[发明专利]一种基于多特征哈希学习的航拍图像快速匹配算法

说明书

技术领域

本发明涉及一种航拍图像快速匹配算法，特别是涉及一种基于多特征哈希学习的航拍图像快速匹配算法，属于数字图像处理技术领域。

背景技术

航拍图像匹配技术是计算机视觉、图像处理和计算机图形学邻域的研究热点，利用多幅具有重叠区域的图像产生高分辨率全景图像，在场景重建、灾害防治、环境监测、遥感图像等领域有着广泛的应用价值。由于航拍图像数据量大、分辨率高，如何构建高效的特征描述子是实现航拍图像快速匹配的关键。

航拍图像局部特征匹配主要分为两个步骤：特征点检测、特征描述子构建。通过对特征点邻域的像素灰度信息进行描述，即可得到该特征点的描述子，一般表示为向量形式。为了更精确的描述特征点以用于后续匹配，通常一种好的特征描述子需要满足如下性质：高区分性、高鲁棒性。高区分性要求特征点被独一无二地描述；高鲁棒性要求在不同图像上能识别出相同特征点。最近十几年，提出了很多高鲁棒性和高区分性的局部特征描述子，如SIFT、SURF。但这些特征描述子均属于手工设计的特征，且采用浮点型数值描述，运算速度慢、匹配复杂度高，不适用于大尺度、高分辨率的航拍图像匹配。

为了解决高维浮点型描述子的匹配问题，学者们提出采用二进制描述子进行特征点描述。运用二进制特征描述子进行航拍图像特征匹配具有很多优点，如运算速度快、占用内存空间少、匹配方法简单，通过汉明距离大小即可判断特征是否匹配。二进制特征描述子主要分为两类：一类是将高维的浮点型特征描述子进行降维、量化，获取简短的二进制特征描述子，使得高维描述子的相似性在汉明空间内仍能保留；另一类是直接从原始图像块中获取二进制串，通过强度信息差异选取二进制比特位，典型的方法有BRIEF，ORB，BRISK，FREAK等。二进制描述子将特征点表示为二进制串，可以大大提高运算速度，减少内存空间，但是该类描述子大多采用特征点邻域的单一特征，如灰度特征、梯度特征，得到的二进制描述子区分性不如浮点型特征描述子，用于航拍图像匹配时，匹配准确度不高。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种基于多特征哈希学习的航拍图像快速匹配算法，将特征点表示为二进制哈希码形式，解决基于传统浮点型特征描述子时匹配效率低的问题，并大幅提高特征描述子区分性和匹配准确度。

为了达到上述目的，本发明所采用的技术方案是：

一种基于多特征哈希学习的航拍图像快速匹配算法，其包括以下步骤：

1)输入航拍图像f₁、f₂，根据航拍图像的航向重叠率α选取匹配区域f；

在匹配区域f内采用FAST-9算法提取特征点，获取特征点集{(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_n,y_n)}，i∈[1,n]，n为自然数；其中，(x_i,y_i)为坐标形式的某一特征点；

2)对获取到的特征点(x_i,y_i)进行多特征描述，得到其特征向量其中，F_i1,F_i2,F_i3为不同维度的特征，为梯度特征，为平均强度特征，为强度比较特征，m＝m₁+m₂+m₃；

3)通过核方法将特征向量F_i映射到统一的核空间K；

4)选取训练样本数据，在统一的核空间K内学习样本特征点的二进制哈希码{c₁,c₂,…,c_n}和生成哈希函数集H(·)＝{h₁(·),...,h_k(·),...,h_r(·)}，h_k(·)为哈希函数，k∈[1,r]，r表示哈希码的位数；

5)根据哈希函数集H(·)，将匹配区域f提取的特征点进行二进制哈希码描述，在汉明空间内依据汉明距离大小进行快速匹配。