无人机视频快速拼接方法

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108492256A(43)申请公布日2018.09.04(21)申请号201810348081.2(22)申请日2018.04.18(71)申请人中国人民解放军陆军工程大学地址050003河北省石家庄市和平西路97号中国人民解放军陆军工程大学石家庄校区无人机工程系(72)发明人胡永江　张岩　李爱华　李建增　张玉华　褚丽娜　李文广　赵月飞　刘新海　(74)专利代理机构河北东尚律师事务所13124代理人王文庆(51)Int.Cl.G06T3/40(2006.01)权利要求书3页 说明书 房屋状态说明书下载罗氏说明书下载焊机说明书下载罗氏说明书下载GGD说明书下载 8页附图1页(54)发明名称无人机视频快速拼接方法(57)摘要本发明公开了一种无人机视频快速拼接方法，涉及计算机视觉技术领域。本算法的重点在于加强无人机视频拼接的实现的简洁性与实时性，实验结果表明，FARISFD与ROGFD较传统特征检测子与描述子具有更强的鲁棒性与实时性，RSCFDI较传统算法简化了构建模型的迭代步骤，提高了获取正确模型的效率，无人机视频快速拼接方法能够实现实时性较强的视频拼接，是对现有技术的重要改进。CN108492256ACN108492256A权　利　要　求　书1/3页1.一种无人机视频快速拼接方法，其特征在于，用于对视频帧进行拼接，包括以下步骤：步骤一，将无人机视频根据任务需求，设置第a帧为起始帧，第b帧为终止帧，每隔m帧抽取一帧，得到全部帧数为[b-a/m]的待处理帧；其中，[]为取整符号；步骤二，利用降采样算法分别对全部待处理帧进行降采样处理，得到分辨率缩小k倍的全部待预处理帧；其中，k为由任务需求而定的分辨率缩小倍数；步骤三，利用灰度均匀化算法分别对全部待预处理帧进行并行预处理，得到全部待匹配帧；步骤四，利用FARISFD检测子分别对全部待匹配帧进行并行特征检测，获得[b-a/m]组特征点；步骤五，利用ROGFD描述子分别对[b-a/m]组特征点进行并行特征描述，获得[b-a/m]组特征向量；步骤六，利用基于KD树的BBF算法与双向匹配法分别对全部待匹配帧中相邻两帧的特征向量进行并行匹配，得到[b-a/m]-1组特征对应关系；步骤七，利用RSCFDI算法分别对[b-a/m]-1组特征对应关系进行并行计算，得到对应的[b-a/m]-1组第一单应性矩阵；步骤八，根据式1对[b-a/m]-1组第一单应性矩阵进行计算，得到对应的[b-a/m]-1组变换矩阵：式1中，Ha为由[b-a/m]-1组第一单应性矩阵组成的序列，Hb为由对应的[b-a/m]-1组变换矩阵组成的序列；步骤九，根据式2对[b-a/m]-1组变换矩阵进行计算，得到全部待匹配帧的第二单应性矩阵：式2中，Hc为由第二单应性矩阵Η1,Η2,Η3,…,Hn组成的序列，h1,h2,h3,…,hn分别为Hb中的一个变换矩阵；步骤十，将全部待处理帧以起始帧为基准，按照全部待匹配帧的第二单应性矩阵进行透射变换，得到视频帧拼接图，完成无人机视频快速拼接。2.根据权利要求1所述的无人机视频快速拼接方法，其特征在于，步骤四具体包括以下步骤：(401)分别将两张待匹配图像的尺度空间的每组中总层数定为4；(402)根据两张待匹配图像的行数与列数分别求出两张待匹配图像的尺度空间的总组数；(403)将两张待匹配图像分别根据各自的尺度空间的总组数与尺度空间的每组中总层2CN108492256A权　利　要　求　书2/3页数，按照SIFT算法分别构建两个尺度空间，其中高斯滤波函数为x与y分别为像素点的横纵坐标；(404)在两个尺度空间内的每组的上下两端分别加入过渡层，得到两个新的尺度空间；其中，上端过渡层由本组最上层经过高斯滤波得到，下端过渡层由前组的最上层经过降采样与高斯滤波得到，最底层为原始图像；(405)利用FAST算子对两个新的尺度空间的每一层的每一个点进行计算，得到所有点的特征分数；(406)将两个新的尺度空间的除过渡层外的每一层的每一个点的特征分数与上下层以及同层中共26个相邻点的特征分数作比较，若该点的特征分数最大或最小，则判定该点为候选点，比较判定后得到两组候选点；(407)分别计算两组候选点的特征分数的微分与二阶微分，并根据两组候选点的特征分数的微分与二阶微分计算得到两组候选点的亚像素级横纵坐标；(408)利用小波扇形环绕对两组具有亚像素级横纵坐标的候选点分别赋予方向得到两组特征点。