[发明专利]一种基于全局线性的相机平移标定方法

说明书

本发明涉及一种基于全局线性的相机平移标定方法，属于多视图几何和三维重建技术领域。该方法包括以下步骤：S1：输入相机对之间的本质矩阵构建EG图，将本质矩阵分解得到相对旋转矩阵和相对平移向量；S2：利用基于L1范式的李代数相对旋转平均法对旋转矩阵进行求解，得到相机的绝对旋转矩阵；S3：利用三个相机和一个场景点的约束，求出基线长度的比例，通过L1范式优化得到基线长度；S4：根据求得的旋转矩阵和基线长度，将EG图中的边中的约束等式收集起来利用L1范式求解得到全局坐标系下的相机的位置。本发明避免了共线相机退化的情况，同时降低了噪声的影响，计算简单，不需要额外的其他信息，极大提高了相机位置的精度。

技术领域

本发明属于多视图几何和三维重建技术领域，涉及一种基于全局线性的相机平移标定方法。

背景技术

在计算机视觉中，相比于二维图像，三维模型能给人以更加直观和形象的视觉感受。随着计算机硬件的发展和各种算法的改进，使得三维建模更加容易实现。而三维重建是其中一个应用得比较广的方法，在现实生活中，三维重建在虚拟现实，视频游戏，工业制造的自动化，电影及动画制作，医学图像的复原，文物的保护与恢复等领域都有广泛的应用。运动恢复结构是三维重建的一种常用方法，经过研究者多年的深入研究，其中有些问题基本已经得到很好的解决，例如，相机的标定，相机内参的估计等。但是对于相机的运动参数的估计，特别是相机的平移标定，目前还没有一种公认的很好的解决方法。所以相机的平移标定是目前三维重建中研究的重点。

目前运动恢复结构有很多方法来估计相机的平移标定，主要分为三大类别，分别是增量式、分层式和全局式。增量法首先初始化估计两个相机，然后通过一个一个增加相机，最终估计出场景结构。分层式将图片集分成一个个短的序列来重建，最后将所有的序列融合起来。但是由于增量式和分层式方法容易积累误差，最后造成场景点的漂移的情况，而且这两种方法所需要的时间较长。相对比与增量法和分层法，全局法一次性解出所有相机的运动，所有的误差都分布在整个相机的运动中，场景结构不容易造成漂移现象，而且由于全局法只使用一次束调整，所以运行时间上相对于其他两种方法有很大的提升。但是它的缺点是容易对异常值敏感，造成最后估计的结果不准确。因此需要一种能够在保证相机位置精确的情况下，消除掉较多的异常值，同时降低计算复杂度的方法，进行更快速有效的场景的三维重建。

发明内容

有鉴于此，本发明的目的在于提供一种基于全局线性的相机平移标定的方法，针对现有的平移标定方法随着共线相机退化并且容易受到异常值影响的情况，有效解决现有平移标定方法存在的问题。

为达到上述目的，本发明提供如下技术方案：

一种基于全局线性的相机平移标定方法，使用三张图片共同可见的场景点约束方法对全局相机的位置进行估计，首先利用三张图片之间的特征匹配得到公共特征点，然后利用公共场景点和相机位置的约束关系对相机之间的基线长度经行估计，最后通过全局相机之间存在的平移约束的关系，将相机在全局坐标系中的位置求解出来。所述相机平移标定方法具体包括以下步骤：

S1：输入相机对之间的本质矩阵构建EG图，将本质矩阵分解得到相对旋转矩阵和相对平移向量；

S2：利用基于L1范式的李代数相对旋转平均法对旋转矩阵进行求解，得到相机的绝对旋转矩阵；

S3：利用三个相机和一个场景点的约束，求出基线长度的比例，通过L1范式优化得到基线长度；

S4：根据求得的旋转矩阵和基线长度，将EG图中的边中的约束等式收集起来利用L1范式求解得到全局坐标系下的相机的位置。

进一步，所述步骤S1具体包括以下步骤：

S11：构建EG图，将每张图片看作是一个顶点，如果两张图片之间有本质矩阵的约束，则连接两个顶点，整个EG图是通过顶点和边的关系构建的。