面向弱纹理空间目标的特征点匹配方法

特征点提取与匹配是遥感图像处理中关键的一环,目前成熟的算法大多面向对地成像类型的遥感图像,对于空间目标的遥感图像,没有考虑成像条件与探测平台的影响因素,特征点匹配质量较差。针对空间目标的匹配精度不高这一问题,文章提出了一种基于聚类的特征点匹配算法。首先,根据空间目标的重复弱纹理进行特征点提取与描述,再利用特征点的空间位置进行聚类,并对特征点簇进行匹配;之后将特征点的主方向减去目标整体方向,利用特征点主方向对每一个点簇进行再分组,并完成特征点匹配;最后利用最近邻次近邻比率方法和随机样本一致算法(RANSAC)剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明,对于空间目标图像,基于聚类的特征点匹配较直接匹配,匹配数量的提升最高可达50%,重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子,能够大幅度提高空间目标图像特征点匹配的数量与精度。

基于多特征融合的天基面目标长时跟踪算法

天基视频成像特性存在目标尺寸小、特征几乎无纹理、干扰因素多等问题,现有的近景面目标跟踪算法不完全适用。文章通过利用梯度直方图与颜色名称两种特征在天基视频跟踪中的不同优势,借鉴由跟踪、学习、检测三部分组成的长时跟踪思路,对高斯核化相关滤波器进行改进,提出了一种适用于视频卫星数据处理的多特征融合面目标长时跟踪算法。运用该算法对来自SkySat-1及“欧比特”视频卫星的遥感影像数据集进行面目标跟踪测试,从4组天基视频数据中选取的6个目标均实现了稳定跟踪;同时,对OTB近景数据集中选取的与天基视频有类似特征的16组视频序列的测试结果显示,该算法实现了83.4%的精度、63.2%的成功率。试验表明,文中所提方法优于现有相关跟踪方法,显示了将长时跟踪策略引入天基视频跟踪领域的可行性和广泛应用前景。