專利名稱：一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計算機視覺及無線多像機傳感網(wǎng)絡(luò)領(lǐng)域，尤其涉及無線多像機傳感網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法的研究。
背景技術(shù)：
無線多像機傳感網(wǎng)絡(luò)是當(dāng)前國際上備受關(guān)注的多學(xué)科交叉的研究熱點領(lǐng)域，它利用部署在觀測區(qū)域內(nèi)的大量低成本、低功耗、長期運行的像機節(jié)點，對網(wǎng)絡(luò)覆蓋區(qū)域中被觀測對象的信息進行協(xié)同感知、采集和處理。由于其強大的信息采集和處理能力，無線多像機傳感網(wǎng)絡(luò)在軍事、醫(yī)療監(jiān)護、智能樓宇等方面有著廣泛的應(yīng)用前景。與傳統(tǒng)的傳感器不同， 像機對周圍場景的感知不是全空間的，有一定的方向性和區(qū)域性，多像機網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)決定了網(wǎng)絡(luò)對觀測區(qū)域的覆蓋和感知能力。對這些參數(shù)進行標定是實現(xiàn)無線多像機傳感網(wǎng)絡(luò)高效、低功耗運行的關(guān)鍵所在。多像機結(jié)構(gòu)參數(shù)的標定是計算機視覺領(lǐng)域中的一個基本問題。傳統(tǒng)的多像機結(jié)構(gòu)參數(shù)標定方法，通過檢測空間點在不同像機像平面上的投影位置，利用投影幾何關(guān)系對多像機結(jié)構(gòu)參數(shù)進行標定。這些方法首先需要對不同像機獲得的圖像進行處理，檢測出圖像中一系列具有明顯特征的特征點集，然后利用一定的匹配方法獲得不同圖像中互相匹配的點對集，再利用這些匹配點對集進行多像機結(jié)構(gòu)參數(shù)標定。而在無線多像機傳感網(wǎng)絡(luò)中，節(jié)點像機通常價格便宜、像機參數(shù)具有較大差異；網(wǎng)絡(luò)中有紅外、可見光、微光像機等不同類型的像機；節(jié)點的位置和方向部署隨機。這些問題導(dǎo)致了像機之間的特征點匹配存在很大困難，使得傳統(tǒng)的基于特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)標定方法很難應(yīng)用到無線多像機傳感網(wǎng)絡(luò)的標定中。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法，克服了無線多像機傳感網(wǎng)絡(luò)節(jié)點間圖像特征匹配困難、傳輸帶寬有限等問題。為達到上述目的，本發(fā)明提出一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法，包括單個像機相對于目標的運動參數(shù)估計和多像機之間的結(jié)構(gòu)參數(shù)估計兩個基本步驟。步驟一，在本發(fā)明的一個實施例中，所述單個像機相對于目標的運動參數(shù)估計進一步包括選取當(dāng)前幀圖像與背景圖像做差并求絕對值，得到絕對差圖像；給定一個閾值， 在絕對差圖像中檢測出大于閾值的區(qū)域，所述區(qū)域為目標所在區(qū)域；依次檢測圖像序列每一幀圖像中的特征點，保留每一幀圖像目標區(qū)域中的特征點，所述特征點為目標上的特征點；在圖像序列中選擇任意圖像對，對于其中一幅圖像中目標上的每一個特征點，選取周圍小鄰域作為匹配模板；在圖像對的另一幅圖像中尋找目標上的匹配點，保留相互匹配的特征點對，所述相互匹配的特征點對為目標上特征點分別在運動前后的位置；由目標運動前后的特征點對構(gòu)造系數(shù)矩陣，對所述系數(shù)矩陣進行奇異值分解得到兩個正交矩陣，其中一個正交矩陣的最后一行為像機相對于目標的運動所對應(yīng)基本矩陣的堆疊向量，重新排列所述堆疊向量的元素，并約束其秩為2，得到相應(yīng)的基本矩陣；由像機的內(nèi)部參數(shù)矩陣和所述基本矩陣，計算像機相對于目標的運動所對應(yīng)的本質(zhì)矩陣；對所述本質(zhì)矩陣進行奇異值分解得到兩個正交矩陣，通過構(gòu)造兩個斜對稱矩陣，由所述正交陣和斜對稱矩陣計算得到像機相對于目標的運動參數(shù)。