四旋翼飞行机或四旋翼无人机简称为无人机[1]，该机是一个具有四个螺旋桨且螺旋桨呈十字形交叉的天空飞行器，在无人机上可以搭配光学相机或者微型录像机进行空中照相或录制视频。无人机航空摄影测量系统则是建立在无人机移动平台基础上，实现空间高分辨率遥感影像数据的一种先进的测量技术手段，在地质地形地貌测量、减灾防灾、应急救援、突发事件处理以及灾后重建等方面都发挥着十分主要的作用。

河南省西部的熊耳山地区是重要的金、银、铅、钼矿物聚集区，矿区内地质条件复杂，山区主体是中山、低山和丘陵，也有小面积的山间盆地和河谷平原，地质普查工作量巨大，具有一定的危险性，采用无人机进行先期的地形地貌测量系统具有十分显著地优点。目前，国内外在无人机测量方面，主要依靠影像航拍相机采集图像，传统的测量相机不仅价格昂贵，还需要进行胶片影像扫描获取数字影像，其拍摄质量低，测量消耗时间长。随着无人机航空测量技术、存储与传输技术的发展，采用非测量型相机CCD进行图像采集得到了广泛的应用，CCD相机具有价格低廉，传感器工作稳定，灵敏度较高等优点，但非测量相机CCD无法直接测定，图像畸变改正差较大，因此在进行航空拍摄之前必须对其进行匹配检校。

1.无人机影像预处理

由于无人机摄影系统搭载的是非专业测量型数码相机，该仪器性能不稳定，方位元素不确定，导致航拍影像存在光学畸变误差。光学畸变误差包括径向畸变差和偏心畸变差。本系统中使用的相机焦距固定，所以畸变差均为系统误差，对采集到的所有图像产生的影像相同。

相机的检校可以采用光学实验室检校法、实验室检校和在任检校等方法。目前检测的主要方法为实验室检校法。实验场是由一些已知空间坐标的标志点组成，在检校的过程中用呗检校的相机对该实验场进行拍摄，根据单片空间后方交会或多片空间后交会的方式求解内方位元素及其他影响光束形状的元素[2]。本系统在2D实验校场采用无人机数码相机检校软件EasyCalibrate对数码相SonyRx100进行检校，表1为检测的结果和内容，坐标原点在影像的左下角。

影像畸变差改正——间接法，此方法采用由纠正后影像上的坐标反算出对应点在原始影像上的像点坐标，同时结合灰度插值法实现图像的修正[3]，如图1所示

通过空间后方交会方法解算相机在摄影时的坐标，提高了高外方位元素的精度，提高几何定标精度[4]。

无人机姿态的精准控制主要通过获取的航姿传感器的信号及时调整，航姿传感器一般包括倾角传感器和角速度传感器两种类型，其中的倾角传感器采用的来自三个方向的加速度传感器间接实现，它输出的信号数值表现的是当前三个轴向的加速度值，当实际地质航空测量时如果无人机悬停在空中保持静止，那么此时获取的加速度值通过简单的换算就可以得到真实的倾角参数[5]。在实际应用场景中无人机在空中是不可能长时间保持静止的，当天空中出现风时，无人机受到干扰可能会偏离某一个方向，此时即使无人机真实保持在一个水平方向，但加速度传感器的输出数值仍然会偏离中心值，造成控制中心给出误判的数值。为了避免出现这种情况，在实际测量中常常需要引入三轴角速度传感器和超声测距仪，根据三个轴向上获得的角速度和Z轴方向上获得的加速度以及实时高度值的变化率对X、Y轴方向上的加速度进行修正，从而得出接近实际的真实的倾角信息[5]。

2. 无人机影像匹配

无人机图像成图方法多数情况下采取图像匹配技术，该技术通过相应的匹配算法在两幅图或多幅图像之间识别同名点，常用的匹配方法主要包括以下两大类：一类是基于灰度的匹配，另一类是基于特征的匹配[4]。本文实际测量中，采用基于特征匹配方式中最为常用的SIFT特征匹配算法，进行海量数据的高精度匹配。SIFT匹配算法采用基于影像局部特征值的匹配[6]，该算法对平移、旋转遮挡等都持有不变性，所以在实际使用中具有很强的稳定性，特征匹配流程如图2所示。

