何海清

(武漢大學(xué)測(cè)繪學(xué)院，武漢 430079)

一種無(wú)人機(jī)影像分塊的亞像素角點(diǎn)快速檢測(cè)算法

何海清

(武漢大學(xué)測(cè)繪學(xué)院，武漢 430079)

為滿足無(wú)人機(jī)(unmanned aerial vehicle，UAV)影像角點(diǎn)快速檢測(cè)的需要，針對(duì)Harris角點(diǎn)檢測(cè)算法提取的角點(diǎn)是像素級(jí)的、且存在定位不精確和計(jì)算效率低的問(wèn)題，提出了一種改進(jìn)的、適用于無(wú)人機(jī)影像的角點(diǎn)檢測(cè)算法。該算法首先根據(jù)最近鄰域和對(duì)角鄰域方向相似像素點(diǎn)特征數(shù)目初步篩選角點(diǎn);然后對(duì)無(wú)人機(jī)影像進(jìn)行分塊處理，進(jìn)行Harris自適應(yīng)角點(diǎn)檢測(cè);最后，利用加權(quán)最小二乘歐幾里德距離實(shí)現(xiàn)了亞像素角點(diǎn)的快速精確定位。實(shí)驗(yàn)驗(yàn)證了該算法的有效性和可行性，所檢測(cè)的角點(diǎn)分布均勻，顯著提高了角點(diǎn)檢測(cè)速度。

無(wú)人機(jī)(UAV)影像;Harris算法;角點(diǎn)檢測(cè);亞像素角點(diǎn);歐幾里德距離

0 引言

近年來(lái)，無(wú)人機(jī)(unmanned aerial vehicle，UAV)低空數(shù)字?jǐn)z影測(cè)量(以下簡(jiǎn)稱無(wú)人機(jī)航測(cè))作為新興的測(cè)量技術(shù)發(fā)展迅猛，在資源勘查、城鎮(zhèn)建設(shè)、防災(zāi)減災(zāi)以及應(yīng)急保障等方面發(fā)揮了重要作用。然而，無(wú)人機(jī)航測(cè)存在平臺(tái)姿態(tài)不穩(wěn)定、獲取的影像數(shù)據(jù)量大等問(wèn)題，這給影像數(shù)據(jù)后期處理帶來(lái)了困難。在無(wú)人機(jī)影像內(nèi)業(yè)處理中，像對(duì)間特征點(diǎn)的提取是數(shù)據(jù)處理的重要步驟之一。然而，由于單個(gè)測(cè)區(qū)無(wú)人機(jī)影像多達(dá)幾百?gòu)埳踔辽锨?，因此，全自?dòng)精確快速提取影像特征點(diǎn)是一項(xiàng)非常迫切的工作。國(guó)內(nèi)外學(xué)者對(duì)影像特征點(diǎn)檢測(cè)展開(kāi)了廣泛研究。目前，最為流行的是應(yīng)用SIFT算法提取特征點(diǎn)，但該算法速度較慢，難于滿足對(duì)無(wú)人機(jī)影像快速檢測(cè)的需要。最具代表性且速度較快的角點(diǎn)檢測(cè)算法有Moravec，Harris和SUSAN等算法，其中Harris算法最為常用［1］。然而，Harris提取的角點(diǎn)是像素級(jí)的，角點(diǎn)位置可能發(fā)生偏移，難于滿足攝影測(cè)量精度要求;同時(shí)，在Harris角點(diǎn)提取中，由于模板卷積運(yùn)算過(guò)多，計(jì)算量大，難于滿足無(wú)人機(jī)航測(cè)大數(shù)據(jù)量快速處理的需求。為此，許多學(xué)者對(duì)Harris算法進(jìn)行了改進(jìn)，并將其應(yīng)用到遙感數(shù)據(jù)處理中。具有代表性的有Mikolajezyk等人［2］提出的尺度與仿射不變性的Harris角點(diǎn)檢測(cè)法;Rosten等人［3］提出的基于機(jī)器學(xué)習(xí)的Harris快速角點(diǎn)檢測(cè)法;白瑞林等人［4］提出的X型靶標(biāo)亞像素角點(diǎn)提取法;郭永芳等人［5］提出的Harris與MIC相結(jié)合的快速角點(diǎn)檢測(cè)法;王崴等人［6］提出的通過(guò)統(tǒng)計(jì)像素點(diǎn)八鄰域相似的像素點(diǎn)數(shù)目剔除非角點(diǎn)的Harris算法;楊常清等人［7］采用改進(jìn)的Harris算法進(jìn)行航空影像自動(dòng)配準(zhǔn);王志強(qiáng)等人［8］通過(guò)Harris角點(diǎn)預(yù)處理加快航空影像鑲嵌中特征點(diǎn)檢測(cè)速度，等等。但上述改進(jìn)的Harris角點(diǎn)檢測(cè)方法不能同時(shí)兼顧提取的亞像素精度及算法的高效率，從而難于滿足無(wú)人機(jī)航測(cè)中角點(diǎn)精確、快速檢測(cè)的需要。

