 實驗結(jié)果

實驗對比結(jié)果如圖3 ～圖6 所示。

分析實驗結(jié)果發(fā)現(xiàn):1)不論是光照變暗、模糊增大、壓縮比提高還是噪聲加強，復(fù)現(xiàn)率都呈減小的趨勢，相應(yīng)的對應(yīng)點對的位置誤差呈增大趨勢，對應(yīng)點對數(shù)量呈減少的趨勢;2)不論是整體復(fù)現(xiàn)率，還是單邊復(fù)現(xiàn)率，OoB 算法的都要高一些。

圖3 光照變化Fig 3 Illumination changes

4 結(jié)束語

圖4 圖像模糊Fig 4 Image blur

圖5 圖像(JPEG)壓縮Fig 5 JPEG compression

圖6 圖像加噪Fig 6 Image adding noise

本文提出了一種新的無人機(jī)圖像興趣點檢測算法，該算法相比其它算法來說結(jié)構(gòu)簡單且具有較強的抗干擾能力。通過實驗，對比了光照、模糊、壓縮及噪聲對各興趣點檢測算法性能的影響。結(jié)果表明:1)在光照持續(xù)變暗、模糊程度變大、壓縮比提高和噪聲增大的情況下，各個算法的復(fù)現(xiàn)率和一致點對數(shù)都呈減小的趨勢，而相應(yīng)的誤差(即精確度)呈增大的趨勢;2)OoB 算法較其它幾種算法的復(fù)現(xiàn)率要高一些，特別是能體現(xiàn)算法魯棒性的單邊復(fù)現(xiàn)率;3)OoB 算法在光照變化和噪聲影響的情況下的單邊復(fù)現(xiàn)率趨勢曲線要比模糊和壓縮情況下的趨勢曲線變化要更加平緩，故在光照變化和噪聲影響的情況下OoB 算法的抗擾動能力更強。

本文只有在獲取POS 信息對無人機(jī)圖像進(jìn)行姿態(tài)和比例校正的基礎(chǔ)上，OoB 算法才能獲得最佳的性能，在具有重疊區(qū)域的圖像上能更穩(wěn)定地檢測出一致對應(yīng)點對。

［1］ Wu Yu，Yu Tao，Xie Donghai.Fast automatic stitching for images of unmanned aerial vehicle in emergency response［J］.Journal of Computer－Aided Design＆Computer Graphics，2013，25(3):410－416.

［2］ Schmid C，Mohr R.Local grayvalue invariants for image retrieval［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(5):530－535.

［3］ Wang Yuru，Huang Jianhua，Liu Jiafeng，et al.An efficient imageregistration method based on probability density and global parallax［J］.Int’l J Electron Commun(AEü)，2010，64(12):1148－1156.

［4］ Lowe D G.Object recognition from local scale－invariant features［C］∥Proceedings of the Seventh IEEE International Conference on Computer Vision，1999.

［5］ Gil A，Mozos O M，Ballesta M，et al.A comparative evaluation of interest point detectors and local descriptors for visual SLAM［J］.Machine Vision and Applications，2010，21(6):905－920.

［6］ Harris C，Stephens M.A combined corner and edge detector［C］∥Proceedings of the 4th Alvey Vision Conference，Manchester，UK，1988:147－151.

［7］ Shi J，Tomasi C.Good features to track［C］∥Proceedings 1994 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，NY，USA，1994:593－600.

［8］ Rosten E，Drummond T.Machine learning for high－speed corner detection［J］.Lecture Notes in Computer Science，2006，3951(1):430－443.

［9］ Bay H，Ess A，Tuytelaars T，et al.Speeded－up robust features(SURF)［J］.Computer Vision and Image Understanding，2008，110(3):346－359.

［10］Wei Weibo，Rui Xiaoting.Study on moment invariant method［J］.Fire Control and Command Control，2007，32(11):114－117.

［11］Zhang Yujin.Image engineering［M］.2nd ed.Beijing:Tsinghua University Press，2007.

［12］Schmid C，Mohr R，Bauckhage C.Comparing and evaluating interest points［C］∥Proceedings of the Sixth International Conference on Computer Vision，Bombay，India，1998:230－235.

［13］Smirnov P，Semenov P，Redkin A，et al.Toward accurate feature detectors performance evaluation［J］.Lecture Notes in Computer Science，2011，6962(1):51－60.

［14］Miao Zhenwei，Jiang Xudong.Interest point detection using rank order LoG filter［J］.Pattern Recognition，2013，46(11):2890－2901.

［15］Mikolajczyk K，Tuytelaars T，Schmid C，et al.A comparison of affine region detectors［J］.International Journal of Computer Vision，2005，65(1/2):43－72.