[发明专利]一种高实时性机器视觉运动分析方法

说明书

本发明公开了一种高实时性机器视觉运动分析方法，通过双目摄像机实时采集图像，采用SURF方法提取并匹配当前帧左右图像特征点，并对前后帧左图特征点进行跟踪，得到前后帧跟踪匹配点对集合；直接采用奇异值分解方法计算运动参数，利用该参数计算跟踪匹配点误差并剔除包含粗大误差的跟踪匹配点对，得到有效跟踪匹配点对集合；最后再通过奇异值分解方法得到经优化的运动参数。本发明利用前后帧跟踪匹配点对集合中仅有极少数跟踪匹配点对存在粗大误差的特点，直接对所有跟踪匹配点对计算运动参数，进而通过运动参数剔除包含粗大误差的跟踪匹配点对，显著提高了运动分析精度，而且相对于其他运动分析优化方法大大减少了计算量，更有利于机器视觉运动分析的实际应用。

技术领域

本发明涉及机器视觉运动分析的技术领域，具体涉及一种高实时性机器视觉运动分析方法，通过剔除包含粗大误差的跟踪匹配点对，以此进一步提高运动分析精度，相对于其他运动分析方法减少了计算量，更有利于机器视觉运动分析的实际应用。

背景技术

随着计算机视觉技术的不断发展，同时考虑到立体视觉信息量大，适用范围广的特点，利用立体视觉模拟人类双眼处理景物的方式来获得相机自身运动的方法越来越多地运用到无人驾驶以及自主导盲系统中。在这些系统中，视觉运动分析的精度和速度直接影响该系统的安全性和实用性。然而视觉运动分析中得到匹配点的匹配精度参差不齐，其中存在匹配误差较大的匹配点，这些匹配点只能得到误差较大的三维信息，而误差较大的三维信息将大大降低运动分析的精度。为了消除这些大误差匹配点的影响，通常采用RANSAC算法，从匹配点集中找到误差较小的匹配点集合，进而只利用小误差匹配点集进行运动分析，以提高运动分析的精度。但是，由于RANSAC算法是一种随机性方法，必须经过多次迭代才能获得较为精确的参数，而且迭代次数随特征点增多而增加，因此采用RANSAC算法获得精确参数的计算量很大，难以保证整体算法的实时性。

发明内容

本发明要解决的技术问题为：针对常规视觉运动分析中RANSAC算法因计算量大导致实时性差的问题，提出一种快速剔除包含粗大误差的跟踪匹配点对的方法，相对于其他运动分析优化方法减少了计算量，显著提高算法的实时性，更有利于机器视觉运动分析的实际应用。

本发明解决上述技术问题所采用的技术方案是：一种高实时性机器视觉运动分析方法，通过双目摄像机实时采集图像，采用SURF方法提取并匹配当前帧左右图像特征点，并对前后帧左图特征点进行跟踪，得到前后帧跟踪匹配点对集合；直接采用奇异值分解方法计算运动参数，利用该参数计算跟踪匹配点误差并剔除包含粗大误差的跟踪匹配点对，得到有效跟踪匹配点对集合；最后再通过奇异值分解方法计算优化后的运动参数。具体包括以下步骤：

步骤(1)、在实时采集双目摄像机图像的基础上，采用SURF方法提取并匹配当前帧左右图像特征点，得到左右图像匹配点对集合；

步骤(2)、对前后帧左图特征点进行跟踪，得到前后帧跟踪点对集合，关联当前帧与前一帧左右图像匹配点对集合，得到前后帧跟踪匹配点对集合；

步骤(3)、在计算所有跟踪匹配点对三维坐标的基础上，采用奇异值分解方法计算运动参数，并利用该参数得到跟踪匹配点对误差，剔除包含粗大误差的跟踪匹配点对，得到有效跟踪匹配点对集合；

步骤(4)、在计算有效跟踪匹配点对三维坐标的基础上，再一次采用奇异值分解方法计算得到经优化的运动参数。

本发明的基本原理是：基于机器视觉原理，匹配跟踪特征点得到前后帧跟踪匹配点对，利用前后帧跟踪匹配点对集合仅有极少数点对存在粗大误差的特点，直接对所有跟踪匹配点对进行奇异值分解，从而获得运动参数，并利用该参数剔除包含粗大误差的跟踪匹配点对，得到有效的跟踪匹配点对。在计算得到有效跟踪匹配点对三维坐标的基础上，再一次采用奇异值分解方法获得经优化的运动参数。