Las imágenes tomadas por drones a menudo deben ser preprocesadas y unidas debido al ruido inherente, el estrecho ancho de imagen, la altura de vuelo y el ángulo de visión. Las técnicas convencionales de unión de imágenes basadas en características de UAV dependen significativamente de la calidad de la identificación de características, que es posible gracias a los píxeles de la imagen, los cuales a menudo no logran unir imágenes con pocas características o baja resolución. Además, se desarrollaron enfoques posteriores para eliminar los problemas de los métodos convencionales utilizando la técnica de unión basada en aprendizaje profundo para recopilar los atributos generales de las imágenes de teledetección antes de ser unidas. Sin embargo, dado que las imágenes tienen fondos vacíos clasificados como puntos unidos, es difícil distinguir el ganado en un área de pastoreo. En consecuencia, se puede inferir menos información de los datos de vigilancia. Este estudio proporciona una técnica de unión de imágenes basada en objetos en cuatro etapas que, antes de la unión, elimina el espacio del fondo y clasifica las imágenes en el campo de pastoreo. En la primera etapa, se preprocesa la secuencia de imágenes basada en drones del ganado en el campo de pastoreo. En la segunda etapa, se clasifican las imágenes del ganado en el campo de pastoreo para eliminar los espacios vacíos o fondos. La tercera etapa utiliza el SIFT mejorado para detectar los puntos de características de las imágenes clasificadas y obtener el descriptor de puntos de características. Por último, se calcula el área de unión utilizando la transformación de proyección de imagen.