步驟二，在本發(fā)明的一個實施例中，所述多像機之間的結(jié)構(gòu)參數(shù)估計進一步包括建立不同像機相對于同一目標運動參數(shù)之間的關(guān)系方程i^u+a-igt-td = ο，其中R為像機C1和像機C2之間的旋轉(zhuǎn)矩陣，t為像機C1和像機C2之間的平移矢量，Rt為目標的旋轉(zhuǎn)矩陣，ta為像機C1相對于目標的平移矢量，t。2為像機C2相對于目標的平移矢量，I為單位矩陣；從所述序列圖像中選取η對圖像，利用上述的單個像機相對于目標的運動參數(shù)估計方法，分別針對不同的像機計算其相對于同一目標的η次運動參數(shù)；利用像機相對于目標運動參數(shù)之間的關(guān)系方程，建立目標η次運動所對應(yīng)的聯(lián)立方程組；利用 Levenberg-Marquardt方法求解不同像機之間的結(jié)構(gòu)參數(shù)。本發(fā)明提出的一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法，不需要像機之間特征點的匹配，只需要利用節(jié)點像機獲得的圖像序列分別估計每一個像機相對于目標的運動，然后利用不同像機相對于同一目標運動參數(shù)之間的關(guān)系方程求解多像機網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。本發(fā)明克服了無線多像機傳感網(wǎng)絡(luò)傳輸帶寬有限、節(jié)點間圖像特征匹配困難等問題，不僅可以用于同類型像機網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)標定，還可以用于包含可見光、紅外、微光等不同類型像機的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)標定。


圖1為本發(fā)明實施例的無需像機間特征點匹配的多像機結(jié)構(gòu)參數(shù)自標定方法流程圖；圖加為本發(fā)明實施例的像機不動、目標運動示意圖；圖2b為本發(fā)明實施例的目標不動、像機相對于目標做旋轉(zhuǎn)運動示意圖；圖2c為本發(fā)明實施例的目標不動、像機相對于目標做平移運動示意圖；圖3為本發(fā)明實施例的目標旋轉(zhuǎn)角度誤差對攝像機姿態(tài)估計的影響；圖4為本發(fā)明實施例的目標旋轉(zhuǎn)角度誤差對攝像機位置估計的影響；圖5為本發(fā)明實施例的目標位置誤差對攝像機姿態(tài)估計的影響；圖6為本發(fā)明實施例的目標位置誤差對攝像機位置估計的影響；圖7為本發(fā)明實施例的圖像序列長度對攝像機姿態(tài)估計的影響；圖8為本發(fā)明實施例的圖像序列長度對攝像機位置估計的影響。
具體實施例方式下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的意義。下面所描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。本發(fā)明是針對無線多像機傳感網(wǎng)絡(luò)傳輸帶寬有限、節(jié)點間圖像特征匹配困難等問題，提出的一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法。為了能夠?qū)Ρ景l(fā)明有更清楚的理解，在此進行簡要描述。本發(fā)明包括兩個基本步驟步驟一，單個像機相對于目標的運動參數(shù)估計，用于從單個像機獲得的圖像序列中估計像機相對于目標的運動參數(shù)；步驟二，多像機之間的結(jié)構(gòu)參數(shù)估計，利用不同像機相對于目標的運動參數(shù)之間的關(guān)系方程估計多像機之間的結(jié)構(gòu)參數(shù)。