靳渤文，杨耀权，张明浩

（华北电力大学 控制与计算机学院，河北 保定 071003）

0 引言

我国输电线路的距离较长，线路所经过的地形较复杂，并且输电塔体较高，在受到外力破坏或者自然灾害的情况下，传统的电力巡检方式不能及时针对电力线路进行检查，越来越难以适应当前电力输送线路发展趋势［1-2］。近年来，无人机多传感器系统广泛用于电力巡检，利用该技术进行电力巡检可以减少现场工作量，大大提高工作效率，降低巡检成本［3］。

针对无人机影像匹配过程中存在的问题，国内外研究人员从图像匹配和图像拼接两个方面进行了研究，如卢鹏、卢奇等人将改进的SIFT 算法与渐入渐出融合算法相结合，实现对时间序列图像的拼接融合处理［4］。张立亭等提出一种基于灰度差分与模板Harris 角点检测的快速算法，有效提高了角点检测时间［5］。韩敏等提出了一种基于改进KAZE 的无人机航拍图像拼接算法，具有较好的性能，且处理效果较KAZE 算法与K 近邻特征匹配算法有较大提升［6］。甄艳等针对RANSAC 算法估计基础矩阵效率低等问题，提出一种改进算法，提高算法的精度和效率［7］。当所拍摄图像视角较小时，其匹配效果更好。然而无人机所拍摄的图像具有高分辨率，并且图像中纹理信息丰富，因此所需要提取的特征点更多，匹配的正确率较低。通常，在图像的局部区域中仅可获取少量特征点，并且难以满足对航拍图像快速且准确进行图像匹配的要求。

提出应用Harris-Laplace 特征检测算法与SIFT描述相结合的改进图像特征匹配方法，应用于输电线路巡检。首先，应用Harris-Laplace 特征检测算法检测出无人机航拍影像上的关键点，所检测出的关键点具有对光照、图像噪声很好的鲁棒性和尺度不变性等特点，然后确定关键点的主方向及大小以生成特征点；然后使用SIFT 算法对生成的特征点进行描述；在特征点匹配阶段，使用基于BBF 的最近邻搜索法对特征点进行初匹配，然后使用FLANN 算法进行粗匹配，在此基础上，结合K 最近邻法剔除掉更多误匹配点。最后使用多重约束的改进RANSAC 算法，获得最优的匹配集，对应高分辨率的无人机航拍影像。

1 基本原理

1.1 特征点检测

Harris 角点检测算子使用的是角点附近的区域二阶矩阵，具有旋转不变性［8］。

为了使关键点拥有尺度属性，首先需要建立图像的尺度空间，该尺度空间由不同尺度的尺度图像组成［9-10］。尺度图像是由图像I（x）和高斯核G（σn）卷积形成的，定义为

式中：σn为n 层的尺度，σn＝s0kn，s0取1.5，k 取值1.4。

高斯核的函数表达式为

为了加快计算速度，使用高斯差分函数D（x，y，δ）来代替尺度空间，其中，高斯核函数由一个常数倍数因子k 分隔的两个邻近尺度的差值计算得出，然后与图像进行卷积计算［11］。

