基于混合匹配策略的航拍建筑物识别

论文摘要

建筑目标检测与识别是ATR（Automatic Target Recognition）技术的重要组成部分,是目前尚未很好解决的一个重要问题。本文主要研究在可见光的航拍建筑目标图像中,位于中远距离的建筑目标的搜索、匹配与识别方法,以及建筑目标识别的系统的设计与实现方案。在对已有航拍建筑物识别方法和图像匹配领域近几年研究成果的研究和分析的基础上,本文提出了基于建筑物区域灰度信息的图像匹配和建筑物区域方位信息等结合的混合匹配策略,不需要图像分割过程。对航拍图像在平移,缩放,旋转,扭曲,噪声干扰,多目标干扰,自然景物干扰等各种情况实验结果表明,该方法绝大部分情况能正确定位目标,处理速度能满足后续视频处理中的实时性的要求,有一定的实际应用价值。本文主要工作有:基于建筑物区域灰度信息的图像匹配算法,这里区域灰度信息不是简单的灰度相关性,而是在区域灰度信息基础上进行深度地处理,先采用DOG检测图像中特征点,然后求出特征点的SIFT描述子,随后提出改进的基于K-D树的快速特征点匹配方法得到匹配的特征点对,最后用PROSAC算法剔除误匹配点对并求得基础矩阵参数。另外提出了建筑物区域方位信息的概念,实现特定建筑物在区域中的方位,从而实现了航拍图像中特定建筑物的识别定位。本文的创新之处有:采用混合匹配策略,将图像匹配领域近几年的一些研究成果有机组合,其中对基于K-D树的特征点匹配算法进行了改进,并提出区域方位信息定位的方法,成功应用于航拍建筑物识别定位.系统不止针对机场、道路、桥梁等特定目标,能够实现包括民用建筑在内的普适目标的识别定位。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 研究目标与难点
• 1.4 论文主要工作与创新
• 1.5 技术路线
• 1.6 论文的组织结构
• 第二章 特征点提取与描述
• 2.1 尺度空间极值点检测
• 2.1.1 尺度空间的生成
• 2.1.2 空间极值点检测
• 2.2 精确极值点定位
• 2.3 确定关键点方向
• 2.4 特征点描述子
• 2.5 本章小结
• 第三章 基于K-D树快速特征点匹配
• 3.1 K-D树的构建
• 3.2 NN算法与BBF算法
• 3.3 改进BBF算法
• 3.4 本章小结
• 第四章 基础矩阵求解
• 4.1 RANSAC算法
• 4.1.1 算法的计算量
• 4.1.2 算法步骤
• 4.2 PROSAC算法
• 4.2.1 算法的核心思想
• 4.2.2 算法特征与符号说明
• 4.2.3 增长函数与半随机抽样
• 4.2.4 算法的终止标准
• 4.3 本章小结
• 第五章 区域方位信息与定位
• 第六章 实验结果与分析
• 第七章 总结与展望
• 参考文献
• 硕士期间发表的论文
• 致谢