融合多级特征增强与权重网格统计的煤矿井下图像匹配

• Published in: 煤炭科学技术 Vol. 52; no. 11; pp. 129 - 140
• Main Authors: 李和平, 洪劭楸, 程健, 安宁, 赵海龙, 修海鑫
• Format: Journal Article
• Language: Chinese
• Published: 煤炭智能开采与岩层控制全国重点实验室,北京 100013 01.11.2024; 煤炭科学研究总院有限公司矿山人工智能研究院,北京 100013; 煤炭智能开采与岩层控制全国重点实验室,北京 100013%煤炭科学研究总院有限公司矿山人工智能研究院,北京 100013; 煤炭科学研究总院,北京 100013; 天地科技股份有限公司,北京 100013%煤炭科学研究总院,北京 100013; 天地科技股份有限公司,北京 100013
• Subjects: deep learning; 特征提取; feature enhancement; 煤矿井下图像; feature extraction; 特征匹配; underground coal mine images; 深度学习; feature matching; 特征增强
• ISSN: 0253-2336
• DOI: 10.12438/cst.2024-1224

TD76%TP391.4; 图像特征提取与匹配是实现煤矿井下视频和图像拼接、视觉定位导航等任务的一项关键技术,但受井下低光、不均匀光照以及重复纹理等环境因素的影响,相机采集到的图像往往对比度低、纹理信息不明显,存在特征点提取困难、误匹配率高的问题.对此,文章提出一种融合多级特征增强与权重网格统计的方法,以实现煤矿井下图像的有效匹配.首先,设计多级特征检测网络,在堆叠网络层的基础上引入可变形卷积层,保证特征的旋转不变性;其次,利用特征增强模块,将提取的特征点与描述子信息编码投影到高维空间,并通过Transformer网络增强特征间的可区分性;最后,采用基于权重网格的多阶段匹配优化策略,结合匹配质量因子与运动平滑性约束对初步匹配结果进行筛选,解决井下重复纹理感知混淆的问题,提高相似区域间的误匹配判识能力.在井下实际采集数据集和LOL、HPatches公开数据集上的大量试验表明:所提图像匹配方法具有更高的精度与鲁棒性.具体地,相较于ORB、SIFT、ASLFeat和Superpoint算法,所提特征提取方法的平均精度分别提升了33.07%、69.78%、17.65%和33.52%;相较于FLANN、BF+KNN、BF+RANSAC和BF+GMS特征匹配方法,所提特征匹配算法的平均精度分别提升了19.66%、23.26%、4.16%和18.46%.