一种基于尺度不变的景像匹配方法∗

贾 镕 季 航 拓浩男

（1.中国人民解放军陆军炮兵防空兵学院 合肥 230031）（2.偏振光成像探测技术安徽省重点实验室 合肥 230031）

1 引言

景像匹配是无人机、弹道导弹等飞行器导航和制导的关键技术，它将飞行器现场拍摄的实测图与事先制备好的基准图进行匹配，以确定飞行器的当前位置，修正航向误差。目前采用的下视匹配的基准图来源于卫星图像或者航拍图，实时图为飞行器机载相机，两者为同源相机，图像灰度差异不大，但是由于拍摄角度不同，图像会存不同情况的畸变，这使得两幅图像不利于匹配识别［1～4］。而且由于时间、天气带来的影响，使得景像匹配的实现更难。因此景像匹配制导技术成为新的研究热点。

基于此，本文提出一种新的基于尺度不变的景像匹配技术方法。首先利用SURF特征点提取对实时图和模板图像进行配准，再对感兴趣的目标进行模板匹配，找到其所在位置，实现景像匹配和目标匹配。实验结果表明，本文方法简单易行，可以获得较多目标的匹配，提高了景像匹配的实时性和准确率。

2 基本理论

2.1 SURF图像配准

Speeded Up Robust Features（SURF，加速稳健特征），是一种稳健的局部特征点检测和描述算法。最初由Herbert Bay发表。与Sift算法一样，Surf算法的基本路程可以分为三大部分：局部特征点的提取、特征点的描述、特征点的匹配［5～6］。Surf改进了特征的提取和描述方式，用一种更为高效的方式完成特征的提取和描述，具体实现流程如下：1）构建Hessian（黑塞矩阵），生成所有的兴趣点，用于特征的提取；2）构建尺度空间；3）特征点定位；4）特征点主方向分配；5）生成特征点描述子；6）特征点匹配。

2.2 模板匹配

基于相关的模板匹配技术可以直接用于在一幅图像中寻找某种子图像模式［4］。大小为M×N的图像 f(x,y)和大小为J×K的子图像模式w(x,y)，f与w的相关可表示为

这一计算的目的是寻找匹配而不是对 f(x,y)进行滤波操作，因此w的原点被设置在子图像的左上角，并且式（1）给出的形式也完全适用于J和K为偶数的情况［7～8］。

3 算法描述

应用于景像匹配时，一般是先将卫星图或航拍图作为基准图存储起来；然后在得到实时图后与基准图进行特征提取与匹配，将图像进行配准；将配准后的实时图的感兴趣目标进行提取，与基准图进行模板匹配。利用本文算法进行匹配运算，输出匹配结果，修正实时图的偏差，提高匹配精度。图1为本文算法图像匹配流程图。

图1 算法流程图

算法说明：1）对实时图和模板图进行SURF特征提取；2）将两幅图的特征点匹配，使得实时图能够与模板图配准，符合正常人眼识别的景像；3）对配准后的图像进行目标提取对目标区域进行模板匹配。

4 结果与分析

4.1 实验数据处理

下面使用实景图进行实验处理与验证，选定一张实景图2（a）作为模板图，选定两张从不同角度拍摄的实景作为实时图，下面进行实验处理［9～10］，如图2所示。

图2 模板图与实时图原图

将实时图与模板图特征点提取并匹配。如图3所示。

图像配准后的结果如图4所示。

目标提取与模板匹配，如图5所示。

图3 SURF特征提取与匹配

图4 SURF特征提取与匹配

图5 对目标区域进行模板匹配

4.2 实验结果分析

为了综合评估算法对几何畸变的特征匹配能力，对几种畸变的情况进行评估，使用SURF与SIFT算子对两幅实景图与模板图的特征匹配进行比较［11～12］，匹配图结果如图6所示。

图6 SIFT与SURF图像匹配

结果对比如表1所示。

表1 SIFT与SURF特征提取对比

从表1中可以看出，实时图因拍摄角度和距离等原因与模板图存在较大畸变时，可以看到使用SURF特征点提取与匹配有匹配率高和耗时短等优势，能够在保证图像配准同时找到目标。如果单靠目视观察实时图找到探测目标，无法清晰判断出目标区域，本文通过两类实时图选取了目标区域，与模板图进行模板匹配后，可以很明显找到目标所在位置，并将目标位置从匹配位置从图中标出。

5 结语

快速精准的景像匹配是做到精确打击与导航的前提，随着武器装备的发展，现代化战争对制导武器的导航定位要求越来越高，因此也对匹配算法的性能提出了更高的要求。通过仿真对比实验，可以看到本文提出的算法具有图像尺度不变性、匹配时间短等优点，该算法的使用有利于下一步景像匹配研究做了铺垫。