[发明专利]基于机器学习和特征点识别的无人机图像快速拼接方法

权利要求书

1.一种基于机器学习和特征点识别的无人机图像快速拼接方法，其特征在于，包括以下步骤：

S1、实时获取无人机航拍采集的影像数据，从影像数据中随机指定基准影像，并通过无人机航拍过程中的经纬度信息确定基准影像的9张临近影像；

S2、采用基于GPU并行加速优化的改进SURF算法对基准影像以及9张临近影像同时进行特征关键点提取，并根据提取的特征关键点得到第一特征向量；

S3、对步骤S2提取的特征关键点在周围64×64的像素区域进行特征点裁剪，得到深度学习模型的输入影像；

S4、对训练好的VGG16深度学习模型进行剪枝，得到改进的深度学习模型；

S5、将深度学习模型的输入影像输入至改进的深度学习模型中，提取改进的深度学习模型中第一层全连接层的4096维特征向量；

S6、对步骤S5中提取得到的4096维特征向量进行PCA降维，得到第二特征向量；

S7、将第一特征向量和第二特征向量进行结合，得到新的特征向量描述子；

S8、根据新的特征向量描述子，采用基于最近邻和次近邻距离比值的方法对两幅影像中的特征点进行匹配，得到正确匹配的特征点对与错误匹配的特征点对；

S9、采用PROSAC算法剔除错误匹配的特征点对，得到两幅影像的变换矩阵；

S10、采用步骤S8～S9相同的方法同时计算9张临近影像到基准影像的变换矩阵，实现基准影像与9张临近影像的拼接；

S11、将9张临近影像分别作为基准影像，重复步骤S1～S10，实现所有影像的拼接；

所述步骤S2包括以下分步骤：

S21、将基准影像以及9张临近影像从主机存储器传输到GPU显示存储器；

S22、在GPU中对图像进行集成，生成完整的影像；

S23、固定影像不变，通过改变盒式滤波器来获取不同尺度的影像，构建SURF算法的尺度空间；

S24、由积分影像经过高斯滤波构造Hessian矩阵，经过盒式滤波器与影像卷积得到Hessian矩阵的判别式，当Hessian矩阵的判别式取得局部极大值时，判定该点为Surf算法的特征关键点；

S25、根据特征关键点，通过GPU并行计算的方式计算特征主方向；

S26、以特征关键点以及特征主方向为基准，通过GPU中的16个线程进行特征描述符计算，得到第一特征向量；

S27、将第一特征向量从GPU下载到CPU主机内存。

2.根据权利要求1所述的无人机图像快速拼接方法，其特征在于，所述步骤S25中计算特征主方向的具体方法为：

A1、在特征点的圆形邻域内，统计60度扇形区域内所有点的水平、垂直Haar小波特征值总和；

A2、将扇形区域以设定间隔进行旋转，再次统计扇形区域内所有点的水平、垂直Haar小波特征值总和；

A3、重复步骤A1～A2，直到统计完成圆形邻域中每个扇形区域内所有点的水平、垂直Haar小波特征值总和；

A4、将特征值总和最大的扇形方向作为该特征点的特征主方向。

3.根据权利要求1所述的无人机图像快速拼接方法，其特征在于，所述步骤S26中计算得到第一特征向量的具体方法为：

B1、以特征关键点以及特征主方向为基准，选取一个边长为20σ的正方形框，σ表示影像尺度；

B2、将正方形框分成16个子区域；

B3、分别计算每个子区域内所有像素的水平方向和水平方向绝对值之和的Haar小波特征，垂直方向和垂直方向绝对值之和的Haar小波特征，生成一个64维的第一特征向量。

4.根据权利要求1所述的无人机图像快速拼接方法，其特征在于，所述步骤S4中的VGG16深度学习模型要求输入的图片数据大小为224×224×3，初始卷积核的大小为3×3×3，步幅stride的大小为1，有效填充padding的大小为1，池化层pooling采用2×2的最大池化函数max pooling的方式。