3.根据权利要求1所述的无人机视频快速拼接方法，其特征在于，步骤五具体包括以下步骤：(501)利用Scharr算子分别对两张待匹配图像进行计算，得到两张待匹配图像的图像梯度；(502)根据得到的两张待匹配图像的图像梯度分别计算两张待匹配图像的二阶 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 偏导数；(503)以特征点为中心，以24σi为边长，以特征点方向为纵轴方向，确定一个正方形邻域；其中，σi为定向的特征点的尺度参数；(504)将正方形邻域分成16个相同的子正方形邻域，将每个子正方形邻域的大小扩展为9σi×9σi，相邻的扩展后的子正方形邻域有宽度为2σi的交叠带，所有扩展后的子正方形邻域组成描述网格；(505)利用高斯核为2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的二阶标准偏导数及其绝对值进行加权求和，得到4维向量；(506)连接16个扩展后的子正方形邻域内的4维向量得到一个64维向量，对该64维向量归一化处理到单位长度后得到该特征点的特征向量；(507)重复步骤(503)至步骤(506)，直至两张待匹配图像中的所有特征点均被特征描述完毕且得到各自的特征向量。4.根据权利要求1所述的无人机视频快速拼接方法，其特征在于，步骤七具体包括以下步骤：(701)根据匹配点对的特征距离为 样本 保单样本pdf木马病毒样本下载上虞风机样本下载直线导轨样本下载电脑病毒样本下载 集中的每一个样本点赋予先验概率；其中，特征距离为匹配点对中两点的相关性系数，先验概率为特征距离的倒数的归一化值。(702)根据预设模型对样本点个数的要求，依先验概率从样本集中抽取若干样本点，构成一个用于求解预设模型具体参数的最小子集；(703)由步骤(702)中的最小子集求解出预设模型的一组具体参数；3CN108492256A权　利　要　求　书3/3页(704)用由步骤(703)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集；(705)从样本集中逐次获取内点集，将当次所得内点集与前次所得的最大内点集相比较，直至某次所得内点集在紧随其后的连续M次比较中均为最大内点集，以此内点集为第一极大内点集；其中，M的取值范围为28～32，最大内点集是指元素个数最多的内点集；(706)根据预设模型对样本点个数的要求，从当次已有的最大内点集中以等概率方式选取一个用于求解预设模型具体参数的最小子集；(707)由步骤(706)中的最小子集求解出预设模型的一组具体参数；(708)用由步骤(707)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集；(709)再次从样本集中逐次获取内点集，将当次所得内点集与已有的最大内点集相比较，直至某次所得内点集在紧随其后的连续N次比较中均为最大内点集，以此内点集为第二极大内点集；至此，第二极大内点集中的样本点所表示的匹配点对即为两个图形间的有效匹配点对；其中，N的取值范围为57～63。4CN108492256A说　明　书1/8页无人机视频快速拼接方法技术领域[0001]本发明涉及计算机视觉技术领域，特别是指一种无人机视频快速拼接方法。背景技术[0002]近年来，无人机摄像技术在各个领域得到飞速的发展，但侦察视频图幅较小，机体抖动、噪声与大光照变化，以及利用POS数据正射纠正不精确与地面控制点难以获取等因素，严重影响了视频配准效果与速度。因此研究一种无人机侦察视频快速配准方法具有重要的现实意义。[0003]随着计算机视觉技术的迅猛发展，使得航摄影像配准进入自动图像匹配的阶段，近些年来被广泛使用与研究的是特征匹配。[0004]在特征匹配方面，学者做了大量工作：Lowe于1999年提出了经典的Scale Invariant Feature Transform(SIFT)算法，并于2004年对该算法进行了进一步完善。