一種無人機影像分塊的亞像素角點快速檢測算法

何海清

(武漢大學(xué)測繪學(xué)院，武漢 430079)

一種無人機影像分塊的亞像素角點快速檢測算法

何海清

(武漢大學(xué)測繪學(xué)院，武漢 430079)

為滿足無人機(unmanned aerial vehicle，UAV)影像角點快速檢測的需要，針對Harris角點檢測算法提取的角點是像素級的、且存在定位不精確和計算效率低的問題，提出了一種改進的、適用于無人機影像的角點檢測算法。該算法首先根據(jù)最近鄰域和對角鄰域方向相似像素點特征數(shù)目初步篩選角點;然后對無人機影像進行分塊處理，進行Harris自適應(yīng)角點檢測;最后，利用加權(quán)最小二乘歐幾里德距離實現(xiàn)了亞像素角點的快速精確定位。實驗驗證了該算法的有效性和可行性，所檢測的角點分布均勻，顯著提高了角點檢測速度。

無人機(UAV)影像;Harris算法;角點檢測;亞像素角點;歐幾里德距離

0 引言

近年來，無人機(unmanned aerial vehicle，UAV)低空數(shù)字攝影測量(以下簡稱無人機航測)作為新興的測量技術(shù)發(fā)展迅猛，在資源勘查、城鎮(zhèn)建設(shè)、防災(zāi)減災(zāi)以及應(yīng)急保障等方面發(fā)揮了重要作用。然而，無人機航測存在平臺姿態(tài)不穩(wěn)定、獲取的影像數(shù)據(jù)量大等問題，這給影像數(shù)據(jù)后期處理帶來了困難。在無人機影像內(nèi)業(yè)處理中，像對間特征點的提取是數(shù)據(jù)處理的重要步驟之一。然而，由于單個測區(qū)無人機影像多達幾百張甚至上千張，因此，全自動精確快速提取影像特征點是一項非常迫切的工作。國內(nèi)外學(xué)者對影像特征點檢測展開了廣泛研究。目前，最為流行的是應(yīng)用SIFT算法提取特征點，但該算法速度較慢，難于滿足對無人機影像快速檢測的需要。最具代表性且速度較快的角點檢測算法有Moravec，Harris和SUSAN等算法，其中Harris算法最為常用［1］。然而，Harris提取的角點是像素級的，角點位置可能發(fā)生偏移，難于滿足攝影測量精度要求;同時，在Harris角點提取中，由于模板卷積運算過多，計算量大，難于滿足無人機航測大數(shù)據(jù)量快速處理的需求。為此，許多學(xué)者對Harris算法進行了改進，并將其應(yīng)用到遙感數(shù)據(jù)處理中。具有代表性的有Mikolajezyk等人［2］提出的尺度與仿射不變性的Harris角點檢測法;Rosten等人［3］提出的基于機器學(xué)習(xí)的Harris快速角點檢測法;白瑞林等人［4］提出的X型靶標亞像素角點提取法;郭永芳等人［5］提出的Harris與MIC相結(jié)合的快速角點檢測法;王崴等人［6］提出的通過統(tǒng)計像素點八鄰域相似的像素點數(shù)目剔除非角點的Harris算法;楊常清等人［7］采用改進的Harris算法進行航空影像自動配準;王志強等人［8］通過Harris角點預(yù)處理加快航空影像鑲嵌中特征點檢測速度，等等。但上述改進的Harris角點檢測方法不能同時兼顧提取的亞像素精度及算法的高效率，從而難于滿足無人機航測中角點精確、快速檢測的需要。

本文針對Harris角點檢測算法存在的定位不精確等問題，并為實現(xiàn)Harris算法在無人機影像處理中自動精確快速的角點檢測，通過角點初篩選，剔除無人機影像中較為平滑區(qū)域的非角點和偽角點，然后對影像進行分塊處理，利用最小二乘加權(quán)法來修正Harris初始角點坐標，從而實現(xiàn)無人機影像亞像素角點精確快速定位。實驗表明，該方法在無人機影像角點檢測中具有較強的實用性。