本文針對(duì)Harris角點(diǎn)檢測(cè)算法存在的定位不精確等問(wèn)題，并為實(shí)現(xiàn)Harris算法在無(wú)人機(jī)影像處理中自動(dòng)精確快速的角點(diǎn)檢測(cè)，通過(guò)角點(diǎn)初篩選，剔除無(wú)人機(jī)影像中較為平滑區(qū)域的非角點(diǎn)和偽角點(diǎn)，然后對(duì)影像進(jìn)行分塊處理，利用最小二乘加權(quán)法來(lái)修正Harris初始角點(diǎn)坐標(biāo)，從而實(shí)現(xiàn)無(wú)人機(jī)影像亞像素角點(diǎn)精確快速定位。實(shí)驗(yàn)表明，該方法在無(wú)人機(jī)影像角點(diǎn)檢測(cè)中具有較強(qiáng)的實(shí)用性。

1 Harris角點(diǎn)檢測(cè)算法

Harris角點(diǎn)檢測(cè)算法［1］是 Harris和 Stephens通過(guò)對(duì)Moravec角點(diǎn)檢測(cè)算法［9］進(jìn)行改進(jìn)后提出的。Moravec算法不能準(zhǔn)確提取全部角點(diǎn)，對(duì)孤立像素點(diǎn)、噪聲和邊緣的強(qiáng)度變化較為敏感，角點(diǎn)不具有旋轉(zhuǎn)不變性［10］。Harris角點(diǎn)檢測(cè)算法改進(jìn)了Moravec算法的上述不足，利用微分算子計(jì)算像素點(diǎn)在任意方向上的灰度變化，當(dāng)目標(biāo)像素點(diǎn)的角點(diǎn)響應(yīng)函數(shù)值CRF(corner response function)大于設(shè)定的閾值時(shí)，則把該像素點(diǎn)視為角點(diǎn)。在Harris算法中，像素點(diǎn)I(x，y)灰度變化表示為

式中:u，v分別為 X，Y方向上的鄰域范圍;wu，v=exp［－(u2+v2)/2σ2］為高斯濾波。

式(1)還可表示為

式中M為圖像X，Y方向上與梯度自相關(guān)函數(shù)相聯(lián)系的矩陣，表示為

式中:Ix，Iy分別為圖像X，Y方向的一階梯度。若自相關(guān)矩陣M的2個(gè)特征值(α，β)都相對(duì)較大，則把該像素點(diǎn)視為角點(diǎn)。為了更好地檢測(cè)角點(diǎn)，采用角點(diǎn)響應(yīng)函數(shù)值CRF來(lái)確定角點(diǎn)，計(jì)算式為

式中:det M=α β;tr M=α +β;k為常數(shù)項(xiàng)，其取值范圍為0.04～0.06。設(shè)定CRF閾值并執(zhí)行非極大值抑制，當(dāng)CRF大于設(shè)定閾值時(shí)，則把該像素點(diǎn)視為角點(diǎn)。

2 改進(jìn)的Harris角點(diǎn)檢測(cè)算法

Harris算法雖然具有簡(jiǎn)單高效、檢測(cè)角點(diǎn)穩(wěn)定等特點(diǎn)，但角點(diǎn)檢測(cè)僅為像素級(jí)，無(wú)法到達(dá)亞像素級(jí)，因此難于滿足角點(diǎn)定位精度要求較高的攝影測(cè)量需要。且由于無(wú)人機(jī)影像上角點(diǎn)特征明顯的地物常分布不均勻，檢測(cè)到的角點(diǎn)可能出現(xiàn)聚簇現(xiàn)象。為此，本文通過(guò)影像分塊的亞像素檢測(cè)方法來(lái)改進(jìn)Harris角點(diǎn)檢測(cè)。

