周文濤 陳心雨 張旻 劉曉杰

摘要：球面全景圖技術(shù)是一種基于圖像配準(zhǔn)和拼接的技術(shù)，主要利用的是光學(xué)圖像構(gòu)建數(shù)據(jù)模型繪制虛擬場景，相比傳統(tǒng)的三維建模繪制，其主要的優(yōu)勢表現(xiàn)在效率和效果上。近年來，球面全景圖技術(shù)隨著無人機(jī)技術(shù)和航拍技術(shù)的發(fā)展有了更大的應(yīng)用平臺，同時，更多相關(guān)的研究，如基于圖像繪制的圖像配準(zhǔn)和拼接技術(shù)也將進(jìn)一步受到重視。通過無人機(jī)拍攝獲取圖像，對拍攝的多張圖像使用 SIFT 或SURF算法來提取圖像中的特征點(diǎn)，同時，對這些特征點(diǎn)進(jìn)行初步計算匹配時加入序貫相似性檢測算法，由此完成圖像拼接工作。通過研究和實(shí)驗證明，采用算法既能提升匹配速度，又能得到較好的無縫拼接效果圖。

關(guān)鍵詞：無人機(jī);航拍;球面全景圖;圖像拼接

那些通過常用的無人機(jī)拍攝平臺拍攝獲取的高分辨率影像，受到無人機(jī)飛行高度、所攜帶的數(shù)碼相機(jī)焦距、成像效果以及高空間分辨率的限制，導(dǎo)致獲取的單張圖片的視野范圍有限。為了獲得區(qū)域的整體影像，并且以更加藝術(shù)和美觀的球面方式展示出來，我們通過配準(zhǔn)與拼接多張具有重疊區(qū)域影像的方式得到全景效果圖。通過測試，比較SIFT算法和SURF算法的優(yōu)勢以及存在的問題，在保證畫質(zhì)優(yōu)良的情況下，盡可能提升圖像處理的速度和減少運(yùn)算的時間，從而實(shí)現(xiàn)將無人機(jī)拍攝的多張影像快速自動拼接，達(dá)到自動且快速獲取高分辨率和超大視角的球形全景影像的效果。

1? ? 基于特征檢測的算法

基于特征檢測的算法不會因為傳感器參數(shù)、無人機(jī)周圍環(huán)境等因素的變化而變化，且能夠?qū)ε臄z的圖像快速完成配準(zhǔn)和拼接工作，所以特征檢測的方式在圖像的配準(zhǔn)和拼接研究、實(shí)驗中得到廣泛的應(yīng)用。

特征檢測是將圖像上檢測得到的特征當(dāng)作配準(zhǔn)單元，其主要由圖像特征配準(zhǔn)和區(qū)域配準(zhǔn)兩大類別組成。點(diǎn)、線、區(qū)域以及一些具有特殊結(jié)構(gòu)的元素組成了匹配的關(guān)鍵元素，其中，點(diǎn)特征能夠在旋轉(zhuǎn)平移時保持不變，同時具有穩(wěn)定性高、配準(zhǔn)精度高、運(yùn)算速度快的特點(diǎn);因此，利用圖像中的點(diǎn)特征來實(shí)現(xiàn)圖像的配準(zhǔn)和拼接，是如今應(yīng)用最廣泛且有效的方式。

1.1? ?SIFT算法

SIFT算法是一種選擇與描述圖像特征的算法，即使在畫面縮放移動、方向角度變化以及明暗改變后，也能進(jìn)行特征匹配。其具有穩(wěn)定性高、匹配精度高、特征多量化、運(yùn)算速度快、特征向量聯(lián)合方便的特點(diǎn);但是，在提取邊緣光滑目標(biāo)特征點(diǎn)時，體現(xiàn)出其能力較弱和實(shí)時性不足的缺點(diǎn)。[1]