具體的，圖1所示為本發(fā)明實施例的一種無需像機間特征點匹配的多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)自標定方法的流程圖，包括以下步驟步驟S101，檢測場景中的運動目標。在本發(fā)明的一個實施例中，針對單個像機，對所述圖像序列中的圖像進行編號， 記為I1, I2, I3,…，背景圖像記為Ιο。編號完成后，順序選取圖像序列中的圖像與背景圖像，對每一個像素做差得到差圖像，以圖像I1為例，其所對應(yīng)的差圖像為Idl (X，y) = I1U, y)-l0(x, y)；再對差圖像的每一個像素值取絕對值得到絕對差圖像Iadl(X，y) = Idl(χ, y)| ；在絕對差圖像Iadl上給定閾值t，檢測出像素值Iadl(x，y)大于閾值t的區(qū)域D1= {(χ, y) I Iad (χ, y) > t}，所述區(qū)域即為目標區(qū)域，圖像序列中其它圖像目標區(qū)域的檢測依此類推。在本發(fā)明的一個實施例中，上述閾值t采用以下步驟求得。以絕對差圖像Iadl為例，其最小和最大像素值分別為Soin和gmax ；閾值t從gmin到gmax以間隔1個灰度級逐次遞增，針對某個灰度級t，統(tǒng)計灰度小于等于t的像素出現(xiàn)的概率O1和灰度大于t的像素出現(xiàn)的概率ω2 ；計算灰度小于等于t的所有像素的灰度均值μ ！和灰度均方誤差<，以及灰度大于t的所有像素的灰度均值μ 2和灰度均方誤差4 ；對于從^lin到gmax之間的每一個灰度級，計算評估函數(shù)2 = (ωχσ\ +ω2σ\)1{ωλω2{μ2- μλ)2)，選取評估函數(shù)最大值對應(yīng)的灰度級
t，所述灰度級t即為上述閾值。步驟S102，檢測和跟蹤目標上的特征點。步驟2. 1圖像中目標上特征點的檢測。在本發(fā)明的一個實施例中，以圖像I1及其所對應(yīng)目標區(qū)域0工為例，對每一像素點(x，y)分別計算χ和y方向梯度值K(^y) = I(x, y)-I (x-l,y) *&(x，y) = I (χ,y)-I (χ,y-1)；對每一像素點(x，y)的 nXn 的小鄰域 Γ (通
/ 2 \
常η可取3或幻，計算其協(xié)方差矩陣M= ^^y)]
^x (χ, y)gy (χ, y) Σ(χ』)ε1. ^ (χ, y) J
計算每一個像素點的角點響應(yīng)值R = det[M]-k · (trace [Μ])2，其中det[M]是矩陣M的行列式值，traCe[M]是矩陣M的對角線上的元素之和，通常k取在0. 04到0. 15之間；在目標區(qū)域D1內(nèi)尋找前N個最大的角點響應(yīng)值(通常N可取100 200)，與這些角點響應(yīng)值對應(yīng)的像素即為目標上的特征點，所有的N個特征點構(gòu)成目標上的特征點集，記為{Pli}。圖像序列的其它圖像中目標上特征點的檢測依此類推，相應(yīng)的特征點集分別記為{pj，{p3k}，…。步驟2. 2目標上特征點的跟蹤。在本發(fā)明的一個實施例中，從圖像序列中選擇兩幅圖像組成圖像對，以圖像I1和I2為例，對于圖像I1中目標上的特征點集{Pli}中的任一特征點(記為P1),選取P1周圍的一個nXn的小鄰域(通常η可取3或5)作為匹配模板 (記為Α)；在圖像I2中目標上的特征點集{pj中找到一個特征點(記為P2)，特征點P2周圍的一個nXn的小鄰域(記為B)與圖像I1中的特征點P1形成的匹配模板的相關(guān)性是所有特征點中最大，且大于給定閾值(通常閾值取0. 95)，圖像I1中的特征點P1和圖像I2中的特征點P2組成一個匹配特征點對，記作m= (Pl,p2)；依此類推，求得圖像對I1和I2中的所有特征點對ImJ ；進一步可以擴展到序列中的所有圖像對。 在本發(fā)明的一個實施例中，上述模板相關(guān)性通過以下步驟求得。對于上述特征點
γ η η
P1形成的ηΧη小鄰域Α，計算其灰度均值凡=^ΣΣ」(χ，>0 ；對于上述特征點P2形成的
η χ=\ _y=l
γ η η