采用影像固定數(shù)分塊的原則進(jìn)行角點(diǎn)檢測(cè)，以確保整個(gè)影像區(qū)域角點(diǎn)分布均勻，可減少攝影測(cè)量中匹配誤差，提高無(wú)人機(jī)影像相對(duì)定向外方位元素的解算精度，同時(shí)分塊處理過(guò)程中可及時(shí)釋放內(nèi)存，減少計(jì)算機(jī)負(fù)擔(dān)，提高效率。

為盡量避免非角點(diǎn)和偽角點(diǎn)參與角點(diǎn)檢測(cè)運(yùn)算，以減小數(shù)據(jù)冗余，在Harris運(yùn)算前，對(duì)具有代表性的L型、Y型、T型、Arrow型和X型5種類型的角點(diǎn)進(jìn)行初篩選。5種不同類型的角點(diǎn)如圖1所示。

圖1 5種不同類型的角點(diǎn)Fig.1 5 types of corners(L，Y，T，Arrow，X)

以各影像塊標(biāo)準(zhǔn)差作為自適應(yīng)閾值，對(duì)像素點(diǎn)周圍8鄰域依圖2的最近鄰和對(duì)角線方向進(jìn)行相似像素點(diǎn)數(shù)篩選，統(tǒng)計(jì)角點(diǎn)、邊緣及平滑區(qū)域相似像素點(diǎn)個(gè)數(shù)(表1)。

圖2 相似像素篩選Fig.2 Similar pixels screening

表1 相似像素個(gè)數(shù)統(tǒng)計(jì)Tab.1 Number of similar pixels

由表1可知，在最近鄰、對(duì)角線方向的角點(diǎn)都滿足相似像素點(diǎn)數(shù)≤2，而在最近鄰、對(duì)角線方向的孤立像素點(diǎn)相似像素點(diǎn)數(shù)都為零。因此，本文設(shè)定角點(diǎn)初篩選條件為像素點(diǎn)周圍8鄰域最近鄰、對(duì)角線方向都滿足0＜NUM≤2。此篩選方法雖然可能會(huì)導(dǎo)致部分角點(diǎn)漏檢，但對(duì)于無(wú)人機(jī)影像而言，分布合理、數(shù)量足夠的角點(diǎn)即可滿足影像匹配需要。

本文在傳統(tǒng)Harris算法的基礎(chǔ)上，充分顧及CRF極大值附近像素點(diǎn)的影響，以CRF非極大值抑制得到的角點(diǎn)作為初始角點(diǎn)，然后，將其作為中心像素在周圍5×5模板范圍內(nèi)搜索角點(diǎn)簇(圖3)，利用最小二乘歐幾里德距離原理，并以各像素點(diǎn)的CRF作為權(quán)重，求解角點(diǎn)精確的亞像素坐標(biāo)。歐幾里德距離D表達(dá)式為

圖3 5×5模板亞像素角點(diǎn)定位Fig.3 Sub－pixel location within 5×5 template

式中:矩陣 X 為［x－x1，y－y1，…，x－xn，y－yn］;權(quán)矩陣P為Diag(p1，p2，…pn)，各項(xiàng)權(quán)計(jì)算公式為即權(quán)值為第i個(gè)元素與角點(diǎn)簇中所有元素CRF總和的比值。

根據(jù)最小二乘原理求解亞像素角點(diǎn)坐標(biāo)(x，y)為

式中(xi，yi)為模板范圍內(nèi)角點(diǎn)簇的第i個(gè)像素點(diǎn)。

本文無(wú)人機(jī)影像分塊的亞像素角點(diǎn)檢測(cè)流程如圖4所示。

圖4 本文方法技術(shù)流程Fig.4 Flow chart for the method

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文改進(jìn)的Harris算法在無(wú)人機(jī)影像角點(diǎn)檢測(cè)中的精度和效率，選取灰度分布不均勻且差異較大，具有代表性的2幅無(wú)人機(jī)機(jī)載相機(jī)Cannon EOS 5D MarkⅡ獲取的5616×3744像幅大小的影像為實(shí)驗(yàn)影像(圖5)。

圖5 2幅實(shí)驗(yàn)影像Fig.5 2 test images

采用傳統(tǒng)的Harris算法、8鄰域改進(jìn)的Harris算法［6］以及本文算法對(duì)實(shí)驗(yàn)影像進(jìn)行角點(diǎn)檢測(cè)，以固定影像塊數(shù)作為單元分塊進(jìn)行實(shí)驗(yàn)，通過(guò)VC++編程實(shí)現(xiàn)角點(diǎn)檢測(cè)，其結(jié)果如圖6—圖8所示。