该算法在高斯差分尺度空间(Difference of Gaussians,DoG)内检测极值点，并剔除对比度低的点及边缘响应，同时建立梯度方向分布直方图，生成128维描述符。该算法具有尺度与旋转不变性，同时对视点、模糊、照度与JPEG压缩等变换鲁棒性强，但实时性不高。2006年，Bay等人改进了SIFT，提出了Speeded Up Robust Features(SURF)算法。该算法使用不同尺寸快速海森矩阵检测关键点，同时利用小波响应生成64维描述符，使得检测与描述速度大幅提升，但对模糊、照度与JPEG压缩等变换敏感。2011年，Leutenegger改良了Binary Robust Independent Elementary Features(BRIEF)算法，提出了Binary Robust Invariant Scalable Keypoints(BRISK)算法。该算法在近似尺度空间中利用Adaptive and Generic corner detection based on the Accelerated Segment Test(AGAST)检测特征点，同时利用长距离迭代法为特征点赋予方向，并在关键点周围利用固定的采样模式生成二进制描述符。该算法不仅具有视点、模糊、照度、JPEG压缩、旋转与尺度等不变性，而且完全满足实时性要求，但与SIFT、SURF等算法相比，各方面鲁棒性较弱。2011年，Alahi等人提出一种基于人眼视网膜的Fast Retina Keypoint(FREAK)描述子。其本质也是二进制描述符，利用扫视匹配搜索，比BRISK描述符的各种变换鲁棒性均有提高，而且速度完全满足实时需求，但各方面鲁棒性还是较弱。Pablo等人于2012年提出一种非线性特征检测的KAZE算法。传统基于线性高斯金字塔进行多尺度检测的算法都是以牺牲局部精度为代价，来提取特征点同时消除噪声，这容易造成边界模糊和细节丢失，使匹配稳定性差与误匹配点多，非线性尺度分解有望解决此类问题。KAZE的描述子与检测子都是基于SURF而改进 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 的，采用任意步长来构造稳定的非线性尺度空间，同时考虑了子区域交叠带，使得对于各种变换比SIFT更为稳健，但速度大幅下降。2013年，Pablo等人又提出一种快速的Accelerated-KAZE算法。该算法利用Fast Explicit Diffusion(FED)数学框架，动态加速了非线性尺度空间的计算，同时提出一种二进制描述符Modified-Local Difference Binary(M-LDB)，使得算法的速度大大提高，但描述子各方面鲁棒性弱于KAZE描述子。5CN108492256A说　明　书2/8页发明内容[0005]有鉴于此，本发明提出一种无人机视频快速拼接方法，该方法能够简化视频拼接的过程，提高拼接效率。[0006]基于上述目的，本发明提供的技术 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 是：[0007]一种无人机视频快速拼接方法，其用于对视频帧进行拼接，包括以下步骤：[0008]步骤一，将无人机视频根据任务需求，设置第a帧为起始帧，第b帧为终止帧，每隔m帧抽取一帧，得到全部帧数为[b-a/m]的待处理帧；其中，[]为取整符号；[0009]步骤二，利用降采样算法分别对全部待处理帧进行降采样处理，得到分辨率缩小k倍的全部待预处理帧；其中，k为由任务需求而定的分辨率缩小倍数；[0010]步骤三，利用灰度均匀化算法分别对全部待预处理帧进行并行预处理，得到全部待匹配帧；[0011]步骤四，利用FARISFD检测子分别对全部待匹配帧进行并行特征检测，获得[b-a/m]组特征点；[0012]步骤五，利用ROGFD描述子分别对[b-a/m]组特征点进行并行特征描述，获得[b-a/m]组特征向量；[0013]步骤六，利用基于KD树的BBF算法与双向匹配法分别对全部待匹配帧中相邻两帧的特征向量