一种多特征提取的实时鲁棒图像配准算法.docxVIP

一种多特征提取的实时鲁棒图像配准算法 1 无人机录像图像旋转的影响因素 随着传感器成像能力的快速普及和成像，航空相机成像设备已经成为推动地面成像的主要手段，在战场调查、公共安全、灾难分析、环境评估等领域发挥着重要作用。目前，手动分析和处理航色图像的内容已成为计算机视觉、模式识别和智能视觉监控的研究热点和先锋。 实时、鲁棒的图像配准是航拍视频电子稳像、全景图拼接和地面运动目标自动检测与跟踪的前提和关键技术, 其目的是精确估计序列帧间的几何变换关系.考虑到载台运动、摄像机平移、旋转、缩放等因素, 航拍序列的图像配准需要解决下列问题: (1) 旋转变化:载机转弯、光电吊舱转动造成的图像旋转变化. (2) 尺度变化:载机飞行高度差异、传感器观测镜头缩放带来的图像尺度变化. (3) 亮度变化:光照与大气状况变化, 以及摄像机自动白平衡, 使得航拍序列中同一地物的灰度发生较大畸变. (4) 视频抖动:由于无人机机身重量较轻, 其运动特性比较复杂, 在飞行过程中容易受到外界环境因素影响, 采集到的视频序列中往往出现抖动;为了从空中一定高度获取地面的高分辨率影像, 航空机载成像设备往往采用长焦距镜头, 这使得成像平台的微小运动将引起图像序列帧间的较大偏移, 严重降低画面的可视性. (5) 场景变化:一方面, 纹理丰富的复杂场景 (如建筑物密集的城区) 中往往含有数量众多的图像特征, 而过多的特征会影响算法的实时性;另一方面, 纹理单一的场景 (如田地) 却因为缺乏足够特征, 引起配准性能下降. (6) 实时性:算法的处理速度是决定其能否实际应用的关键. 图1给出航拍视频中经常出现的一些典型问题示例, 其中, 图1 (a) -图1 (d) 给出帧间可能出现的几何变化和亮度畸变, 包括:载机机动造成图像间出现大幅度的平移、旋转、尺度变化 (图1 (a) , (b) ) , 飞行中的载台振动引发的运动模糊 (图1 (c) ) , 环境亮度突变 (图1 (d) ) 等;图1 (e) 给出一组场景复杂度变化下的航拍序列示例, 该序列由无人机从低空获取, 拍摄的场景中交替出现了纹理和特征丰富的城区建筑 (图1 (e) , #289, #980) , 以及特征匮乏的农田 (图1 (e) , #365, #607) .可以看出, 图像的各类畸变和场景复杂度的反差给稳定的特征提取和匹配带来严峻挑战, 如何在上述复杂条件下, 进行精确、鲁棒、实时的图像配准是机载成像侦查系统设计的关键. 2 局部不变特征描述 许多经典的航拍视频配准算法都基于光流约束, 但该类算法存在以下不足:首先, 算法的推导建立在图像序列的高频采样假设基础上, 即以某一点为中心的较小图像窗口在帧间只有微小的平移量.当无人机机动、摄像机镜头摆动造成图像间存在较大位置、角度变化时 (如图1 (a) , (b) ) , 算法性能会急剧降低;其次, 光流约束方程是建立在色彩强度不变的假设之上, 因此该类算法对环境亮度变化、噪声干扰等引起的图像灰度畸变 (如图1 (d) ) 比较敏感. 由于在图像发生几何变化和灰度畸变下表现出良好的稳定性, 近年来, 基于局部不变特征 (Local invariant feature) 的图像配准算法受到国内外学者的普遍关注, 所谓不变特征是指在图像在几何变化、光照变化、噪声干扰时仍保持稳定性的图像局部特征点或特征区域, 该类算法的处理步骤主要包括不变特征检测和不变特征描述两部分. 不变特征检测的目的是在待匹配图像上独立检测出内容相同的区域.Lindeberg率先提出在归一化高斯拉普拉斯尺度空间, 通过局部极值检测定位特征所在的位置和尺度.Lowe同时在图像二维空间和双高斯差图像上 (Difference of Gaussian, DoG) 进行局部极值检测, 确定关键点, 最终实现算子对尺度和方向的不变性, 为了增加后继匹配的稳定性, Lowe在后处理中引入了去除低对比度和边缘点、增加辅方向等机制.2002年, Matas提出了一种最大稳定极值区域检测算法MSER (Maximally Stable Extremal Regions) , 用一种类似分水岭算法的思路对相似区域进行分割和定位特征.2006年Grabner采用箱滤波器快速的得到尺度空间, 并提出一种Fast-Hessian检测算法, 采用海森矩阵定位特征.Mikolajczyk通过大量实验比较, 指出尺度归一化高斯拉普拉斯函数的极值是最稳定的图像特征, 可精确定位不变特征位置和尺度.不变特征描述子是决定匹配性能的关键, 描述子可区分性高低将决定图像匹配的鲁棒性.典型的局部不变特征描述子可以大致分为以下几类: (1) 基于直方图分布的描述子.如SIFT、LBP (Local Binary Pattern)