[发明专利]基于Harris-SURF的无人机影像拼接方法及装置

权利要求书

1.一种基于Harris-SURF的无人机影像拼接方法，其特征在于，所述方法包括：

获取无人机的影像序列；

加载影像序列中的相邻影像；其中，所述相邻影像为两张，第一张影像作为参考帧，第二张影像作为当前帧；

确定相邻影像的重叠区域；

根据相邻影像的重叠区域，提取参考帧和当前帧的Harris特征点，获得参考帧和当前帧分别对应的特征点坐标集合；

确定特征点坐标集合中特征点的主方向，构建SURF特征描述子；

对特征点坐标集合进行特征光流优化匹配，生成当前帧相对于参考帧的单应性矩阵；

利用莱文贝格-马夸特算法对当前帧相对于参考帧的单应性矩阵进行优化计算；

利用优化计算的单应性转换矩阵，将当前帧变换到参考帧中，利用金字塔融合算法对变换帧和参考帧的重叠区域进行融合拼接，得到中间影像；

将中间影像作为新的参考帧，将该参考帧与相邻的下一帧作为相邻影像，返回重新确定相邻影像的重叠区域，并执行后续操作，直至影像序列中的所有影像拼接完成。

2.根据权利要求1所述的无人机影像拼接方法，其特征在于，所述提取参考帧和当前帧的Harris特征点，获得参考帧和当前帧分别对应的特征点坐标集合，具体包括：

计算参考帧和当前帧在X和Y方向的梯度I_x和I_y；其中，I_x为图像在x方向对其求导，I_y为图像在y方向对其求导；

计算三幅梯度图像和I_xy，并对三幅梯度图像分别进行高斯卷积；

计算高斯卷积后的梯度图像中每个像素点的响应值，对小于阈值的像素点置零；

在像素点邻域内进行非最大值抑制，将局部极大值点作为角点，获得参考帧和当前帧分别对应的特征点坐标集合。

3.根据权利要求1所述的无人机影像拼接方法，其特征在于，所述确定特征点坐标集合中特征点的主方向，构建SURF特征描述子，具体包括：

在关键特征点半径为6σ圆形领域内，计算特征点坐标集合中特征点的水平和垂直方向的Haar小波响应；其中，σ为尺度因子；

统计某个扇形区域内Haar小波响应的总和，扇形区域以一定角度绕着圆形区域旋转，选取最大值扇形方向作为特征点的主方向；

将特征点坐标为中心坐标轴旋转到主方向，在特征点周围选取a*a子区域，在每个子区域内统计Haar小波响应，在每个子区域内选取水平值、垂直值、水平绝对值和垂直绝对值这四个响应值作为子区域的特征向量。

4.根据权利要求1所述的无人机影像拼接方法，其特征在于，所述对特征点坐标集合进行特征光流优化匹配，生成当前帧相对于参考帧的单应性矩阵，具体包括：

计算特征点坐标集合的集合点L_i与L_j中各个特征的光流位移值d＝(u,v)集合，构建光流位移矢量差函数，如下式：

ε(d)＝∫∫_W[I_i(x+u,y+v)-I_r(x,y)]²ω(x,y)d(x,y)

其中，L_i为特征点坐标集合中h_i的集合点，h_i为参考帧的特征点坐标，i＝1,...,m；L_j为特征点坐标集合中h_i+1的集合点，h_i+1为当前帧的特征点坐标，j＝1,...,m；ω(x,y)为高斯窗口；

记录集合点L_i中每个特征在集合点L_j中最小距离的三个匹配对；

采用K最近邻算法对三个匹配对进行粗匹配，保留距离最近的一个匹配对；

利用随机抽样一致算法进行提纯，生成当前帧的影像转换矩阵。