1 Harris角點檢測算法

Harris角點檢測算法［1］是 Harris和 Stephens通過對Moravec角點檢測算法［9］進行改進后提出的。Moravec算法不能準確提取全部角點，對孤立像素點、噪聲和邊緣的強度變化較為敏感，角點不具有旋轉(zhuǎn)不變性［10］。Harris角點檢測算法改進了Moravec算法的上述不足，利用微分算子計算像素點在任意方向上的灰度變化，當目標像素點的角點響應(yīng)函數(shù)值CRF(corner response function)大于設(shè)定的閾值時，則把該像素點視為角點。在Harris算法中，像素點I(x，y)灰度變化表示為

式中:u，v分別為 X，Y方向上的鄰域范圍;wu，v=exp［－(u2+v2)/2σ2］為高斯濾波。

式(1)還可表示為

式中M為圖像X，Y方向上與梯度自相關(guān)函數(shù)相聯(lián)系的矩陣，表示為

式中:Ix，Iy分別為圖像X，Y方向的一階梯度。若自相關(guān)矩陣M的2個特征值(α，β)都相對較大，則把該像素點視為角點。為了更好地檢測角點，采用角點響應(yīng)函數(shù)值CRF來確定角點，計算式為

式中:det M=α β;tr M=α +β;k為常數(shù)項，其取值范圍為0.04～0.06。設(shè)定CRF閾值并執(zhí)行非極大值抑制，當CRF大于設(shè)定閾值時，則把該像素點視為角點。

2 改進的Harris角點檢測算法

Harris算法雖然具有簡單高效、檢測角點穩(wěn)定等特點，但角點檢測僅為像素級，無法到達亞像素級，因此難于滿足角點定位精度要求較高的攝影測量需要。且由于無人機影像上角點特征明顯的地物常分布不均勻，檢測到的角點可能出現(xiàn)聚簇現(xiàn)象。為此，本文通過影像分塊的亞像素檢測方法來改進Harris角點檢測。

采用影像固定數(shù)分塊的原則進行角點檢測，以確保整個影像區(qū)域角點分布均勻，可減少攝影測量中匹配誤差，提高無人機影像相對定向外方位元素的解算精度，同時分塊處理過程中可及時釋放內(nèi)存，減少計算機負擔(dān)，提高效率。

為盡量避免非角點和偽角點參與角點檢測運算，以減小數(shù)據(jù)冗余，在Harris運算前，對具有代表性的L型、Y型、T型、Arrow型和X型5種類型的角點進行初篩選。5種不同類型的角點如圖1所示。

圖1 5種不同類型的角點Fig.1 5 types of corners(L，Y，T，Arrow，X)

以各影像塊標準差作為自適應(yīng)閾值，對像素點周圍8鄰域依圖2的最近鄰和對角線方向進行相似像素點數(shù)篩選，統(tǒng)計角點、邊緣及平滑區(qū)域相似像素點個數(shù)(表1)。

圖2 相似像素篩選Fig.2 Similar pixels screening

表1 相似像素個數(shù)統(tǒng)計Tab.1 Number of similar pixels

由表1可知，在最近鄰、對角線方向的角點都滿足相似像素點數(shù)≤2，而在最近鄰、對角線方向的孤立像素點相似像素點數(shù)都為零。因此，本文設(shè)定角點初篩選條件為像素點周圍8鄰域最近鄰、對角線方向都滿足0＜NUM≤2。此篩選方法雖然可能會導(dǎo)致部分角點漏檢，但對于無人機影像而言，分布合理、數(shù)量足夠的角點即可滿足影像匹配需要。

本文在傳統(tǒng)Harris算法的基礎(chǔ)上，充分顧及CRF極大值附近像素點的影響，以CRF非極大值抑制得到的角點作為初始角點，然后，將其作為中心像素在周圍5×5模板范圍內(nèi)搜索角點簇(圖3)，利用最小二乘歐幾里德距離原理，并以各像素點的CRF作為權(quán)重，求解角點精確的亞像素坐標。歐幾里德距離D表達式為

圖3 5×5模板亞像素角點定位Fig.3 Sub－pixel location within 5×5 template

式中:矩陣 X 為［x－x1，y－y1，…，x－xn，y－yn］;權(quán)矩陣P為Diag(p1，p2，…pn)，各項權(quán)計算公式為即權(quán)值為第i個元素與角點簇中所有元素CRF總和的比值。