式中：D（x，y，δ）是高斯差分算子（DOG），这是尺度归一化算子高斯拉普拉斯算子（LOG）的近似值。

Harris 特征检测算子利用主曲率检验某点是否是边缘点，主曲率通过一个二阶的Hessian 矩阵得到：［12］

式中：矩阵H 的特征值表示水平和垂直方向的梯度方向，分别标记为α 和β，因此有

当Hessian 矩阵的行列式值为负值时，两个曲率异号，对应的点不是极值点，应该剔除。假设α＝r β，根据

由于r＞0，式（6）在r＝1 左侧是单调递减，在r＝1的右侧是单调递增。如果需要限定r＜r0，则只需令式（6）满足

一般而言，取r0＝10 可以剔除图像中再某一尺度下绝大部分边缘响应点。

1.2 影像特征匹配

特征匹配通常根据欧式距离来测量，选择固定阈值、最近邻或最近邻距离比（NNDR）当成匹配策 略［13］。

1.2.1 基础矩阵和单应性矩阵的解算

基础矩阵F 所描述的是一个3×3 的矩阵，表达了在立体像对的同名像点之间存在的对应关系。在对极几何中，对于立体像对中的一对同名像点，x 与x′为二维向量坐标，齐次化后变成三维向量坐标。基础矩阵是同名像点的齐次化坐标x 与x′的对应关系，而Fx 描述的是另一幅图像上的同名点x′所在的极线，因此两图像上所有的同名像点必须满足

式中：F 是对本质矩阵E 的拓展，其不同于本质矩阵的是，基础矩阵独立于场景结构，不需了解相机的内外参数，只需通过同名点坐标计算就可得到。

单应性是将一个射影平面上的点映射到另一个平面相对应的位置，并将该直线映射为具有保线性质的直线。对极几何将点映射到线上，单应性矩阵是点对点的关系，单应性矩阵的描述方程为

式中：H 为一个3×3 的非奇异矩阵，且对矩阵H 乘以非零的常量，等式依然成立。

1.2.2 RANSAC 精匹配

随机采样一致性（RANSAC）是利用一组包含异常数据的样本数据集计算得到数学参数的方法。

由RANSAC 算法寻找一个最佳单应性矩阵H，为一个3×3 的方阵，其目的是寻找最优的参数矩阵使得需要满足该矩阵的匹配特征点最多。通常令h33=1 来归一化矩阵。由于单应性矩阵存在8 个未知数，因此至少需要8 个线性方程求解，对应到点的位置信息上，其中一组点对可以列出两个方程，所以至少需要包含4 组匹配点对。

式中：（x，y）表示未知的目标图像角点；（x′，y′）为场景图像的角点位置；s 为尺度参数。

RANSAC 算法从匹配数据集中随机抽出4 个样本并保证这4 个样本之间不共线，计算出单应性矩阵H，记为模型M。然后利用这个模型测试所有数据，并计算满足这个模型数据点的个数与投影误差（即代价函数），若此模型为最优模型，则对应的代价函数最小。

RANCAC 参数估计内涵：已知给定N 个数据点来形成集合W，假设集合W 中的大多数点可由模型产生，并且至少可以用n 个点（n＜N）来合出模型参数。

2 实验结果与分析

在SIFT 算法的基础上，首先提取了电力巡检中航拍影像对的特征点，然后应用多种方法对影像对进行初匹配，最后对误匹配点进行剔除，获得最优匹配效果，达到电力巡检的目的。

本次试验运行环境为Intel（R）Core（TM）i7-7700HQ CPU @ 2.80GHz，运行内存为8GB 的计算机。基于VS2013 的OpenCV2.4.10 图像处理视觉库，Windows10 系统作为开发平台，无人机航拍系统参数见表1。

表1 无人机航拍系统部分参数

2.1 影像匹配实验

为验证本文中所提出方法的有效性，选取有代表性的广东省惠州市郊区2018 年2 月拍摄的输电线路巡检时无人机影像数据，其分辨率为500×749与749×500，如图1 所示。提取影像上分布的Harris-Laplace 特征点，对后期航拍正射影像的匹配有利。其中影像对1 特征点数为1731、1383，影像对2 特征点数为3564、3443，其影像对特征点如图2 所示。

图1 数据对

图2 两组影像对SIFT 特征点检测

基于SIFT 算法与FLANN 结合的特征匹配。两组影像对匹配结果如图3 所示，其中影像对1 耗时3 747 ms，匹配上581 对，影像对2 耗时4 181.31 ms，匹配上745 对。

