[发明专利]一种利用词汇树引导的无人机倾斜影像特征匹配方法

权利要求书

1.一种利用词汇树引导的无人机倾斜影像特征匹配方法，其特征在于，包括以下步骤：

S1：利用无人机UAV影像构建词汇树，具体如下：

S11：利用SIFT算法对UAV影像进行特征点提取；

S12：UAV影像特征选择，即采用随机采样策略选择UAV影像集，从原始数据集中选择一个比例p的影像集X＝{x_i},i＝1,2…,n，0＜p≤1,n为影像的总数，x_i表示第i个影像；然后，采用尺度约束策略分别对每个影像x_i选择特征子集P＝{p_i},i＝1,2…,h，即对于每个影像x_i，将S11中提取的特征点按照尺度因子从大到小排列，选择前面h个特征点，影像集X中所有选择的特征构成训练特征，所述训练特征包括n个影像，每个影像包含h个特征点，h为预设值；

S13：对于步骤S12中选择的训练特征，采用分层K-means聚类算法构建词汇树W＝{w_i},i＝1,2,...,v，w表示单词，v表示单词总个数；

S2：基于词汇树建立UAV影像索引，UAV影像索引的本质就是利用单词对UAV影像进行描述，得到每张影像对应的词频向量，即利用S1生成的词汇树W＝{w_i},i＝1,2,...,v，UAV影像采用一个v维向量v_d＝(t₁,…,t_i…,t_v)进行描述,向量v_d中的元素t_i表示单词w_i在id号为d的影像中出现的加权频率，即

其中，n_id表示单词w_i在id号为d的影像中的频数；n_d表示id号为d的影像包含的总词汇数；N_i是包含单词w_i的影像数；N表示UAV影像的总数；

UAV影像索引建立步骤具体如下：

S21：利用KDTree算法建立单词集合W的最近邻查找索引T_W；

S22：对于id号为d的影像的每个特征点p_i，从索引T_W中搜索特征点最近邻单词w_j，将搜索到的特征点最近邻单词w_j记录到倒排索引结构，倒排索引采用“单词-文档”的结构建立单词与文档之间的索引关系，即在单词w_j对应的倒排文件列表中增加一条记录(d,i)；

S23：按照步骤S22处理所有影像，即实现了基于词汇树的UAV影像索引的构建；

S3：基于词汇树构建的UAV影像索引，引导UAV影像匹配，具体如下：

S31：引导UAV影像匹配对选择具有空间重叠的影像对，避免无重叠影像对匹配导致的时间消耗和错误匹配；

S32：利用词汇树构建的“单词-文档”索引关系，约束UAV影像候选匹配点，将候选匹配点限定在一个更小的集合内部；

所述S32中约束UAV影像候选匹配点的具体方法如下：

S321：对词频向量v_di和v_dj求与运算，得到一个V维标识向量f_ij；

S322：对于标识向量f_ij中任一取值为1，索引为k的元素，从单词w_k的倒排文件中查找影像i_i和i_j的所有特征点，得到P_ki和P_kj；

S323：按照步骤S322处理标识向量f_ij的所有取值为1的元素，得到影像匹配对(x_i,x_j)的候选匹配点集合列表C_ij＝{(P_ki,P_kj)}；

S33：将经过上述S31得到的影像匹配对和S32得到的候选匹配点后进行UAV影像匹配；

所述S33进行UAV影像匹配步骤如下：

S331：对于UAV影像匹配对(x_i,x_j)，遍历C_ij的每一个候选匹配点集合(P_ki,P_kj)；

S332：对于P_ki中任一特征点p_ki，从P_kj中搜索与其欧式距离最近的两个特征点p_kj1和p_kj2，如果最近特征p_kj1和次近特征p_kj2的距离比值小于给定阈值T_d，那么保留当前匹配点(p_ki,p_kj1)；

S333：重复S332，得到影像匹配对(x_i,x_j)的初始匹配结果；

S334：基于RANSAC算法的基本矩阵估计，利用影像匹配对的几何约束优化初始匹配结果，得到最终的匹配点。