选取合适的匹配区是景象匹配系统的重要任务之一,是航迹规划的前提和依据。匹配区的景物特征分布直接影响着匹配概率及匹配精度。为了使制导系统能够精确可靠定位,减少导航偏差,在航迹规划时要求挑选景象特征满足丰富、稳定和唯一的区域作为匹配区,因此需要采用合适的图像特征来分析每一个候选区域的匹配概率,进而得到该区域的适配性。论文以景象区域的SIFT特征点及其特征描述子作为该区域的初始特征集,以支持向量回归作为匹配概率预测模型,通过对景象区域的预测概率进行阈值分割,最终获取该区域的适配性。论文主要工作如下:在图像特征选择方面,我们采用了具有光照、旋转和尺度不变的SIFT特征作为表征区域图像的基本特征量,为了提升SIFT特征点集的图像区域信息表征能力,提出了一种SIFT特征稳定性和唯一性的判别准则。对于经过稳定性和唯一性筛选的SIFT特征点集,从它们的丰富性和空间分布的均匀性出发,提出了若干适配性指标并通过实验验证其合理性。一方面考虑到飞行器拍摄实时图时会受到飞行高度、相干斑噪声以及图像尺寸缩放等干扰,导致参考图景象区中部分特征点无法在实时图中的对应位置找到匹配点对,需要对SIFT特征点的稳定性进行筛选;另一方面参考图景象区内可能存在相似度很高的SIFT特征点,在这种情况下误匹配发生的概率很大,因此需要根据SIFT特征点的唯一性进行筛选。为了通过适配性特征衡量参考图景象区的适配性能,论文采用机器学习中的支持向量回归模型,建立从景象区域的适配性特征到匹配概率的映射,从而预测得到该景象区域的匹配概率,进而通过阈值分割得到候选区域的适配性。实验结果表明,与传统的基于统计特征的适配区选取方法相比,论文所提出的适配区选择方法具有更高的准确性。