进行并行匹配，得到[b-a/m]-1组特征对应关系；[0014]步骤七，利用RSCFDI算法分别对[b-a/m]-1组特征对应关系进行并行计算，得到对应的[b-a/m]-1组第一单应性矩阵；[0015]步骤八，根据式1对[b-a/m]-1组第一单应性矩阵进行计算，得到对应的[b-a/m]-1组变换矩阵：[0016][0017]式1中，Ha为由[b-a/m]-1组第一单应性矩阵组成的序列，Hb为由对应的[b-a/m]-1组变换矩阵组成的序列；[0018]步骤九，根据式2对[b-a/m]-1组变换矩阵进行计算，得到全部待匹配帧的第二单应性矩阵：[0019][0020]式2中，Hc为由第二单应性矩阵Η1,Η2,Η3,…,Hn组成的序列，h1,h2,h3,…,hn分别为Hb中的一个变换矩阵；[0021]步骤十，将全部待处理帧以起始帧为基准，按照全部待匹配帧的第二单应性矩阵进行透射变换，得到视频帧拼接图，完成无人机视频快速拼接。[0022]可选的，步骤四具体包括以下步骤：[0023](401)分别将两张待匹配图像的尺度空间的每组中总层数定为4；6CN108492256A说　明　书3/8页[0024](402)根据两张待匹配图像的行数与列数分别求出两张待匹配图像的尺度空间的总组数；[0025](403)将两张待匹配图像分别根据各自的尺度空间的总组数与尺度空间的每组中总层数，按照SIFT算法分别构建两个尺度空间，其中高斯滤波函数为x与y分别为像素点的横纵坐标；[0026](404)在两个尺度空间内的每组的上下两端分别加入过渡层，得到两个新的尺度空间；其中，上端过渡层由本组最上层经过高斯滤波得到，下端过渡层由前组的最上层经过降采样与高斯滤波得到，最底层为原始图像；[0027](405)利用FAST算子对两个新的尺度空间的每一层的每一个点进行计算，得到所有点的特征分数；[0028](406)将两个新的尺度空间的除过渡层外的每一层的每一个点的特征分数与上下层以及同层中共26个相邻点的特征分数作比较，若该点的特征分数最大或最小，则判定该点为候选点，比较判定后得到两组候选点；[0029](407)分别计算两组候选点的特征分数的微分与二阶微分，并根据两组候选点的特征分数的微分与二阶微分计算得到两组候选点的亚像素级横纵坐标；[0030](408)利用小波扇形环绕对两组具有亚像素级横纵坐标的候选点分别赋予方向得到两组特征点。[0031]可选的，步骤五具体包括以下步骤：[0032](501)利用Scharr算子分别对两张待匹配图像进行计算，得到两张待匹配图像的图像梯度；[0033](502)根据得到的两张待匹配图像的图像梯度分别计算两张待匹配图像的二阶标准偏导数；[0034](503)以特征点为中心，以24σi为边长，以特征点方向为纵轴方向，确定一个正方形邻域；其中，σi为定向的特征点的尺度参数；[0035](504)将正方形邻域分成16个相同的子正方形邻域，将每个子正方形邻域的大小扩展为9σi×9σi，相邻的扩展后的子正方形邻域有宽度为2σi的交叠带，所有扩展后的子正方形邻域组成描述网格；[0036](505)利用高斯核为2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的二阶标准偏导数及其绝对值进行加权求和，得到4维向量；[0037](506)连接16个扩展后的子正方形邻域内的4维向量得到一个64维向量，对该64维向量归一化处理到单位长度后得到该特征点的特征向量；[0038](507)重复步骤(503)至步骤(506)，直至两张待匹配图像中的所有特征点均被特征描述完毕且得到各自的特征向量。[0039]可选的，步骤七具体包括以下步骤：[0040](701)根据匹配点对的特征距离为样本集中的每一个样本点赋予先验概率；其中，特征距离为匹配点对中两点的相关性系数，先验概率为特征距离的倒数的归一化值。