赵亚丽，蔺素珍，张海松，李大威，雷海卫

(中北大学 大数据学院，山西 太原 030051)

0 引 言

目前，利用多台无人机协作或单台无人机多次拍摄已经成为地质勘测[1]和安全巡检等大视场成像的新兴手段，其中图像配准是必不可少的关键技术之一.图像配准方法包括基于灰度的配准方法和基于特征的配准方法两大类[2].其中，基于灰度的方法通过灰度值计算完成图像配准，该方法简单直观，但计算量较大且对图像灰度值敏感，图像的光照变化、尺度变化和旋转变化等都会造成较大的匹配误差；基于特征的配准方法通过提取并匹配图像间共有的特征来解算变换参数得到配准结果，该类方法鲁棒性好且效率较高.不同无人机图像间的光照、倾角等往往大相径庭，因而使用基于特征的配准方法更合适.

基于特征的图像配准方法可细分为传统方法和基于学习的方法.典型的传统方法是D.G.Lower等[3]提出的SIFT(Scale Invariant Feature Transform)算法.该算法通过提取尺度、缩放和旋转不变性特征进行配准，性能稳定但算法复杂度高，对错误匹配数据较敏感.虽然之后产生了一系列针对该算法的优化算法[4-5]，但总体都有一定的场景约束且计算效率不高.

近年来，深度学习方法在图像领域显示出卓越的性能[6-8]，许多研究人员使用卷积神经网络(Convolutional Neural Networks，CNN)等深度学习方法来解决图像配准问题[9-11].为解决深度学习中的标签图像缺乏问题，有学者探索了无监督学习配准方法.VoxelMorph[12]方法在脑部数据集上取得了不错的效果；……