基于單目視覺的場景三維重建與飛行器位姿求解關(guān)鍵技術(shù)研究.pdf

1、本文主要圍繞基于單目視覺的場景三維重建與飛行器位姿求解中所需要的關(guān)鍵技術(shù)展開研究，主要內(nèi)容包括圖像局部不變特征的快速檢測、描述與匹配，相對(duì)位姿的快速魯棒求解，以及攝像機(jī)的絕對(duì)位姿求解。
　　在有關(guān)局部不變特征快速檢測、描述與匹配的研究中，首先回顧了經(jīng)典的局部不變特征，包括Harris角點(diǎn)、SUSAN角點(diǎn)、SIFT以及SURF特征點(diǎn)，特別對(duì)實(shí)時(shí)計(jì)算性能非常出眾的二值化不變特征點(diǎn) ORB和 BRISK進(jìn)行了詳細(xì)分析。在融合各種局部特征

2、提取方法中的優(yōu)秀思想后，本文提出了一種性能更優(yōu)的不變特征產(chǎn)生方法：SBRISK。SBRISK分別在檢測、描述以及匹配階段深度改進(jìn)了BRISK。在特征點(diǎn)檢測階段，采用相鄰尺度空間中的級(jí)聯(lián)AGAST加速特征點(diǎn)的檢測；在特征點(diǎn)描述中則采用一種旋轉(zhuǎn)對(duì)稱的星座結(jié)構(gòu)，利用精細(xì)設(shè)計(jì)的比特位移替代圖像或者星座的旋轉(zhuǎn)來實(shí)現(xiàn)特征描述的旋轉(zhuǎn)不變性，降低了對(duì)特征描述以及存儲(chǔ)的要求；在確定特征方向過程中，進(jìn)行了簡化計(jì)算，且簡化過程并不降低特征匹配的精度；在特征匹

3、配階段，SBRISK將特征點(diǎn)集分為亮模式點(diǎn)集和暗模式點(diǎn)集，匹配只在同一模式點(diǎn)集內(nèi)部進(jìn)行；最后在粗匹配的基礎(chǔ)上，提出一種匹配提純策略，并用嚴(yán)格的實(shí)驗(yàn)給出了匹配以及提純的閾值。實(shí)驗(yàn)結(jié)果表明，相比于 BRISK， SBRISK的匹配精度更高，計(jì)算速度提高30％~40%。
　　在本質(zhì)矩陣的快速魯棒求解方法研究中，首先回顧了經(jīng)典的攝像幾何模型，推導(dǎo)和分析了基礎(chǔ)矩陣以及本質(zhì)矩陣的數(shù)學(xué)形式、性質(zhì)及典型的求解方法。提出一種基于野點(diǎn)（outlier

4、，如非特殊說明，本文中的野點(diǎn)均指在圖像局部不變特征匹配中得到的錯(cuò)誤匹配點(diǎn)）消除的本質(zhì)矩陣快速魯棒求解方法，克服了大比例野點(diǎn)情況下的RANSAC魯棒策略需要多次采樣的弊端。此法在模型驗(yàn)證階段，不再采用傳統(tǒng)RANSAC中基于樣本（匹配點(diǎn)對(duì)）進(jìn)行模型預(yù)檢驗(yàn)的方式，而是依賴于所求解本質(zhì)矩陣特征值與標(biāo)準(zhǔn)本質(zhì)矩陣特征值之間的差異來度量所求解本質(zhì)矩陣的有效性，使得檢驗(yàn)的過程完全不依賴于樣本殘差模型以及野點(diǎn)概率的估計(jì)，具有較好的獨(dú)立性。當(dāng)解得的本質(zhì)矩陣

5、具有的較小特征值偏差時(shí)，計(jì)算點(diǎn)集中所有點(diǎn)對(duì)在此本質(zhì)矩陣變換模型下的殘差，將殘差較大的點(diǎn)對(duì)刪除，以提高內(nèi)點(diǎn)（inlier，如非特殊說明，本文中的內(nèi)點(diǎn)均指在圖像局部不變特征匹配中得到的正確匹配點(diǎn)）的比例，并加快后續(xù)的RANSAC采樣過程。實(shí)驗(yàn)結(jié)果表明，當(dāng)匹配點(diǎn)集中存在大比例的野點(diǎn)時(shí)，本文提出的基于野點(diǎn)消除的RANSAC方法（OE-RANSAC）可比傳統(tǒng)的RANSAC方法計(jì)算速度快十倍以上。
　　攝像機(jī)特殊的運(yùn)動(dòng)方式以及平面的場景結(jié)構(gòu)會(huì)

6、使傳統(tǒng)的基于匹配點(diǎn)集（數(shù)據(jù)）求取本質(zhì)矩陣（模型）的代數(shù)求解方法出現(xiàn)退化，針對(duì)這個(gè)問題，本文提出一種基于改進(jìn)粒子群優(yōu)化的本質(zhì)矩陣求解方法。它首先構(gòu)造一個(gè)符合本質(zhì)矩陣約束條件的矩陣，然后計(jì)算此矩陣與點(diǎn)集之間的適應(yīng)度值，通過粒子群優(yōu)化算法尋找適應(yīng)度值最高的本質(zhì)矩陣。針對(duì)傳統(tǒng)粒子群優(yōu)化算法容易陷入局部最值點(diǎn)以及收斂速度慢的弊端，本文為原始的粒子群優(yōu)化算法引入三點(diǎn)改進(jìn)：交叉操作、隨機(jī)加權(quán)全局最優(yōu)值、隨機(jī)搜索速度。通過這三點(diǎn)改進(jìn)，可以加速粒子群的收

7、斂，并避免過早地陷入局部極值點(diǎn)。雖然該方法還會(huì)受到場景結(jié)構(gòu)、運(yùn)動(dòng)模式、粒子數(shù)以及迭代次數(shù)的影響，但計(jì)算結(jié)果在代數(shù)方法出現(xiàn)退化的場景條件下更為穩(wěn)定。
　　在場景三維結(jié)構(gòu)已知條件下，通過單幀圖像即可求取出攝像機(jī)在場景中的絕對(duì)位姿，這就是PNP問題求解，包括N=3、N=4、N＞4的情形。傳統(tǒng)PNP方法存在的主要問題有如下兩點(diǎn)：一是算法復(fù)雜度與精度之間的矛盾；二是無法克服平面退化對(duì)結(jié)果的影響。基于旋轉(zhuǎn)矩陣的流形表達(dá)，本文提出一種新穎的基于

8、旋轉(zhuǎn)平均的PNP求解方法。首先任選多組由三個(gè)控制點(diǎn)構(gòu)成的三元控制點(diǎn)對(duì)，利用這些三元控制點(diǎn)對(duì)以及P3P方法求解出位姿參數(shù)，然后再對(duì)P3P方法求取的位姿直接進(jìn)行平均。實(shí)驗(yàn)表明，與傳統(tǒng)的PNP方法相比，基于旋轉(zhuǎn)平均的PNP求解過程完全不受場景退化的影響，這主要是由于 P3P方法充分利用了所有的約束條件，屬于一種幾何求解方法。另外在控制點(diǎn)像平面坐標(biāo)定位噪聲較大的情況下，性能也優(yōu)于 EPNP方法，在控制點(diǎn)數(shù)較少的位姿求解中具有最好的精度，計(jì)算快捷