ηΧη小鄰域B，計算其灰度均值/^=;^ΣΣΒ(χ，>0;計算特征點對(P1, P2)形成的小鄰域 A和B的相關(guān)性C = · rfM
Itt(^y)-M,)2 4tt(B{^y)-Mb)2
\ X=I 7=1\ X=I 7=1步驟S103，估計像機相對于目標的運動參數(shù)。步驟3. 1由兩個圖像之間的特征點對集計算基本矩陣。在本發(fā)明的一個實施例中，以序列中的圖像I1和I2為例，圖像中的特征點對Hii中的特征點Pil和Pi2對應(yīng)的坐標分別為(χη，Υπ)和(xi2，yi2)，利用η個特征點對構(gòu)造系數(shù)矩陣
X12Xn ^12J7Il Xl2 y\2X\\ ^12^11 y\2 ^ll ^ll 1A = :: : :: : : : :
V Xn2 Xnl ^2^1 Xn2 少《2 Xnl 少《2少《1 少《2 Xnl 少《1 ^J對矩陣A進行奇異值分解A = UaDaVa，得到兩個正交陣UA、Va和一個對角陣Da ；正交陣\的最后一行是一個9維向量，把這一向量中的元素每3個一行排成一個3行3列的矩陣F ；對矩陣F進行奇異值分解F = UfDfVf，得到兩個正交陣UF、Vf和一個對角陣Df，令對角陣 Df的最后一個元素為0得到對角陣D^ ；由正交陣UF、Vf和對角陣D^計算矩陣F = UfD;Vf， 所述矩陣F即為上述基本矩陣。步驟3. 2由基本矩陣和像機內(nèi)部參數(shù)矩陣計算本質(zhì)矩陣。在本發(fā)明的一個實施例中，像機的內(nèi)部參數(shù)矩陣K由3行3列的上三角矩陣給出，由上述基本矩陣F計算矩陣E = KTFK，其中矩陣Kt是矩陣K的轉(zhuǎn)置，所述矩陣E即為上述本質(zhì)矩陣。步驟3. 3由本質(zhì)矩陣計算像機相對于目標的運動參數(shù)。在本發(fā)明的一個實施例中，對上述本質(zhì)矩陣E進行奇異值分解E = UEDEVe，得到兩個正交陣Ue和Ve ；構(gòu)造斜對稱陣
ο -1 0)
W =
1 0 0
ν° ° υ
，計算矩陣和像機相對于目標的運動參數(shù)有4個
R = UbWV^ R = VeWtYte;
燦…iR = UbWV^ iR = UbWV^ [R = VeWfV^ iR = VeWfV^ 補丄,,^
可能的解 s ￡、 s ￡、 E ￡和 E s，其中U3為上述矩陣 在本發(fā)明的一個實施例中，上述像機相對于目標運動參數(shù)的解采用以下步驟確定以序列中的圖像IjPI2為例，構(gòu)造圖像I1對應(yīng)的投影矩陣P1= [I |0]，圖像I2對應(yīng)的投影矩陣P2 = [R|t]，其中I為3行3列的單位陣，R為上述像機相對于目標的一個旋轉(zhuǎn)矩陣，t為上述像機相對于目標的一個平移向量；對于每一個特征點對m，計算其對應(yīng)特征點的空間坐標(X，Y，Z)；計算3維向量X = R((X，Y，Z)T-t)；選擇對于圖像I1和I2中的所有特征點對，所述3維向量X的第3個元素均大于1所對應(yīng)的旋轉(zhuǎn)矩陣R和平移向量t作為上述像機相對于目標運動參數(shù)的解。在本發(fā)明的一個實施例中，上述特征點的空間坐標采用以下步驟計算以序列中的圖像1和I2為例，對于特征點對m，兩個圖像中特征點？1和？2對應(yīng)的坐標(Xij7i)和( ， I2)滿足方程2((&，72，1)^^1，71，1)) = t，其中Z為特征點空間坐標的Z分量，R為上述像機相對于目標的一個旋轉(zhuǎn)矩陣，t為上述像機相對于目標的一個平移向量；計算X = X1Z 和Y = Y1Z得到特征點空間坐標的X分量和Y分量。步驟S104，建立不同像機相對于目標運動參數(shù)之間的關(guān)系方程。場景中的目標作旋轉(zhuǎn)運動&和平移運動tT (如圖加所示)，像機對目標的觀察可以等價地看作目標不動、像機先繞目標的中心旋轉(zhuǎn)R〖(如圖2b所示)再平移tc(如圖2c所示)。