根據(jù)最小二乘原理求解亞像素角點坐標(x，y)為

式中(xi，yi)為模板范圍內(nèi)角點簇的第i個像素點。

本文無人機影像分塊的亞像素角點檢測流程如圖4所示。

圖4 本文方法技術(shù)流程Fig.4 Flow chart for the method

3 實驗結(jié)果及分析

為了驗證本文改進的Harris算法在無人機影像角點檢測中的精度和效率，選取灰度分布不均勻且差異較大，具有代表性的2幅無人機機載相機Cannon EOS 5D MarkⅡ獲取的5616×3744像幅大小的影像為實驗影像(圖5)。

圖5 2幅實驗影像Fig.5 2 test images

采用傳統(tǒng)的Harris算法、8鄰域改進的Harris算法［6］以及本文算法對實驗影像進行角點檢測，以固定影像塊數(shù)作為單元分塊進行實驗，通過VC++編程實現(xiàn)角點檢測，其結(jié)果如圖6—圖8所示。

圖6 傳統(tǒng)Harris角點檢測結(jié)果Fig.6 Results of traditional Harris corner detection

圖7 8鄰域改進的Harris角點檢測結(jié)果Fig.7 Results of improved Harris corner detection by eight neighborhood pixels

圖8 本文方法角點檢測結(jié)果Fig.8 Results of the method for corner detection

從3種方法的角點檢測結(jié)果對比可知，傳統(tǒng)Harris算法檢測到的角點含有大量的偽角點，且有些角點定位有偏差;8鄰域改進的Harris算法雖然減少了偽角點，但檢測出的角點分布不均勻，漏檢的角點相對較多;本文檢測方法在含有建筑物的區(qū)域檢測到的角點簇明顯減少，而在平滑區(qū)域檢測到的角點增加，漏檢的角點較少，整個圖像區(qū)域角點分布均勻，有利于減小影像后期的匹配誤差，同時，角點達到了亞像素級，檢測精度大為提高。

通過最近鄰、對角線方向相似像素特征初篩選角點后，像素點減少了近80%(圖8)，剔除了大量的非角點，極大地減少了數(shù)據(jù)的冗余度。由于一次乘法運算時間要遠長于一次加法運算［6］，因此初選角點主要采用加法運算，這樣在初篩選角點后可避免大量乘法運算，使改進后的角點檢測效率得到顯著提高。為了便于比較，在傳統(tǒng)Harris算法、8鄰域改進的Harris算法和本文方法設(shè)置相同角點響應(yīng)函數(shù)非極大值抑制閾值情況下，經(jīng)本文改進的角點檢測算法所耗時間分別僅為傳統(tǒng)Harris算法和8鄰域改進算法的8.8%和28.3%。顯然，本文方法在無人機影像角點精確快速定位方面具有很強的實用性。角點的定位精度和計算效率。該方法在角點檢測前，通過最近鄰和對角線方向相似像素點的特征初篩選角點;對影像分塊處理，自適應(yīng)設(shè)定閾值，以實現(xiàn)Harris角點定位;利用角點簇加權(quán)最小二乘歐幾里德距離完成亞像素角點定位。通過對無人機影像的角點檢測實驗，表明該方法檢測角點可實現(xiàn)亞像素定位精度，算法簡單高效，可明顯減少計算量，顯著提高了檢測效率;檢測的角點分布更為均勻，大大提高了Harris算法在無人機影像角點檢測中的實用性，可滿足無人機影像大數(shù)據(jù)量角點精確快速檢測需要。

4 結(jié)論

本文對傳統(tǒng)的Harris算法進行了改進，提高了

［1］Schmid C，Mohr R，Bauckhage C.Evaluation of Interesting Point Detectors［J］.International Journal of Computer Vision，2000，37(2):151－172.

［2］Mikolajezyk K，Schmid C.Scale ＆ Affine Invariant Interest Point Detectors［J］.International Journal of Computer Vision，2004，60(1):63－86.

［3］Rosten E，Porter R，Drummond T.Faster and Better:A Machine Learning Approach to Corner Detection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI)，2010，32(1):105－119.

