石斌斌 闵曹文

摘 要：为提高无人机影像特征点的提取质量与拼接精度，建立高斯金字塔实现多尺度变化进行粗差剔除，利用卷积神经网络（Convolutional Neural Network，CNN）提取影像特征点并通过最邻近值匹配特征点完成影像拼接，最后通过拼接一组无人机影像从粗差剔除率、匹配准确率、匹配时间3个方面来验证影像质量。验证结果表明，匹配点粗差剔除率提升了33.08%，匹配精度提升了12.17%，整体匹配效率有所提升，效果良好。

关键词：多尺度;卷积神经网络（CNN）;影像匹配拼接;匹配精度

中图分类号：TP751;P237 文献标识码：A 文章编号：1003-5168（2021）34-00-03

A Feature Point Extraction Method of UAV Image Based on Multi-Scale

SHI Binbin MIN Caowen

（Jiangxi V&T College of Communications， Nanchang Jiangxi 330000）

Abstract： In order to improve the extraction quality and stitching accuracy of UAV image feature points， this paper establishes a Gaussian pyramid to realize multi-scale change for gross error elimination， uses Convolution Neural Network （CNN） to extract image feature points， and completes image stitching by matching the feature points with the nearest values. Finally， a group of UAV images are stitched from gross error elimination rate， matching accuracy Match time to evaluate image quality. The verification results show that the gross error elimination rate of matching points is improved by 33.08%， the matching accuracy is improved by 12.17%， the matching efficiency is improved， and good results are obtained.

Keywords： multiscale;Convolutional Neural Network（CNN）;image matching and splicing;matching accuracy

无人机影像是快速、低成本地获取地理信息的重要手段之一，广泛应用于各个领域的信息提取和分析方面。与其他影像产品相比，无人机影像具有定位精度高、影像信息丰富等特点，在国土资源调查、土地权属调查中发挥着重要作用。实际应用中，无人机获取的影像图幅较小，很难满足后续工程生产需求，必须进行拼接处理。影像的拼接也是摄影测量生产中的重要环节，提升影像拼接的精度显得尤为重要[1-2]。

近年来，无人机影像拼接仍是研究热点之一。随机抽样一致算法（Random Sample Consensus，RANSAC）对影像的粗差实现了大量删减以提升影像匹配精度，但可能导致原始影像失真。尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）空间尺度变化，首先构建尺度空间并检测极值点，后检测特征点主方向删除离散点。该方法的关键在于如何准确确定特征点主方向。研究表明，结合矢量数据，赋予主要地物更大的拼接權值，提高了算法速度，但对矢量数据现势性要求较高;利用图像相似性（位置、边缘）、位置约束、注意力模型，可以生成差异矩阵和动态搜索矩阵，但搜索量大且动态搜索准确度不高。……