[0041](702)根据预设模型对样本点个数的要求，依先验概率从样本集中抽取若干样本点，构成一个用于求解预设模型具体参数的最小子集；7CN108492256A说　明　书4/8页[0042](703)由步骤(702)中的最小子集求解出预设模型的一组具体参数；[0043](704)用由步骤(703)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集；[0044](705)从样本集中逐次获取内点集，将当次所得内点集与前次所得的最大内点集相比较，直至某次所得内点集在紧随其后的连续M次比较中均为最大内点集，以此内点集为第一极大内点集；其中，M的取值范围为28～32，最大内点集是指元素个数最多的内点集；[0045](706)根据预设模型对样本点个数的要求，从当次已有的最大内点集中以等概率方式选取一个用于求解预设模型具体参数的最小子集；[0046](707)由步骤(706)中的最小子集求解出预设模型的一组具体参数；[0047](708)用由步骤(707)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集。[0048](709)再次从样本集中逐次获取内点集，将当次所得内点集与已有的最大内点集相比较，直至某次所得内点集在紧随其后的连续N次比较中均为最大内点集，以此内点集为第二极大内点集；至此，第二极大内点集中的样本点所表示的匹配点对即为两个图形间的有效匹配点对；其中，N的取值范围为57～63。[0049]本发明相对于现有技术的有益效果在于：[0050]本算法的重点在于加强无人机视频拼接的实现的简洁性与实时性，为此，本发明采用了以下步骤：(1)利用降采样与光照均匀化算法对待处理视频帧进行处理，(2)利用快速自适应鲁棒性尺度不变的特征检测子(fast adaptive robust invariant scalable feature detector,FARISFD)与鲁棒性交叠的标准特征描述子(robust overlapped gauge feature descriptor,ROGFD)来增强方法的鲁棒性与实时性，(3)利用基于KD(k-dimensional)树的BBF(best bin first)算法与双向匹配结合的方法提高搜索效率，(4)利用RSCFDI(Random Sample Consensus based on Feature Distance and Inliers)与本文算法求解单应性矩阵，(5)根据单应性矩阵将全部待处理帧进行透射变换，得到视频帧拼接图。实验结果表明，本方法中FARISFD与ROGFD较传统特征检测子与描述子具有更强的鲁棒性与实时性，RSCFDI较传统算法简化了构建模型的迭代步骤，提高了获取正确模型的效率。总之，本发明方法能够实现实时性较强的视频拼接，是对现有技术的一种重要改进。附图说明[0051]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0052]图1为本发明实施例的一个方法流程图。具体实施方式[0053]为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明做进一步的详细说明。[0054]本实施方式阐述了无人机视频快速拼接的原理，按照图像预处理、特征检测、特征8CN108492256A说　明　书5/8页描述、特征匹配、紧致化、图像拼接的思路进行计算，着重对无人机视频拼接流程进行优化改进。其具体步骤如下：[0055]步骤一：将无人机视频根据任务需求，设置第a帧为起始帧，第b帧为终止帧，每隔m帧抽取一帧，得到全部待处理帧；其中，帧数为[b-a/m]；其中，[]为取整符号。[0056]步骤二：利用降采样算法分别对全部待处理帧进行降采样处理，得到分辨率缩小k倍的全部待预处理帧；其中，k是指分辨率缩小倍数，由任务需求而定。[0057]步骤三：利用灰度均匀化算法分别对全部待预处理帧进行并行预处理，得到全部待匹配帧。