在本發(fā)明的一個實施例中，兩個像機C1和C2同時對目標進行觀察，像機C2的位置由像機C1通過旋轉(zhuǎn)R和平移t得到，所述(R，t)為上述像機間的結(jié)構(gòu)參數(shù)；利用步驟SlOl 步驟S103所述的方法，以序列中的圖像I1和I2為例，可以計算得到像機C1相對于目標的旋轉(zhuǎn)運動Ri和平移運動ta，像機C2相對于目標的旋轉(zhuǎn)運動Ri和平移運動t。2 ；像機C1和C2 相對于目標的運動參數(shù)滿足關(guān)系RTtc2+(I-Rt) t-tcl = 0 (1)步驟S105，求解像機之間的結(jié)構(gòu)參數(shù)。步驟5.1建立像機之間結(jié)構(gòu)參數(shù)的求解方程。在本發(fā)明的一個實施例中，兩個像機C1和C2同時對目標進行觀察，對于目標的η次運動，利用步驟 SlOl 步驟S103所述的方法計算得到像機C1和C2相對于目標的η組運動參數(shù)
(0思，爛)，(^，⑵，^^，…，^^，愁，衩)；把η組運動參數(shù)代入方程⑴，可以得到一
個聯(lián)立方程組，寫成矩陣的形式為RTTC2+R t-Tcl = O (2)在式O)中，(R，t)為上述像機間的結(jié)構(gòu)參數(shù)；Tc2是一個3行η列的矩陣，由像機 C2的η次平移運動向量排列組成，形式為Tc2 =； Tci是一個3行η列的矩陣，
由像機C1的η次平移運動向量排列組成，形式為Tci = [t 識，…，識]；Rn是一個3η行3列
的矩陣，由目標的旋轉(zhuǎn)矩陣生成，形式為R/r =(1-1^,1-1^,...,1-1^)"。步驟5. 2求解像機之間的結(jié)構(gòu)參數(shù)。在本發(fā)明的一個實施例中，兩個像機C1和C2 同時對目標進行觀察，針對目標的η次運動，采用Levenberg-Marquardt方法求解方程(2) 得到兩個像機之間的結(jié)構(gòu)參數(shù)。圖3 圖8分別對估計的多像機結(jié)構(gòu)參數(shù)進行了誤差分析。從圖3 圖6可以看出在實施例中估計的單像機相對于目標的運動參數(shù)存在誤差時，本發(fā)明對多像機結(jié)構(gòu)參數(shù)的估計依然是穩(wěn)定的。從圖7和圖8可以看出本發(fā)明利用多幀圖像對多像機結(jié)構(gòu)參數(shù)進行估計可以得到更為準確和穩(wěn)定的結(jié)果，隨著圖像序列長度的增加參數(shù)估計誤差趨近于O。通過本發(fā)明提出的一種無需像機間特征點匹配的多像機間結(jié)構(gòu)參數(shù)自標定方法，可以克服無線多像機傳感網(wǎng)絡(luò)傳輸帶寬有限、節(jié)點間圖像特征匹配困難等問題，不僅能夠用于同類型像機網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)標定，還能夠用于包含可見光、紅外、微光等不同類型像機的多像機結(jié)構(gòu)參數(shù)標定。 最后應(yīng)說明的是以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制。本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解其依然可以對前述實施例所記載的技術(shù)方案進行修改，或?qū)ζ渲胁糠旨夹g(shù)特征進行等同替換，而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍，本發(fā)明的范圍由所附權(quán)利要求及其等同限定。
權(quán)利要求
1.一種無需像機間特征匹配的多像機結(jié)構(gòu)參數(shù)自標定方法，其特征在于，包括單個像機相對于目標的運動參數(shù)估計和多像機之間的結(jié)構(gòu)參數(shù)估計兩個基本步驟。
2.如權(quán)利要求1所述的方法，其特征在于，所述單個像機相對于目標的運動參數(shù)估計進一步包括場景中的運動目標檢測； 目標上的特征點檢測和跟蹤； 像機相對于目標的運動參數(shù)估計。
3.如權(quán)利要求2所述的方法，其特征在于，所述場景中的運動目標檢測進一步包括 選取當(dāng)前幀圖像與背景圖像做差并求絕對值，得到絕對差圖像；給定一個閾值，在絕對差圖像中檢測出大于閾值的區(qū)域，所述區(qū)域為目標所在區(qū)域。
