[发明专利]一种针对动态变化场景的实时摄像机跟踪方法

说明书

技术领域

本发明涉及一种实时摄像机跟踪方法，尤其涉及一种动态变化场景中的实时摄像机跟踪方法。 

背景技术

摄像机跟踪技术是计算机视觉领域的重要技术之一，其在机器人导航和增强现实等领域中有着极其重要的应用。 

摄像机跟踪技术的难点在于：1）大多数方法都是一帧一帧的对特征点进行跟踪，导致误差逐帧累积。如果某一帧的跟踪失败了，那么就将无法继续进行摄像机的跟踪，必须对相机重新定位。有一些方法提出使用随机分类器或者Harrwaveltes来解决摄像机的重定位问题，Chekhlov等人提出使用SIFT特征点来进行特征点的跟踪，但是却导致了计算复杂性增大。为了降低计算复杂性，有些方法简化了SIFT检测算法，但是随之而来的是丢失了SIFT特征点的一些不变性特征；2）目前现有的大多数摄像机跟踪算法都只能够处理静态场景，如果场景发生了动态变化，就会导致跟踪失败。但是，真实的自然场景往往不断变化，在很多的应用中需要进行处理的场景也都是动态变化的，因此现有的摄像机跟踪方法都很难对这些场景进行处理。3）在跟踪的过程中，现有的一些方法由于没有及时地对三维场景结构进行更新及优化，导致重建出的三维模型很快就无效，进而导致了摄像机跟踪的失败。 

当下，有很多摄像机跟踪方法，本专利所属方法称为SLAM（Simultaneously Localization and Mapping）。 

SLAM是指实时地定位摄像机位置并获得摄像环境的空间地图的方法，它是实现制造自主移动机器人的关键算法之一。尽管该方法已经取得了巨大的进步，但是仍然存在着很多的挑战和困难。目前，现有算法能够处理静态、规模较小的场景，但是如何对动态的、规模较大的场景进行实时定位和地图构建仍然有待深究。 

1.基于过滤器的SLAM 

该方法的代表是MonoSLAM（Andrew J.Davison,Ian D.Reid,Nicholas Molton,Olivier Stasse:MonoSLAM:Real-Time Single Camera SLAM.IEEE Trans.Pattern Anal.Mach.Intell.29（6）:1052-1067,2007）它是实时摄像机跟踪领域的 先驱。该方法首先对一个大小已知的场景中的人工标记进行检测，从而初始化场景，然后逐帧进行类KLT特征点的检测。通过扩展卡尔曼滤波，场景中所有标记的位置以及摄像机参数紧密相关，并被约束到一个线性方程组中，每次输入一个新帧时，都同步更新方程组。尽管卡尔曼滤波是非常高效的，但是该方法的计算复杂度依旧很高（O（N2），N是场景中标记的数目），从而场景中标记的数目只能是几百个，并且如果不使用巧妙的特征点选取方法（比如Zongying Shi,Zhibin Liu,Xianliang Wu,WenliXu:Feature selection for reliable dataassociation in visual SLAM.Mach.Vis.Appl.24（4）:667-682,2013），就只能够处理一个很小的空间。Eade和Drummond（Ethan Eade,Tom Drummond:Scalable Monocular SLAM.CVPR（1）2006:469-476）提出的方法采用了FastSLAM-type粒子滤波（Michael Montemerlo,Sebastian Thrun,Daphne Koller,Ben Wegbreit:FastSLAM2.0:An Improved Particle Filtering Algorithm for SimultaneousLocalization and Mapping that Provably Converges.IJCAI2003:1151-1156）和自顶向下的搜索方法，从而能够实时的处理数百个标记。 

2.基于运动推断结构（SfM）的SLAM