[发明专利]一种基于SIFT算法的高精度迭代二分辅助刺点方法

说明书

本发明公开了一种基于SIFT算法的高精度迭代二分辅助刺点方法，包括：利用GCP地物图像和潜在匹配照片执行SIFT算法进行特征匹配，以辅助无人机航空摄影建模操作中的“刺点”步骤。利用中迭代方法和二分方法处理地物影像，从而最优化SIFT特征匹配精度的思想。利用潜在匹配照片集中的一张作为代表照片，与GCP地物图像运行高精度迭代二分辅助刺点方法，避免重复计算GCP地物影像大小。之后便可直接根据第一次确定的GCP地物影像大小执行SIFT算法对刺点进行指示。本发明的优点是：降低了无人机航空摄影建模操作的任务量，提升精度，提高工作效率。

技术领域

本发明涉及无人机航空摄影建模技术领域，特别涉及一种基于SIFT算法的高精度迭代二分辅助刺点方法。

背景技术

运动恢复结构(Structure from Motion,SfM)算法可以通过研究区的无人机原始多视角照片数据集和相应的RTK、PPK数据来重建研究区的三维模型。

SfM算法中，首先通过SIFT算法(及类SIFT算法)来提取原始照片间的特征点(feature points)。得到特征点后，就可使用RANSAC和八点法基于提取并过滤后的特征点估计基本矩阵(fundamental matrix)，随后提取得到轨迹(track)，并通过三角测量、光束平差等过程来恢复场景结构。

在SfM过程中，每个照片都会累计光束平差的剩余重投影误差，导致所有照片匹配完成后产生巨大的累计误差。地面控制点(GCPs)可以提供三维几何的额外外部信息，通过GCPs重新迭代光束平差，可以提高无人机模型的精度。

因此为照片提供GCPs信息就尤为重要。在一般情况下，提供GCP的坐标信息后，就可以在空三解算后形成的稀疏三维模型上自动确定一个和实际GCP略有偏移的子图像，之后再在子图像及其附近手动目视指定和实际GCP精确对应的像素块，这一过程即“刺点”。

在第一次无控制点的空三结算生成稀疏三维模型后，即可导入RTK实测的控制点坐标，随后展开“刺点”工作。对于刺点，传统的方法是：对于每一个控制点的所有潜在匹配，都人工指定控制点的实际位置(图1)。在这里，对于一个控制点的所有潜在匹配(potentialmatch)，是SfM软件首先通过控制点精确坐标直接映射到稀疏三维模型中的一个空间位置，再提取出所有参与构建稀疏三维模型中此位置的照片集，进而确定的。

对于一次大范围高分辨率的无人机航空摄影任务，一个控制点可能会对应很多张无人机航空摄影照片(潜在匹配)，对于这样大量的潜在匹配，若都采用人工目视方式进行“刺点”，在某些情况下极为费时费力。

各个潜在匹配照片由于摄影时高程、光影、镜头视角等的不同，可能存在一定程度的视觉差异。人工目视修正方式对这种视觉差异不敏感。尤其是对于那些色彩较暗、视角较偏的潜在匹配照片，很容易造成误“刺点”的情况，这样就不仅不能提高无人机模型的精度，反而还会影响其精度。

一般情况下，由于无人机航空摄影的照片集本身带有PPK位置信息，因此无控制点下建立的稀疏三维模型本身也具有一定的精度，所以“刺点”工作上事实上是一个小范围内的特征匹配任务，完全可以考虑通过SIFT等特征匹配算法实现“刺点”的指示。

但是，对于“刺点”操作，单纯利用SIFT算法时会存在一些问题，主要体现为：

①难以确定执行SIFT算法的GCP地物影像大小，利用太大或太小的GCP地物影像都会导致结果精度较差。一般而言，应寻求一个能满足一定精度要求的最小的GCP地物影像，使得精度较高的同时，计算速度也较快。

②为了达到①中的目的，自然的途径是通过试错法反复尝试一个最佳的GCP地物影像大小(图2)。但这样做效率较低，且具有不确定性，有可能在多个次优值之间反复试错从而跳过了最优值。

缩略语和关键术语定义

SfM:运动恢复结构；