本文应用基础矩阵的方法剔除误匹配的特征点对，此方法更加严格，因此得到的匹配结果更加精确。试验在SIFT 算法的基础上，使用基础矩阵的RANSAC 算法剔除误匹配的特征点后，获得了更优的匹配结果。从图4 匹配的实验结果看出，本文算法影像对1 耗时1 026 ms，匹配上598 对，影像对2 耗时2 259 ms，匹配上1 191 对。因此本文算法对植被覆盖密集区域的无人机航拍正射影像的匹配是有效的。

2.2 算法鲁棒性实验

本次实验中，通过旋转，缩放以及改变图像的清晰度，测试本文算法的抗干扰性以及匹配的精度，检查匹配的准确性和速度，以此来测试本文算法的鲁棒性。

图3 影像对SIFT+FLANN 特征匹配结果

图4 影像对SIFT+RANSAC 特征匹配结果

对同一组影像，对影像进行90°旋转，通过对比，得出本文算法对旋转变换具有很好的适应能力，通过旋转，并不影响其匹配的速度以及准确度，结果如图5 所示。

图5 影像对1 旋转90°图像间匹配图

通过对匹配的影像进行缩放，检测缩放前后特征点的匹配情况，其实验结果如图6 所示。

图6 影像对1 缩放前后图像间匹配图

通过对匹配的影像对中一幅图像进行模糊处理，检测模糊处理前后特征点的匹配情况，其实验结果如图7 所示。

图7 影像对1 模糊处理后图像间匹配图

2.2 影像匹配结果分析

为充分验证本文方法的优势，将本文算法同SIFT 算法与FLANN 快速搜索特征匹配进行对比试验，其对比试验结果如表2 和表3 所示。在Harris-Laplace 特征提取后，通过使用SIFT 特征描述符来描述无人机航拍正射影像关键点，可以有效地表达图像特征信息，虽然这种方法在计算特征描述符时消耗更多时间，但可以有效地表达Harris-Laplace 特征信息。通过本文算法，可以提取到较多的特征点信息。在匹配阶段，首先使用BBF 算法对特征点进行粗匹配，结果显示其匹配效果较差，存在很多误匹配点对。然后使用SIFT 特征描述算法对得到的特征点提取并计算特征向量，在FLANN快速搜索算法的基础上结合KNN 剔除掉更多的误匹配点对，然后进行特征匹配，其匹配效果较好，但特征点较少。最后用改进RANSAC 算法计算基础矩阵，剔除影像匹配中的误匹配点，其匹配效果有了明显提升，并估计单应性矩阵H。经改进RANSAC算法首先对匹配点对进行了内外点的判定，再对内外点进行有目的的筛选，最后得出最佳变换矩阵，因此最终得到的正确影像匹配点数量最多。在耗时上，由于FLANN 算法相对改进RANSAC 算法复杂程度低，所涉及的参数要少，因此两组影像在使用FLANN 算法匹配试验中速度较快，但本文所采取算法有效提要了匹配对数，并且在耗时上也得到了提高，获得了较高的匹配正确率。并且本文的算法对图像的旋转、缩放以及模糊等各个方面都有较强的适应性，可以得出本文算法对图像匹配的鲁棒性较好。

表2 SIFT+FLANN 特征匹配结果分析

表3 SIFT+RANSAC 特征匹配结果分析

3 结语

无人机巡检输电线路，以获得航拍的正射影像。由于拍摄条件或输电区域的复杂环境引起的匹配效果不好，导致图像拼接效果差，这使得电力巡检变得困难。为了避免传统约束的单一缺陷，本文基于SIFT算法，比较了基于FLANN 算法结合KNN 算法和引入基础矩阵的RANSAC 算法，并且本算法的鲁棒性较强。匹配结果整体准确度较高，满足了一定的匹配要求。实验表明，基于SIFT 的改进RANSAC 算法获得了良好的匹配效果，而且获得大量特征点，得到了更多的高质量匹配集，因此该算法适合输电线路巡检的航拍正射影像匹配，对输电线路走廊的电力巡检具有一定的参考意义。