[发明专利]一种倾斜摄影三维重建匹配方法

说明书

本发明涉及无人机倾斜摄影三维重建领域，公开了一种倾斜摄影三维重建匹配方法，包括提取图像位置与位姿特征分量；提取图像颜色特征分量；提取纹理特征分量；对3种分量进行标准化处理后组合得到融合特征向量；构造哈希函数对得到的融合特征向量进行映射；进一步计算欧氏距离后排序形成待匹配图像集合，之后的运动恢复结构过程中的单幅图像匹配对象从待匹配图像集合中选取。与现有技术相比，本发明融合无人机影像POS信息与颜色纹理信息，根据无人机图像特点对重建前图像进行聚类，避免了传统重建算法的全局匹配过程，在倾斜摄影图像三维重建中显著提高了效率，在提升重建效率的同时，本发明的重建密集点云能够保持良好的精度。

技术领域

本发明涉及无人机倾斜摄影三维重建技术领域，特别涉及一种倾斜摄影三维重建匹配方法。

背景技术

近年来，随着特征点检测和匹配算法、自标定算法、运动恢复结构重建算法(Structure from motion，SFM)以及多视图立体匹配算法(Multi-view stereopsis，MVS)等技术的不断进步和完善，基于图像的三维重建技术有了突飞猛进的发展，已广泛应用于林业资源调查、林分研究及立木三维重建。由于无人机的低空飞行特性使其具有视角灵活、时效性强等优势，利用无人机可以获取同一场景大量连续视角的无标定图像序列，同时结合SFM技术即可获取场景的三维信息。然而由于无人机获取图像分辨率高，重叠度大，在SFM处理过程中效率低下，为解决无人机序列影像三维重建的时效性问题，亟需新的解决方法。

SFM过程中的图像特征匹配和光束平差(Bundler Adjustment)是无人机序列图像三维重建过程中耗时最长的步骤，SFM三维重建框架下为尽可能多的恢复细节，其在计算序列图像的约束关联过程中采用了穷尽列举两两匹配的策略，可得其时间复杂度为O(n²)，O为图像数量，Shum H等分析指出在光束平差过程中时间复杂度达到了O(n⁴)。因此在高效的无人机序列图像三维重建过程中首要任务就是建立有效的图像匹配关系，去除冗余匹配计算。

为了提高处理效率，Snavely等采用基于特征的骨骼提取策略对影像进行分组重建，有效提高了重建的效率，但未充分考虑图像自身特征。Jared Heinly等提出了基于流的SFM重建计算框架，算法适用于大规模互联网图像三维重建，但同样未能将图像特征考虑在内。Farenzena M等以距离的重叠为度量将图像集形成一个树，重建时遵循从树的叶子到根的顺序，该方法将整体重建问题分解为较小的实例，然后分别解决和组合，具有较低的计算复杂度，但存在小场景距离匹配冗余问题。AliAkbarpour等利用影像拍摄时间约束减少影像匹配的复杂度，采用连续帧到帧策略进行影像特征匹配，大大提高了匹配效率。KunSun等提出一种中心驱动的图像集划分方法，通过计算图像的重叠度来将图像聚类，并将图像关系引入三维重建，提升了三维重建效率，但未考虑图像其他特征。许志华等提出了一种基于GPS信息的影像拓扑关系构建方法，将三维重建过程中的图像匹配限制在有拓扑关系的影像之间进行，减小了匹配耗时，但未考相机位置相同，拍摄角度完全不同的情况。宋征玺等将图像分块后通过提取Sift特征构建图像KD-tree后再进行匹配，但其初次图像聚类仍采用Sift特征，聚类效率并不是很高。

针对上述问题，本发明结合无人机影像特点，提出了一种融合无人机影像POS信息与颜色纹理信息的重建匹配方法，根据无人机图像特点对重建前图像进行聚类，避免了传统重建算法的全局匹配过程。

发明内容

发明目的：针对现有技术中存在的问题，本发明结合无人机影像特点，提出了一种倾斜摄影三维重建匹配方法，融合无人机影像POS信息与颜色纹理信息，根据无人机图像特点对重建前图像进行聚类，避免了传统重建算法的全局匹配过程。

技术方案：本发明提供了一种倾斜摄影三维重建匹配方法，包括图像位置与位姿特征提取、颜色特征提取、纹理特征提取、特征融合和待匹配图像集合生成几个步骤，详细步骤如下：

S1对航拍序列图像提取GPS/IMU值，得到6维位置与位姿特征分量；