4.如權(quán)利要求2所述的方法，其特征在于，所述目標上的特征點檢測和跟蹤進一步包括依次檢測圖像序列每一幀圖像中的特征點，保留每一幀圖像中利用權(quán)利要求3所述方法得到的目標區(qū)域中的特征點，所述特征點為目標上的特征點；在圖像序列中選擇任意圖像對，對于其中一幅圖像中目標上的每一個特征點，選取周圍小鄰域作為匹配模板；在圖像對的另一幅圖像中尋找目標上的匹配點，保留相互匹配的特征點對，所述相互匹配的特征點對為目標上特征點分別在運動前后的位置。
5.如權(quán)利要求2所述的方法，其特征在于，所述像機相對于目標的運動參數(shù)估計進一步包括由目標運動前后的特征點對構(gòu)造系數(shù)矩陣，對所述系數(shù)矩陣進行奇異值分解得到兩個正交矩陣，其中一個正交矩陣的最后一行為像機相對于目標的運動所對應(yīng)基本矩陣的堆疊向量，重新排列所述堆疊向量的元素，并約束其秩為2，得到相應(yīng)的基本矩陣；由像機的內(nèi)部參數(shù)矩陣和所述基本矩陣，計算像機相對于目標的運動所對應(yīng)的本質(zhì)矩陣；對所述本質(zhì)矩陣進行奇異值分解得到兩個正交矩陣，通過構(gòu)造兩個斜對稱矩陣，由所述正交陣和斜對稱矩陣計算得到像機相對于目標的運動參數(shù)。
6.如權(quán)利要求1所述的方法，其特征在于，所述多像機間結(jié)構(gòu)參數(shù)估計進一步包括 建立不同像機相對于同一目標運動參數(shù)之間的關(guān)系方程；求解像機之間的結(jié)構(gòu)參數(shù)。
7.如權(quán)利要求6所述的方法，其特征在于，所述不同像機相對于目標運動參數(shù)之間的關(guān)系方程可以描述為ΙΤΗ。2+(I-Rt) t-tcl = 0，其中R為像機C1和像機C2之間的旋轉(zhuǎn)矩陣，t 為像機C1和像機C2之間的平移矢量，Rt為目標的旋轉(zhuǎn)矩陣，tcl為像機C1相對于目標的平移矢量，tC2為像機C2相對于目標的平移矢量，I為單位矩陣。
8.如權(quán)利要求6所述的方法，其特征在于，所述求解像機之間的結(jié)構(gòu)參數(shù)的方法進一步包括從所述圖像序列中選取η對圖像，利用權(quán)利要求2 5所述的單個像機相對于目標的運動參數(shù)估計方法，分別針對不同的像機計算其相對于同一目標的η次運動參數(shù)；利用權(quán)利要求7所述的像機相對于目標運動參數(shù)之間的關(guān)系方程，建立目標η次運動所對應(yīng)的聯(lián)立方程組；求解目標η次運動所對應(yīng)的聯(lián)立方程組，得到不同像機之間的結(jié)構(gòu)參數(shù)。
全文摘要
本發(fā)明提出了一種無需不同像機之間特征點匹配的多像機結(jié)構(gòu)參數(shù)自標定方法，包括單個像機相對于目標的運動參數(shù)估計和多像機結(jié)構(gòu)參數(shù)估計兩個基本步驟。步驟一，針對單像機檢測和跟蹤圖像序列中的目標特征點，通過估計像機相對于目標的運動所對應(yīng)的本質(zhì)矩陣，得到像機相對于目標的運動參數(shù)；步驟二，通過建立不同像機相對于目標的運動參數(shù)之間的關(guān)系方程，通過觀察目標的多次運動求解多像機結(jié)構(gòu)參數(shù)。本發(fā)明在多像機結(jié)構(gòu)參數(shù)的自標定過程中，只需分別對單個像機圖像序列中的目標特征點進行跟蹤，無需不同像機之間的特征點匹配，避免了不同像機之間圖像特性差異較大情況下特征點匹配困難的問題，實現(xiàn)了對多像機網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)快速、準確的估計。
文檔編號G06T7/20GK102163335SQ201110130050
公開日2011年8月24日 申請日期2011年5月19日 優(yōu)先權(quán)日2011年5月19日
發(fā)明者吳祖亮, 孫茜, 許東 申請人:北京航空航天大學(xué)