[发明专利]一种无人机近红外传感器数据匹配方法

说明书

本发明公开了一种无人机近红外传感器数据匹配方法，该方法基于无人机近红外数据特点，利用SIFT算法，通过优化SIFT匹配参数和随机抽样一致算法RANSAC粗差剔除，获得可靠的匹配结果，通过图形处理器GPU的应用，提高算法效率。其中，SIFT算法包含4个步骤：极值检测、特征点定位、主方向分配、特征点描述子生成。该方法不仅能够满足实际应用的需要，还可为无人机近红外传感器的应用提供支持，并进一步提高无人机在地质、环境等领域的应用能力。

技术领域

本发明属于传感器数据匹配领域，具体涉及一种无人机近红外传感器数据匹配方法。

背景技术

无人机低空遥感技术以其方便灵活、使用成本低、响应快速和可获得厘米级数据成果等优势迅速得到各行各业的认可，并成为航空和航天遥感的重要补充手段。但是，无人机平台也存在很多不足，如有效载荷较小，极大地限制了机载传感器的发展。目前无人机传感器以可见光数码相机为主，在测绘等领域取得了较好的应用效果。然而对于地质、环境等领域，数据光谱范围较窄，使其应用范围受限。

随着无人机传感器的快速发展，已由传统可见光转向多/高光谱方向，出现了不少重量在3kg以内的小型传感器。但由于这些传感器大多并不只为遥感应用设计，数据质量及其成像模式与传统遥感数据不同，存在相幅较小、噪声较大等问题，再加上无人机平台本身姿态差等劣势。在后期成图处理中，传统处理软件难以适应这类数据，匹配结果不能满足处理需要，较难实现数据成图及发挥遥感的“大视野”优势。

目前，在无人机影像匹配方面，传统的角点检测算法包括：Harris，FAST(featuresfrom accelerated segment test)，BRIEF(binary robust independent elementaryfeatures)，MSER(maximally stable external regions)，FREAK(fast retina keypoint)和SIFT(scale-invariant feature transform)。但是，Harris算子不能很好地处理不同尺度的影像；FAST和BRIEF特征不是旋转不变的；MSER算法在高对比度的影像区域表现更好。其中SIFT算法是最被认可的算子，但SIFT算法是以解决可见光影像为主，其参数设置都以可见光影像为对象，直接将SIFT算法应用于近红外影像匹配难以得到准确的匹配结果，甚至导致匹配失败。

因此，迫切需要寻求一种无人机近红外传感数据匹配方法，以获得可靠的匹配结果，提高算法效率。

发明内容

发明目的：通过无人机近红外传感器数据匹配方法，解决近红外影像难以得到准确的匹配结果、甚至导致匹配失败的问题，获得可靠的匹配结果，提高算法效率，满足实际应用的需要。

技术方案：一种无人机近红外传感器数据匹配方法，包括以下3步骤：

步骤1：基于无人机近红外数据特点，利用SIFT算法，匹配近红外频谱范围数据；

步骤2：通过优化SIFT匹配参数和随机抽样一致算法RANSAC粗差剔除；

步骤3：通过图形处理器GPU进行计算，获得匹配结果。

进一步的，步骤1中，SIFT算法包含4个步骤，极值检测、特征点定位、主方向分配、特征点描述子生成。

进一步的，控制SITF算法第1步骤的3个主要参数为组数，每组第一级的初始高斯平滑模板大小和每组的尺度数，初始高斯平滑模板大小由尺度空间因子σ决定。

进一步的，SIFT算法第2步骤中，低对比度区域的不稳定潜在关键点用对比度阈值参数去除，位于边缘的不稳定潜在关键点用边缘阈值参数去除。

进一步的，SIFT算法步骤3和步骤4中，匹配描述子时需要确定距离比率参数，排除错误匹配。

与现有技术相比，本发明具有如下有益效果：