[发明专利]增量式相机旋转估计方法

说明书

本发明提供一种增量式相机旋转估计方法，包括以下步骤：S1：在外极几何图中选取图像初始三元组，作为种子视图，并估计种子视图的绝对旋转；S2：根据当前已估计的种子视图的绝对旋转，选取绝对位姿估计的下一最优视图；S3：对下一最优视图的绝对旋转进行估计，并对绝对旋转估计值进行优化，优化后的绝对旋转为相机旋转估计值；S4：重复S2，S3，直至获取所有相机的绝对旋转估计值。本发明中的方法采用一种增量式的方式实现绝对旋转估计，基于最优视图进行旋转向量的估计，提升旋转估计的鲁棒性和精确性。

技术领域

本发明涉及图像处理技术领域，具体涉及一种增量式相机旋转估计方法。

背景技术

从运动恢复结构(structure from motion)是基于图像的大规模场景三维建模中的一个关键步骤，近年来发展迅速，其输入为图像特征匹配，输出为相机绝对位姿以及场景结构，可以通过图像画面的运动轨迹，估计相机的真实运动轨迹，在机器人SLAM、自动驾驶等领域广泛应用。

基于相机位姿的初始化方式，从运动恢复结构方法可以大致分为增量式与全局式两种。增量式方法通过迭代地进行相机位姿估计与场景结构扩展来初始化相机位姿。在迭代过程中还会引入随机抽样一致性(random sample consensus)与捆绑调整(bundleadjustment)技术，用以应对难以避免的特征匹配外值。对于全局式方法，相机位姿采用运动平均化技术进行初始化，包括旋转与平移平均化(rotation/translation averaging)。相比于全局式方法，由于频繁调用基于随机抽样一致性的模型估计以及基于捆绑调整的参数优化技术，增量式从运动恢复结构方法通常更为精确、鲁棒。

旋转平均化(rotation averaging)指的是在给定相对旋转测量值下估计相机的绝对姿态，该相对旋转测量值通常由本质矩阵(essential matrix)估计并分解获取。绝大多数的全局式从运动恢复结构的方法均采取顺序进行旋转与平移平均化的策略，并且为了简化问题，还会在进行绝对平移估计时还会将绝对旋转固定并作为已知量引入其中。因此，旋转平均化在全局式从运动恢复结构方法中十分关键。

然而，由于外极几何图(epipolar-geometry graph)上的相对旋转中存在着因特征误匹配导致的不可避免的测量外值(outlier)，旋转平均化问题仍远未解决。上述现象在由因特网上下载的图像集合中尤为明显。为应对上述问题，现有方法尝试设计鲁棒损失函数以使得优化过程更为鲁棒，或者开发有效的外值滤除策略以净化被外值污染的外极几何图。尽管被证实较为有效且已被集成至一些全局式从运动恢复结构的流程之中，这些方法在精度与鲁棒性方面仍存在一些不足。

发明内容

本发明的目的在于解决以上技术问题，提供一种精确性高、鲁棒性高的增量式相机旋转估计方法。

为实现上述目的，本发明采用的技术方案是：

一种增量式相机旋转估计方法，包括以下步骤：

S1：在外极几何图中选取图像初始三元组，作为种子视图，并估计种子视图的绝对旋转；

S2：根据当前已估计的种子视图的绝对旋转，选取绝对位姿估计的下一最优视图；

S3：对下一最优视图的绝对旋转进行估计，并对绝对旋转估计值进行优化，优化后的绝对旋转为相机旋转估计值；

S4：重复S2，S3，直至获取所有相机的绝对旋转估计值。

在本发明一些实施例中，选取初始三元组后，进一步对初始三元组进行优化处理，获得优化后的图像三元组，作为种子视图；对初始三元组进行优化的方法为：

选取编号为i、j和k的图像，组成初始三元组，记为t_ijk；

获取在该三元组局部坐标系下的各图像的绝对旋转：