［4］白瑞林，李 杜，趙晶晶，等，一種實用的X型靶標亞像素角點提取方法［J］.光學(xué)技術(shù)，2010，36(4):560 －565.Bai R L，Li D，Zhao J J，et al.A Practical Method for Detection of Sub － pixel Corners for X － target［J］.Optical Technique，2010，36(4):560－565(in Chinese with English Abstract).

［5］郭永芳，于 明，孫以材.一種改進的快速角點檢測方法研究［J］.計算機工程與應(yīng)用，2011，47(12):159 －161.Guo Y F，Yu M，Sun Y C.Study on Advanced Rapid Corner Detection Method［J］.Computer Engineering and Applications，2011，47(12):159 －161(in Chinese with English Abstract).

［6］王 崴，唐一平，任娟莉，等.一種改進的Harris角點提取算法［J］.光學(xué)精密工程，2008，16(10):1995 －2001.Wang W，Tang Y P，Ren J L，et al.An Improved Algorithm for Harris Corner Detection［J］.Optics and Precision Engineering，2008，16(10):1995 －2001(in Chinese with English Abstract).

［7］楊常清，王孝通，徐曉剛，等.基于特征空間的航空影像自動配準算法［J］.測繪學(xué)報，2005，34(3):218 －222.Yang C Q，Wang X T，Xu X G，et al.Automatic Registration of Aerophotos Based on Feature Space［J］.Acta Geodaetica Et Cartographica Sinica，2005，34(3):218 －222(in Chinese with English Abstract).

［8］王志強，程 紅，孫文邦，等.一種基于特征的航空遙感影像自動鑲嵌方法［J］.計算機與現(xiàn)代化，2009，12:85 －88.Wang Z Q，Cheng H，Sun W B，et al.A Method of Aerial Remote Sensing Image Automatic Mosaics Based on Feature［J］.Computer and Modernization，2009，12:85 －88(in Chinese with English Abstract).

［9］Moravec H P.Towards Automatic Visual Obstacle Avoidance［C］//Proceedings of International Joint Conference on Artificial Intelligence.Cambridge，MA:William Kaufmann，USA:1977:584－590.

［10］張小洪，李 博，楊 丹.一種新的Harris多尺度角點檢測［J］.電子與信息學(xué)報，2007，29(7):1735 －1738.Zhang X H，Li B，Yang D.A Novel Harris Multi－scale Corner Detection Algorithm［J］.Journal of Electronics＆ Information Technology，2007，29(7):1735 －1738(in Chinese with English Abstract).

A Rapid Sub－pixel Corners Detection Method for UAV Image Based on Image Block

HE Hai－qing
(School of Geodesy and Geomatics，Wuhan University，Wuhan 430079，China)

A rapid sub－pixel corners detection method based on image block for UAV(unmanned aerial vehicle)image is proposed with the purpose of improving the pixel level precision of corners location and the efficiency in Harris algorithm.With this method，we can screen corners by similar pixels in nearest and diagonal neighborhood direction，carry out Harris corners detection by auto－adaptive threshold based on image block，and then refine the initial corner by traditional Harris algorithm from the Euclidean distance between corners cluster and ideal corner by the least square method with weight.Tests show that the method is effective and practical for UAV image corners detection，and can improve Harris corners detection process speed greatly due to the reduction of the computation and also make corners well distributed.

UAV(unmanned aerial vehicle)image;Harris algorithm;corner detection;sub－pixel corner;Euclidean distance

TP 75

A

1001－070X(2012)04－0021－05

2012－02－23;

2012－04－26

國家863計劃資助項目(編號:2009AA12Z311)、精密工程與工業(yè)測量國家測繪地理信息局重點實驗室基金項目(編號:PF2011－11)和中央高?；究蒲袠I(yè)務(wù)費專項基金項目共同資助。

10.6046/gtzyyg.2012.04.04

何海清(1983－)，男，博士研究生，主要從事地形變形監(jiān)測、災(zāi)害預(yù)報及無人機應(yīng)用等研究。E－mail:hyhqing@163.com。

(責(zé)任編輯:刁淑娟)