Fast Feature Matching of UAV Images via Matrix Band Reduction-based GPU Data Schedule

📄 arXiv: 2505.22089v1 📥 PDF

作者: San Jiang, Kan You, Wanshou Jiang, Qingquan Li

分类: cs.CV

发布日期: 2025-05-28

💡 一句话要点

提出基于矩阵带缩减的GPU数据调度算法，加速无人机图像特征匹配。

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 无人机影像 特征匹配 运动结构重建 GPU加速 矩阵带缩减 数据调度 级联哈希

📋 核心要点

  1. 无人机影像的运动结构重建中，特征匹配耗时巨大，是性能瓶颈。
  2. 提出基于矩阵带缩减的数据调度策略，结合GPU加速级联哈希，优化特征匹配流程。
  3. 实验表明，相比KD-Tree方法，速度提升77-100倍，且光束法平差精度相当。

📝 摘要（中文）

本文提出了一种用于无人机(UAV)图像高效特征匹配的GPU数据调度算法，旨在降低运动结构重建(SfM)中的时间成本。核心思想是基于矩阵带缩减(MBR)将整个数据集划分为块，并通过GPU加速的级联哈希实现高效的特征匹配。首先，利用图像检索技术选择匹配对，该技术将图像转换为全局描述符，并通过图索引搜索高维最近邻。其次，从基于MBR的数据调度策略迭代生成紧凑的图像块，该策略利用图像连接来避免冗余的数据IO负担，并提高GPU计算能力的使用率。第三，在生成的图像块的指导下，在GPU加速的级联哈希框架内顺序执行特征匹配，并通过结合局部几何约束和基于RANSAC的全局验证来细化初始候选匹配。为了进一步提高性能，这两个步骤被设计为在GPU和CPU中并行执行。最后，使用大规模无人机数据集评估了所提出解决方案的性能。结果表明，与基于KD-Tree的匹配方法相比，该方法提高了特征匹配的效率，加速比在77.0到100.0之间，并在相对和绝对光束法平差(BA)中实现了相当的精度。所提出的算法是无人机图像特征匹配的有效解决方案。

🔬 方法详解

问题定义：无人机影像的特征匹配是SfM流程中的主要瓶颈，传统方法如KD-Tree在高维特征空间中搜索效率较低，且存在大量冗余的IO操作，限制了整体效率。

核心思路：论文的核心思路是利用图像之间的连接关系，通过矩阵带缩减(MBR)策略将图像数据划分成紧凑的块，减少冗余的IO操作，并充分利用GPU的并行计算能力，加速特征匹配过程。

技术框架：整体流程包括：1) 图像检索，利用全局描述符和图索引寻找潜在匹配对；2) 基于MBR的数据调度，生成紧凑的图像块；3) GPU加速的级联哈希特征匹配，在图像块内进行；4) 结合局部几何约束和RANSAC的全局验证，细化匹配结果。其中，特征匹配和验证步骤在GPU和CPU上并行执行。

关键创新：主要的创新点在于提出了基于矩阵带缩减的数据调度策略。该策略能够根据图像之间的连接关系，有效地组织数据，减少冗余的IO操作，并提高GPU的利用率。此外，结合GPU加速的级联哈希，进一步提升了特征匹配的速度。

关键设计：MBR数据调度策略的关键在于如何定义图像之间的连接关系，以及如何根据这些连接关系生成紧凑的图像块。论文中可能使用了某种相似性度量来衡量图像之间的连接强度，并设计了一种迭代算法来生成图像块。此外，GPU加速的级联哈希的具体实现细节，例如哈希表的选择、哈希函数的设计等，也是影响性能的关键因素。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法相比于基于KD-Tree的匹配方法，特征匹配效率提升了77.0到100.0倍。同时，在相对和绝对光束法平差(BA)中，该方法实现了与传统方法相当的精度，表明在大幅提升速度的同时，保持了重建精度。

🎯 应用场景

该研究成果可应用于无人机遥感影像快速三维重建、城市建模、灾害评估、地形测绘等领域。通过提升特征匹配效率，可以加速三维重建流程，实现大规模场景的快速建模，具有重要的实际应用价值和潜力。

📄 摘要（原文）

Feature matching dominats the time costs in structure from motion (SfM). The primary contribution of this study is a GPU data schedule algorithm for efficient feature matching of Unmanned aerial vehicle (UAV) images. The core idea is to divide the whole dataset into blocks based on the matrix band reduction (MBR) and achieve efficient feature matching via GPU-accelerated cascade hashing. First, match pairs are selected by using an image retrieval technique, which converts images into global descriptors and searches high-dimension nearest neighbors with graph indexing. Second, compact image blocks are iteratively generated from a MBR-based data schedule strategy, which exploits image connections to avoid redundant data IO (input/output) burden and increases the usage of GPU computing power. Third, guided by the generated image blocks, feature matching is executed sequentially within the framework of GPU-accelerated cascade hashing, and initial candidate matches are refined by combining a local geometric constraint and RANSAC-based global verification. For further performance improvement, these two seps are designed to execute parallelly in GPU and CPU. Finally, the performance of the proposed solution is evaluated by using large-scale UAV datasets. The results demonstrate that it increases the efficiency of feature matching with speedup ratios ranging from 77.0 to 100.0 compared with KD-Tree based matching methods, and achieves comparable accuracy in relative and absolute bundle adjustment (BA). The proposed algorithm is an efficient solution for feature matching of UAV images.