[发明专利]一种基于无人机的三维重建误差主动修正方法

说明书

本发明提供一种基于无人机的三维重建误差主动修正方法，包括以下步骤：利用等距正视约束对无人机拍摄轨迹进行规划，以达到期望的三维重建优化效果；通过基于分块深度直方图的改进粒子滤波定位算法对无人机机载相机进行定位；设计一组定量指标来评估实际飞行与期望规划位姿的误差所导致的图像视野损失；根据视野重叠率以及损失函数评分，在无人机采集的图像中挑选关键帧参与重建。本发明采用等距正视约束对无人机重建轨迹进行规划，提出了一种基于深度分块直方图分析的粒子滤波优化方法，来对无人机进行精准定位，并进一步设计了一组定量指标来评估位姿误差导致的图像期望视野损失，并重新选择参与三维重建的关键帧，增强了视觉重建的效果。

技术领域

本发明属于无人机三维重建领域，尤其涉及一种基于无人机的三维重建误差主动修正方法。

背景技术

执行完整的视觉覆盖任务旨在重建复杂的三维野外环境并实现动态更新，最终的呈现结果是带纹理的三维表面模型，使用配备视觉设备的无人机平台可以执行有效的长期区域监视，并同时执行各种广域任务，例如地形重建、场景动态更新、目标搜索和跟踪等。

然而在复杂地形下的无人机视觉覆盖任务中，存在很多挑战。例如由于轨迹跟踪过程中存在噪声、机体晃动等不确定误差，导致无法完全维持摄影测量约束下的规划轨迹来获取图像，进而难以达到约束下重建的最优化效果指标。因此考虑对飞行相机进行精准定位来获取视野损失以指导关键帧的重新选择。

目前，机器人定位问题主要是指借助各种传感器信息来估计环境中某一时刻机器人的姿态和位置，结合视觉辅助信息的各种滤波方法和优化方法被广泛使用，例如借助图优化方法处理IMU与视觉传感融合数据，以及使用扩展卡尔曼滤波方法处理非线性视觉里程计信息等。然而，由于尺寸和重量的限制，高质量的传感器和处理器很难搭载在无人机上。并且由于野外广域环境表面植被往往存在重复性特征，会给图像间特征匹配带来困难，因此一些基于特征点匹配的定位方法也存在较大误差。近年来，深度学习方法也被广泛应用到定位研究中，例如通过搭建神经网络来融合RGBD信息和IMU数据，可以有效地提高定位精度，但这类方法会对数据集有强依赖性。

关键帧选择问题一般考虑几个标准：特征点匹配组的比例、单应性误差、相邻帧重叠率以及重投影误差等。几何鲁棒性信息准则也用于计算加权代价来优化关键帧选择过程，同时对图像的模糊检测也纳入了选择标准中。近年来，光流法被用于检测相关约束是否被满足。但是，大多数研究并没有分析各种约束的特征以及具体的实现程度。尤其是在主动视觉引导下的三维重建图像采集过程中，对于在摄影几何约束下跟踪规划轨迹拍摄得到的图像的实际视野误差，并没有很好地进行监测，从而影响到了关键帧选择的标准。

因此，提出一种基于无人机的三维重建误差主动修正方法，以解决上述问题。

发明内容

为了解决上述技术问题，本发明提供一种基于无人机的三维重建误差主动修正方法，包括以下步骤：

步骤1：利用等距正视约束对无人机拍摄轨迹进行规划，以达到期望的三维重建优化效果；

步骤2：通过基于分块深度直方图的改进粒子滤波定位算法对无人机机载相机进行定位；

步骤3：设计一组定量指标来评估实际飞行与期望规划位姿的误差所导致的图像视野损失；

步骤4：根据视野重叠率以及损失函数评分，在无人机采集的图像中挑选关键帧参与重建。

优选的，所述步骤1中利用等距正视约束对无人机拍摄轨迹进行规划，是利用等距正视约束以及重叠率要求确定空中拍摄点，并以时间最优原则将其串联成轨迹，同时进行平滑处理。

优选的，所述步骤2包括以下步骤：

步骤21：在以规划点为中心的立方体邻域内，以绝对均匀的分布方式进行初始粒子采样；

步骤22：对相机视锥进行建模，计算视锥视野内拍摄到的环境表面对应的深度信息作为粒子滤波过程中的观测量；