圖6 傳統(tǒng)Harris角點(diǎn)檢測(cè)結(jié)果Fig.6 Results of traditional Harris corner detection

圖7 8鄰域改進(jìn)的Harris角點(diǎn)檢測(cè)結(jié)果Fig.7 Results of improved Harris corner detection by eight neighborhood pixels

圖8 本文方法角點(diǎn)檢測(cè)結(jié)果Fig.8 Results of the method for corner detection

從3種方法的角點(diǎn)檢測(cè)結(jié)果對(duì)比可知，傳統(tǒng)Harris算法檢測(cè)到的角點(diǎn)含有大量的偽角點(diǎn)，且有些角點(diǎn)定位有偏差;8鄰域改進(jìn)的Harris算法雖然減少了偽角點(diǎn)，但檢測(cè)出的角點(diǎn)分布不均勻，漏檢的角點(diǎn)相對(duì)較多;本文檢測(cè)方法在含有建筑物的區(qū)域檢測(cè)到的角點(diǎn)簇明顯減少，而在平滑區(qū)域檢測(cè)到的角點(diǎn)增加，漏檢的角點(diǎn)較少，整個(gè)圖像區(qū)域角點(diǎn)分布均勻，有利于減小影像后期的匹配誤差，同時(shí)，角點(diǎn)達(dá)到了亞像素級(jí)，檢測(cè)精度大為提高。

通過(guò)最近鄰、對(duì)角線方向相似像素特征初篩選角點(diǎn)后，像素點(diǎn)減少了近80%(圖8)，剔除了大量的非角點(diǎn)，極大地減少了數(shù)據(jù)的冗余度。由于一次乘法運(yùn)算時(shí)間要遠(yuǎn)長(zhǎng)于一次加法運(yùn)算［6］，因此初選角點(diǎn)主要采用加法運(yùn)算，這樣在初篩選角點(diǎn)后可避免大量乘法運(yùn)算，使改進(jìn)后的角點(diǎn)檢測(cè)效率得到顯著提高。為了便于比較，在傳統(tǒng)Harris算法、8鄰域改進(jìn)的Harris算法和本文方法設(shè)置相同角點(diǎn)響應(yīng)函數(shù)非極大值抑制閾值情況下，經(jīng)本文改進(jìn)的角點(diǎn)檢測(cè)算法所耗時(shí)間分別僅為傳統(tǒng)Harris算法和8鄰域改進(jìn)算法的8.8%和28.3%。顯然，本文方法在無(wú)人機(jī)影像角點(diǎn)精確快速定位方面具有很強(qiáng)的實(shí)用性。角點(diǎn)的定位精度和計(jì)算效率。該方法在角點(diǎn)檢測(cè)前，通過(guò)最近鄰和對(duì)角線方向相似像素點(diǎn)的特征初篩選角點(diǎn);對(duì)影像分塊處理，自適應(yīng)設(shè)定閾值，以實(shí)現(xiàn)Harris角點(diǎn)定位;利用角點(diǎn)簇加權(quán)最小二乘歐幾里德距離完成亞像素角點(diǎn)定位。通過(guò)對(duì)無(wú)人機(jī)影像的角點(diǎn)檢測(cè)實(shí)驗(yàn)，表明該方法檢測(cè)角點(diǎn)可實(shí)現(xiàn)亞像素定位精度，算法簡(jiǎn)單高效，可明顯減少計(jì)算量，顯著提高了檢測(cè)效率;檢測(cè)的角點(diǎn)分布更為均勻，大大提高了Harris算法在無(wú)人機(jī)影像角點(diǎn)檢測(cè)中的實(shí)用性，可滿足無(wú)人機(jī)影像大數(shù)據(jù)量角點(diǎn)精確快速檢測(cè)需要。

4 結(jié)論

本文對(duì)傳統(tǒng)的Harris算法進(jìn)行了改進(jìn)，提高了

［1］Schmid C，Mohr R，Bauckhage C.Evaluation of Interesting Point Detectors［J］.International Journal of Computer Vision，2000，37(2):151－172.

［2］Mikolajezyk K，Schmid C.Scale ＆ Affine Invariant Interest Point Detectors［J］.International Journal of Computer Vision，2004，60(1):63－86.