[0058]步骤四：利用FARISFD检测子分别对全部待匹配帧进行并行特征检测获得[b-a/m]组特征点；具体方式为：[0059](401)分别将两张待匹配图像的尺度空间的每组中总层数定为4；[0060](402)根据两张待匹配图像的行数与列数分别求出两张待匹配图像的尺度空间的总组数；[0061](403)将两张待匹配图像分别根据各自的尺度空间的总组数与尺度空间的每组中总层数，按照SIFT算法分别构建两个尺度空间，其中高斯滤波函数为其中，x与y分别为像素点的横纵坐标；[0062](404)在两个尺度空间内的每组的上下两端分别加入过渡层，得到两个新的尺度空间；其中，上端过渡层由本组最上层经过高斯滤波得到，下端过渡层由前组的最上层经过降采样与高斯滤波得到，最底层为原始图像；[0063](405)利用FAST算子对两个新的尺度空间的每一层的每一个点进行计算，得到所有点的特征分数；[0064](406)将两个新的尺度空间的除过渡层外的每一层的每一个点的特征分数与上下层以及同层中共26个相邻点的特征分数作比较，若该点的特征分数最大或最小，则判定该点为候选点，比较判定后得到两组候选点；[0065](407)分别计算两组候选点的特征分数的微分与二阶微分，并根据两组候选点的特征分数的微分与二阶微分计算得到两组候选点的亚像素级横纵坐标；[0066](408)利用小波扇形环绕对两组具有亚像素级横纵坐标的候选点分别赋予方向得到两组特征点。[0067]步骤五：利用ROGFD描述子分别对[b-a/m]组特征点进行并行特征描述获得[b-a/m]组特征向量；具体方式为：[0068](501)利用Scharr算子分别对两张待匹配图像进行计算，得到两张待匹配图像的图像梯度；[0069](502)根据得到两张待匹配图像的图像梯度分别计算得到两张待匹配图像的二阶标准偏导数；[0070](503)以特征点为中心，以24σi为边长，以特征点方向为纵轴方向，确定一个正方形邻域；其中，σi为定向的特征点的尺度参数；[0071](504)将正方形邻域分成16个相同的子正方形邻域，将每个子正方形邻域的大小扩展为9σi×9σi，相邻的扩展后的子正方形邻域有宽度为2σi的交叠带，所有扩展后的子正9CN108492256A说　明　书6/8页方形邻域组成描述网格；[0072](505)利用高斯核为2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的二阶标准偏导数及其绝对值进行加权求和，得到4维向量；[0073](506)连接16个扩展后的子正方形邻域内的4维向量得到一个64维向量，对该64维向量归一化处理到单位长度后得到该特征点的特征向量；[0074](507)重复步骤(503)至步骤(506)，直至两张待匹配图像中的所有特征点均被特征描述完毕且得到各自的特征向量。[0075]步骤六：利用基于KD树的BBF算法与双向匹配法分别对全部待匹配帧中相邻两帧的特征向量进行并行匹配得到[b-a/m]-1组特征对应关系。[0076]步骤七：利用RSCFDI算法分别对[b-a/m]-1组特征对应关系进行并行计算，得到对应的[b-a/m]-1组第一单应性矩阵；具体方式为：[0077](701)根据匹配点对的特征距离为样本集中的每一个样本点赋予先验概率；其中，特征距离为匹配点对中两点的相关性系数，先验概率为特征距离的倒数的归一化值；[0078](702)根据预设模型对样本点个数的要求，依先验概率从样本集中抽取若干样本点，构成一个用于求解预设模型具体参数的最小子集；[0079](703)由步骤(702)中的最小子集求解出预设模型的一组具体参数；[0080](704)用由步骤(703)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集；[0081](705)从样本集中逐次获取内点集，将当次所得内点集与前次所得的最大内点集相比较，直至某次所得内点集在紧随其后的连续M次比较中均为最大内点集，以此内点集为第一极大内点集；其中，M的取值范围为28～32；其中，最大内点集是指元素个数最多的内点集；[0082](706)根据预设模型对样本点个数的要求，从当次已有的最大内点集中以等概率方式选取一个用于求解预设模型具体参数的最小子集；[0083](707)由步骤(706)中的最小子集求解出预设模型的一组具体参数；[0084](708)用由步骤(707)中的具体参数所确定的预设模型对样本集中的所有样本点进行逐个校验，得到符合模型的内点集。