图2 特征匹配流程图

Figure 2 Feature matching flow chart

2.1金字塔影像

金字塔影像指的是将原始影像进行分解，得到一系列不同分辨率的子图像，将这些图像按照分辨率的大小由小到大排序，形成一组类金字塔样式的重叠影像。在最上层的影像中找到匹配点，将该匹配位置作为下一层的预测位置，把这层的匹配结果作为下一层的初始匹配位置，依次进行匹配，将匹配结果当作控制使用，对其他特征点进行匹配[7]。这种由上而下，由粗到细的处理过程，保证了影像搜索过程中的可靠性。

在金字塔影像结构里，图像采用分层的结构表示。在金字塔结构的最高层，用来存储获得的分辨率最低的数据，随着金字塔层数的增加，数据的分辨率依次降低，在金字塔的最底层，则存储着能够满足用户需要的最高分辨率的数据[8]。这样根据用户的需要采用不同的层数与不同的分辨率进行存储与显示，形成分辨率由高到低、数据量由小到大的金字塔结构。这种影像金字塔结构用于图像编码和渐进式图像传输，是一种典型的分层数据结构形式[9]，适合于栅格数据和影像数据的多分辨率组织，也是一种栅格数据或影像数据的有损压缩方。

2.2影像特征点提取

特征提取指的是使用一台计算机以提出影像中同名点的图像信息，该信息决定了图像中的共同特征[7]。影像特征提取一般依靠图像中灰度的分布，通过这些信息确定特征的位置形状及大小。

SIFT特征匹配算法主要包括两个部分[10]：从多幅图像中提取相互关联的向量特征；采用SIFT对特征向量进行匹配。尺度空间表示是一种基于区域的表达，尺度空间被定义为高斯卷积核与遥感影像的乘积，经过Koendetink与Babaud等人的推导，证明了高斯核是实现尺度变换的唯一线性核[8]。

定义了尺度空间之后，就可以利用尺度空间函数来建立高斯金字塔模型，相邻两层之间的尺度比例和同一阶金字塔影响相邻两层之间定义的尺度空间函数，建立差分高斯金字塔[11]。相邻层之间的尺度比例定义为k，并定义尺度因子为δ，D(x,y,δ)为差分高斯金字塔函数。最后将每个采样点与其所在同一层次比例尺空间周围相邻上下比例尺空间上相应位置的相邻点进行比较，如果检测点为局部最大值或最小值时，则该点为影像在该尺度下的一个候选点[12]。

3.实验测试

本实验采用无人机型号为DJI Inspire V2.0四轴航拍飞行器，主要参数包括最大飞行高度4500米，最大上升速度5米/秒，最大水平飞行速度22米/秒，最大俯仰角度35°最大风力10米/秒，飞行器自带图像传感器采用Sony EXMOR 1/2.3。本次实验采用的图像设备是Cannon5D MarkII, 像幅尺寸为36*24mm。在笔记本电脑上安装Visual Studio 2017并配置Open CV进行实验测试，使用C++实现SIFT对图像特征点的提取，选用二维特征点匹配方法BruteForce Matcher进行匹配，设定一定的阈值对匹配结果进行过滤，使用FindHomography函数设置RANSAC方法消除错误匹配，按上述步骤对SIFT进行测试了解其性能，测试得出性能如表2所示。

实验结果表明，该方法匹配时间合理，经过阈值和基础矩阵过滤后点数基本覆盖图像重点区域，像素点分布较均匀，误差较低，可以满足系统的匹配需求，匹配测试图像如图3所示。该实验匹配的正确率为91.63%，如果对图像增加光照效果，匹配的正确率可以达到93.25%，因此本研究方法具有良好的抗干扰性，具有较高的稳定性，可以广泛应用于某些具有干扰因素的低空影像匹配中。

图3 特征匹配对比实验图

Figure 3 Feature Matching Experiments

4. 结论

本文在对航空测量图像预处理理论基础上，通过影像特征提取方法研究，用Visual C++实现SIFT对图像特征点的提取，选用二维特征点匹配方法BruteForce Matcher进行影像区域匹配，使用FindHomography函数设置RANSAC方法消除错误匹配，该方法通过在某场景地质地貌图片场景实验，匹配正确率在91.63%~93.25%（根据场景光照），获得了较为满意的匹配效果。但由于无人机本身存在的不足之处，难于与专业的图像处理系统进行比较，随着通信技术与控制技术的进一步发展，未来无人机必将在低空测量领域具有突破性的应用与发展前途。

相关研究成果以无人机航测图像匹配关键技术研究和计算机成图技术为题，发表在《电子测量技术》上，第一作者樊伊君，第一作者单位：河南省第一地质矿产调查院有限公司（原河南省地质矿产勘查开发局第一地质矿产调查院）