[发明专利]一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法

权利要求书

1.一种基于图像序列轨迹跟踪的空间目标三维稀疏重构方法，其特征在于步骤如下：

步骤1，空间目标多视图图像匹配：

(1)对空间目标多视图进行尺度不变特征SIFT提取，生成128维特征向量作为匹配初始条件：使用短代码进行哈希查找以进行粗略搜索，将所有图像中的所有特征点都嵌入到具有局部敏感哈希LSH的m位二进制码中；对于图像I中的特征点p，为了在图像J中找到其对应匹配点，使用m位二进制码构造具有一组桶的查找表，并返回所有落入与点p相同桶的在图像J中的点；

(2)在哈希查询阶段完成粗略搜索之后进行精确搜索，计算每个候选样本之间的欧几里德距离，使用大于m位哈希函数将哈希查询阶段提供的候选样本重新映射到汉明空间；

(3)根据查询的汉明距离对候选样本进行排序，选择前Top_k项作为最终候选者；在找到前k项候选者后，根据欧几里德距离找到其中最近的两个项，并通过筛选Lowe′s比率进行匹配；

步骤2，空间目标多视图轨迹跟踪：

对步骤1得到多视图匹配对应关系，为每一个匹配特征创建单例，每个成对匹配需要包含它们的两个特征的并集，利用并查集建立用于关联对应关系的连接函数，建立结构模型图G，其中特征点视为图的顶点而关联关系视为图的边缘；集合由特征点组成，包含图像的ID编号和特征点ID编号，表示为features{ImageID,FeatureID}＝sets，集合的关联代表左右邻近视图的匹配关系，表示为：

{LeftFeature,RightFeature}＝setsunion

所得到的图G的连接关系就是轨迹，轨迹的长度为图G边缘数目；

步骤3，基于逆向抽样一致性AC-RANSAC的重构模型估计：

根据步骤1得到多视图匹配对应关系，步骤2得到多视图轨迹长度，选择轨迹长度最长的多视图中邻近视图匹配点较多的图像对作为初始重建图像对；

利用初始重建图像对的8组匹配点对进行相机模型计算即为三维稀疏重构结果：8组匹配对的选择采用逆向抽样一致性，AC-RANSAC搜索一个包含可控的虚警数NFA的共识集，虚警是一种偶发模型，需要定义背景模型Η0和刚度度量，所述Η0是一种随机对应模型，在图像中均匀分布的独立点，刚度度量作为内点残差的估计模型；

刚性模型中的NFA：

其中，k是内联点对应的数量，n是匹配总数，N_sample是RANSAC样本的基数，N_out是从RANSACN_sample进行对应样本估计的模型数量，N_sample是N_out＝1；e_k(M)是所有n个对应关系中模型M的第k个最低误差，α₀是具有误差1像素的随机对应的概率，d是误差维度：当点到线距离时设为1，点到点距离时设为2；

利用最小化NFA代替传统的最大化内部计数或最小化误差中位数是AC-RANSAC的特点，模型的有效性需要满足以下条件：

参数为ε，设定为1，模型M的内联点/奇异点误差阈值为e_k(M)，k最小化上式。

2.根据权利要求1所述基于图像序列轨迹跟踪的空间目标三维稀疏重构方法，其特征在于：所述步骤1中的m＝8or 10。

3.根据权利要求1所述基于图像序列轨迹跟踪的空间目标三维稀疏重构方法，其特征在于：所述步骤2中的Top_k＝2。

4.根据权利要求1所述基于图像序列轨迹跟踪的空间目标三维稀疏重构方法，其特征在于：所述步骤2中的lowe’s＝0.8or0.6。

5.根据权利要求1所述基于图像序列轨迹跟踪的空间目标三维稀疏重构方法，其特征在于：所述内联点对应的数量k取值为8。