[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

说明书

本发明公开了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，首先选定一张基准影像，使其与其周围9张临近影像使用基于GPU并行加速优化的改进SURF算法进行特征点的提取，减少了基准影像多次提取特征点所耗费的时间，并减少了影像连乘累积误差，再使用机器学习计算的描述特征向量改进SURF算法的描述特征向量，大幅度提高特征点匹配的精度，实现影像配准。本发明基于SURF算法+机器学习+GPU+PROSAC算法+图像分块拼接技术，构建了一种无人机遥感影像快速高效的处理方法，速度比传统SURF算法运行更快，精度得到了大幅度提高，在实时性方面的发挥更突出。

技术领域

本发明属于全景图像拼接技术领域，具体涉及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的设计。

背景技术

全景图像拼接在摄影测量、计算机视觉、图像处理和计算机图形学等领域有着广泛的研究文献和若干商业应用。随着无人机在军事侦察、抗灾救灾、森林火灾监测、遥感遥测等领域的应用越来越广泛,它的独有特点吸引了越来越多的国内外专家学者投入到无人机关键技术的研究中。无人机图像拼接技术是运用图像拼接技术,将无人机航拍图像进行拼接,形成一幅大场景的直观易理解的图像。由于航拍图像的数据量大、数据处理时间长及作业强度高等问题的存在，如何高效的实现无人机航拍序列图像的拼接已经成为了一个热点研究问题。

为了得到大视场、高分辨率、高清晰度的无人机影像，需要将多幅小视场的序列图像进行拼接融合。目前应用最广泛的图像拼接方法为基于尺度不变换特征(sift)的图像拼接方法，该方法对图像旋转、缩放、尺度变换及光照差异等都具有很强的鲁棒性，但也存在原理复杂、计算量大、耗时长等缺点。现有的无人机影像拼接方法通过两幅影像配准结束在与下一幅影像进行拼接，直至所有影像拼接完成，虽然部分方法通过在重叠区范围内提取特征点，进行影像拼接，虽在一定程度提高了运算效率，但运算效率提高较低，这类拼接方式需对每一幅影像进行多次特征点提取、匹配等操作，耗费大量时间，无法满足实时性的要求，并且部分方法通过降低影像分辨率的方式进行快速拼接，虽然提高了算法运行时间，但丢失了大量影像细节信息，不利于后续的实际应用。现有技术中的拼接方法都或多或少的存在拼接效果不理想、冗余消息多、拼接效率低且拼接时间长的缺点，鉴于此，如何提供一种稳定性和拼接效果好、拼接时间短、拼接效率高的无人机航拍序列图像快速拼接方法是本领域技术人员需要解决的技术问题。

发明内容

本发明的目的是为了解决现有的无人机图像快速拼接方法存在拼接效果不理想、冗余消息多、拼接效率低且拼接时间长的问题，提出了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。

本发明的技术方案为：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，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。