[0085](709)再次从样本集中逐次获取内点集，将当次所得内点集与已有的最大内点集相比较，直至某次所得内点集在紧随其后的连续N次比较中均为最大内点集，以此内点集为第二极大内点集；至此，第二极大内点集中的样本点所表示的匹配点对即为两个图形间的有效匹配点对；其中，N的取值范围为57～63。[0086]该步骤首先基于先验概率得到一个次优模型，然后所用最小子集的采样不在整个样本集中进行，而是在此次优模型对应的内点集(即第一极大内点集)中进行，并且，如果找到对应内点个数更多的模型，则更新之前得到的最大内点集，并在新的最大内点集中进行最小子集的采样，否则仍在原内点集中采样。如此直到最大内点集在指定次数内不再更新，则认为找到最优模型。[0087]事实上，得到的次优模型只有两种可能，即模型正确(即用于模型估计的最小子集中不含外点)或模型错误。假设次优模型是正确模型，那么基于内点的采样使迭代在正确样本点和正确模型之间进行，在很多正确模型中可以很快找到最优模型；假设次优模型是错10CN108492256A说　明　书7/8页误模型，基于内点的采样仍然会得到错误模型，但是基于全部数据的采样和基于内点的采样得到错误模型的概率是相同的，而迭代一旦开始找到正确模型后，就可以进入优化迭代。也就是说，即使在最坏的情况下，本算法也不会比RANSAC算法采样次数多。[0088]RSCFDI算法包含以下步骤：[0089](S001)计算样本集中的每一个样本点的先验概率；[0090](S002)从样本集中抽取一个最小子集，计算对应的模型；[0091](S003)以步骤(S002)所得的模型在样本集中校验内点，得到内点集及内点数量；[0092](S004)重复(S002)至(S003)，直到第T次所得内点集在T+30次循环中均为最大内点集，以第T次所得内点集为第一极大内点集，至此得到次优模型；[0093](S005)在当前已有的最大内点集中抽取最小子集，计算对应的模型；[0094](S006)以步骤(S005)所得的模型在样本集中校验内点，得到内点集及内点数量；[0095](S007)重复(S005)至(S006)，直到第K次所得内点集在K+60次循环中均为最大内点集，以第K次所得内点集为第二极大内点集，至此得到最优模型；[0096](S008)第二极大内点集中的样本点所表示的匹配点对即为两个图形间的有效匹配点对。[0097]需要说明的是，步骤(S007)中第一次循环所得到的内点集需要与第一极大内点集比较，即，第二极大内点集必定不小于第一极大内点集。[0098]本领域的技术人员需要理解，本发明中所谓的内点集的大小是指两个内点集所含元素个数的多少，并非是指集合间的包含关系。[0099]步骤八：根据公式1分别将对应的[b-a/m]-1组第一单应性矩阵进行计算，得到对应的[b-a/m]-1组变换矩阵：[0100][0101]其中，Ha为对应的[b-a/m]-1组第一单应性矩阵；其中；Hb为对应的[b-a/m]-1组变换矩阵。[0102]步骤九：根据公式2分别将对应的[b-a/m]-1组变换矩阵进行计算，得到全部待匹配帧的第二单应性矩阵：[0103][0104]其中，Hc为全部待匹配帧的第二单应性矩阵；Η1,Η2,Η3,…,Hn分别为待匹配帧的第二单应性矩阵；其中；Hb＝{h1,h2,h3,…,hn}；Hb为对应的[b-a/m]-1组变换矩阵；h1,h2,h3,…,hn分别为对应的变换矩阵。[0105]步骤十，将全部待处理帧以起始帧为基准，按照全部待匹配帧的第二单应性矩阵进行透射变换，得到视频帧拼接图，完成无人机视频快速拼接。[0106]实验结果表明，本方法中FARISFD与ROGFD较传统特征检测子与描述子具有更强的鲁棒性与实时性，RSCFDI较传统算法简化了构建模型的迭代步骤，提高了获取正确模型的11CN108492256A说　明　书8/8页效率。可见，本发明方法能够实现实时性较强的视频拼接，是对现有技术的一种重要改进。[0107]所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子。凡在本发明的精神和原则之内，对以上实施例所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。12CN108492256A说　明　书　附　图1/1页图113