1.2? SURF算法

SURF算法相較于SIFT算法，進(jìn)行了一些算法的優(yōu)化，使得運(yùn)算更加高效，同時，也為使算法能夠應(yīng)用在計算機(jī)視覺系統(tǒng)中提供了一種可行的解決方法。SURF的優(yōu)勢在于使用的檢測特征點(diǎn)為海森（Hesseian）矩陣的行列式值，輔以積分圖加速運(yùn)算，從而達(dá)到提升其效率的效果。

1.3? ?SIFT尺度空間

如圖1所示，為了獲得SIFT中的尺度空間，可以采用金字塔模型對圖像濾波的縮放方式。為了獲得若干組初始圖像，需要SIFT算法對一幅圖像進(jìn)行下采樣。為確保圖像金字塔的連續(xù)性，每一組的初始圖像都要以不同的[σ]進(jìn)行高斯濾波，從金字塔的每一組圖像中得到若干濾波后的圖像，再將其分為若干組（Octave），進(jìn)而再將組分為若干層（Layer）。由此可見，影響圖像金字塔計算量的兩大要素是金字塔的組數(shù)和層數(shù)。

1.4? ?SURF尺度空間

如圖2所示，相較于SIFT算法，SURF算法不會進(jìn)行下采樣。SURF算法采用了一個初始尺寸為9×9的盒子濾波器，在SIFT算法的計算過程中，盒子濾波器的尺寸也會隨之?dāng)U展，當(dāng)高斯二階微分函數(shù)的[σ]為1.2時，經(jīng)過離散和減裁后9×9盒子濾波器便是濾波模板。[2]在SURF運(yùn)算中，圖像本身并不發(fā)生改變，為了獲得不同尺度的圖像，通過改變高斯濾波窗口的大小，也就能獲得SURF算法的尺度空間。

1.5? ?RANSAC 匹配算法

為了有效解決關(guān)鍵點(diǎn)匹配錯誤引起的問題，我們采用了RANSAC匹配算法，RANSAC匹配算法擁有不錯的魯棒性和容錯性質(zhì)，其核心理念是

使用相對較少的初始數(shù)據(jù)，使用一致的數(shù)據(jù)擴(kuò)展這個數(shù)據(jù)集。當(dāng)矩陣中匹配特征點(diǎn)最多時，為了獲得最優(yōu)單應(yīng)性矩陣[H]，需要使用RANSAC進(jìn)行匹配。因為h33=1，所以單應(yīng)性矩陣[H]存在8個未知的參數(shù)，這時需要由8個方程來求解。[3]在將這些數(shù)據(jù)代入到點(diǎn)位置時，一組特征匹配點(diǎn)可以得到兩個方程，那么通過4組特征匹配點(diǎn)對就可以求解單應(yīng)性矩陣[H]。

實(shí)際上，圖像平移、方向及角度改變、光照變化等問題，都能通過SIFT算法和SURF算法得到較好的解決;因此，無人機(jī)在不同時間、不同角度拍攝多幅含有重疊區(qū)域的圖像后，依然能夠獲得好的配準(zhǔn)、拼接效果，從而大大減小了在時間和地點(diǎn)上的局限性。

參考文獻(xiàn)：

[1] Surf算法特征點(diǎn)檢測與匹配[EB/OL].[2019-04-17].https：//blog.csdn.net/dcrmg/article/details/52601010.

[2] CV學(xué)習(xí)5 SURF算法詳解[EB/OL].[2019-04-17].https：//? ?www.cnblogs.com/gfgwxw/p/9415218.html.

[3] RANSAC 特征匹配算法解析[EB/OL].[2019-04-18].https：//blog.csdn.net/Chenyukuai6625/article/details/75282?404.

[4] 孫俊.基于視頻的目標(biāo)運(yùn)動軌跡提取系統(tǒng)的研究與實(shí)現(xiàn)[D].武漢：武漢理工大學(xué)，2013.

[5] SIFT特征和SURF特征比較[EB/OL].[2019-04-18].https：//blog.csdn.net/blateyang/article/details/76512398.