［3］Rosten E，Porter R，Drummond T.Faster and Better:A Machine Learning Approach to Corner Detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI)，2010，32(1):105－119.

［4］白瑞林，李 杜，趙晶晶，等，一種實(shí)用的X型靶標(biāo)亞像素角點(diǎn)提取方法［J］.光學(xué)技術(shù)，2010，36(4):560 －565.Bai R L，Li D，Zhao J J，et al.A Practical Method for Detection of Sub － pixel Corners for X － target［J］.Optical Technique，2010，36(4):560－565(in Chinese with English Abstract).

［5］郭永芳，于 明，孫以材.一種改進(jìn)的快速角點(diǎn)檢測(cè)方法研究［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(12):159 －161.Guo Y F，Yu M，Sun Y C.Study on Advanced Rapid Corner Detection Method［J］.Computer Engineering and Applications，2011，47(12):159 －161(in Chinese with English Abstract).

［6］王 崴，唐一平，任娟莉，等.一種改進(jìn)的Harris角點(diǎn)提取算法［J］.光學(xué)精密工程，2008，16(10):1995 －2001.Wang W，Tang Y P，Ren J L，et al.An Improved Algorithm for Harris Corner Detection［J］.Optics and Precision Engineering，2008，16(10):1995 －2001(in Chinese with English Abstract).

［7］楊常清，王孝通，徐曉剛，等.基于特征空間的航空影像自動(dòng)配準(zhǔn)算法［J］.測(cè)繪學(xué)報(bào)，2005，34(3):218 －222.Yang C Q，Wang X T，Xu X G，et al.Automatic Registration of Aerophotos Based on Feature Space［J］.Acta Geodaetica Et Cartographica Sinica，2005，34(3):218 －222(in Chinese with English Abstract).

［8］王志強(qiáng)，程 紅，孫文邦，等.一種基于特征的航空遙感影像自動(dòng)鑲嵌方法［J］.計(jì)算機(jī)與現(xiàn)代化，2009，12:85 －88.Wang Z Q，Cheng H，Sun W B，et al.A Method of Aerial Remote Sensing Image Automatic Mosaics Based on Feature［J］.Computer and Modernization，2009，12:85 －88(in Chinese with English Abstract).

［9］Moravec H P.Towards Automatic Visual Obstacle Avoidance［C］//Proceedings of International Joint Conference on Artificial Intelligence.Cambridge，MA:William Kaufmann，USA:1977:584－590.

［10］張小洪，李 博，楊 丹.一種新的Harris多尺度角點(diǎn)檢測(cè)［J］.電子與信息學(xué)報(bào)，2007，29(7):1735 －1738.Zhang X H，Li B，Yang D.A Novel Harris Multi－scale Corner Detection Algorithm［J］.Journal of Electronics＆ Information Technology，2007，29(7):1735 －1738(in Chinese with English Abstract).

A Rapid Sub－pixel Corners Detection Method for UAV Image Based on Image Block

HE Hai－qing
(School of Geodesy and Geomatics，Wuhan University，Wuhan 430079，China)

A rapid sub－pixel corners detection method based on image block for UAV(unmanned aerial vehicle)image is proposed with the purpose of improving the pixel level precision of corners location and the efficiency in Harris algorithm.With this method，we can screen corners by similar pixels in nearest and diagonal neighborhood direction，carry out Harris corners detection by auto－adaptive threshold based on image block，and then refine the initial corner by traditional Harris algorithm from the Euclidean distance between corners cluster and ideal corner by the least square method with weight.Tests show that the method is effective and practical for UAV image corners detection，and can improve Harris corners detection process speed greatly due to the reduction of the computation and also make corners well distributed.

UAV(unmanned aerial vehicle)image;Harris algorithm;corner detection;sub－pixel corner;Euclidean distance

TP 75

A

1001－070X(2012)04－0021－05

2012－02－23;

2012－04－26

國(guó)家863計(jì)劃資助項(xiàng)目(編號(hào):2009AA12Z311)、精密工程與工業(yè)測(cè)量國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(編號(hào):PF2011－11)和中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)基金項(xiàng)目共同資助。

10.6046/gtzyyg.2012.04.04

何海清(1983－)，男，博士研究生，主要從事地形變形監(jiān)測(cè)、災(zāi)害預(yù)報(bào)及無(wú)人機(jī)應(yīng)用等研究。E－mail:hyhqing@163.com。

(責(zé)任編輯:刁淑娟)