[发明专利]层次式相机旋转估计方法

说明书

本发明提供一种层次式相机旋转估计方法，包括以下步骤：S1：对外极几何图进行图聚类处理；构造类内底层图，以及类间顶层图；S2：基于随机抽样一致性算法，对类内底层图进行旋转平均化处理，获得类内顶点的绝对旋转值；S3：对底层图之间的边集合进行旋转平均化处理，计算得类间顶层图中边的相对旋转，基于随机抽样一致性算法，对类间顶层图进行旋转平均化处理，获得类间顶点的绝对旋转初值；S4：基于类内顶点的绝对旋转值、类间顶点的绝对旋转初值及内值边集合进行全局优化，优化后的绝对旋转为相机旋转估计值。利用本发明方法，可以有效检测并滤除外值，获取更好的旋转平均化结果。

技术领域

本发明涉及图像处理技术领域，具体涉及一种层次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，在机器人同时定位与构图(simultaneouslocalizationandmapping)、自动驾驶等领域广泛应用。

旋转平均化(rotationaveraging)指的是在给定相对旋转测量值下估计相机的绝对姿态，是全局式从运动恢复结构(structurefrom motion)方法中的一个关键步骤。尽管已被广泛研究，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。

为解决上述问题，现有方法通常通过设计复杂的损失函数使得旋转平均化的优化过程对相对旋转测量外值更为鲁棒。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，由于优化问题形式复杂，这类方法通常效率较低。另外，这类方法较为依赖初值，在某些情况下会陷入局部极小值进而导致较差的旋转平均化结果。。

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、鲁棒性高的层次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：

一种层次式相机旋转估计方法，包括以下步骤：

S1：对外极几何图进行图聚类处理；将同类外极几何图顶点及同类外极几何图顶点之间的边作为类内底层图，将类内底层图看作一个顶点，各类内底层图之间的边集合看作一条边，构成类间顶层图；

S2：基于随机抽样一致性算法，对类内底层图进行旋转平均化处理，获得类内顶点的绝对旋转值；

S3：对底层图之间的边集合进行旋转平均化处理，计算得类间顶层图中边的相对旋转，基于随机抽样一致性算法，对类间顶层图进行旋转平均化处理，获得类间顶点的绝对旋转初值；

S4：基于类内顶点的绝对旋转值、类间顶点的绝对旋转初值及内值边集合进行全局优化，优化后的绝对旋转为相机旋转估计值。

在本发明一些实施例中，对类内底层图进行旋转平均化处理的方法包括：

S21:基于类内底层图构建随机生成树，基于随机生成树构造随机最小集合；

S22:基于随机最小集合计算类内底层图各顶点的绝对旋转估计值；

S23:基于所述绝对旋转的估计值获得随机生成树的支撑集合；

S24:基于各随机生成树的支撑集合中最大支撑集合的边，优化计算类内顶点的绝对旋转。

在本发明一些实施例中，构建随机生成树的方法为：

S211:指定类内底层图的任意一个顶点，并将该顶点作为起始点；