CN104864854B - 一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法 - Google Patents

Abstract

本发明公开了一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法，该方法的步骤包括：步骤(1)、获取三角形目标图像；步骤(2)、提取图像中三角形目标特征点；步骤(3)、建立三角形边长、内角、形状因子特征加权约束关系；步骤(4)、基于三角形边长、内角、形状因子加权约束关系解算位姿。本发明该方法运用图像识别手段，以三角形边长、内角、形状因子特征建立加权误差约束关系，提高了目标单目视觉位姿测量精度。

Description

一种基于三角形边长、内角、形状因子加权约束的单目视觉位 姿测量方法

技术领域

本发明涉及一种单目视觉位姿测量方法，尤其涉及一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法。

背景技术

目标位姿测量在工业控制、航天操作等领域具有广泛的应用。其中基于视觉的目标位姿(位置、姿态)测量具有非接触、设备成本低、监视直观等优点。尤其在航天领域中，利用视觉对飞行器位姿进行那个位姿精确测量是多项空间任务的首要条件。

视觉位姿测量可分为合作目标测量和非合作目标测量，合作目标测量由于具有精度高、测量技术成熟、可靠等优势，在空间领域广泛采用。目前已采用过的合作标志器形态多种多样，有利用特征点、特征线、特征圆等多种几何特征的，通过对合作标志器的特征识别提取，从而利用提取的特征点坐标重投影约束、特征直线斜率约束、特征圆的半径约束等建立对目标形状的约束关系，同时也建立起对目标位姿的约束关系，达到解算出目标位姿的目的。

根据秦丽娟等人的《基于矩形的三维物体位姿估计研究》(参见《计算机工程与科学》，2009年31卷(4)49-51页)，利用了矩形对边平行等条件构造了位姿解析解算方法，但未涉及利用三角形边长、内角、形状因子等几何特征。根据王晓剑等人的《基于双平行线特征的位姿估计解析算法》(参见《仪器仪表学报》，2008年29卷(3)600-604页)，利用了平行四边形的面积等特征构造位姿解析解算方法，但同样未涉及三角形边长、内角、形状因子等特征。专利CN201010563504.6中提出了一种基于特征线的运动目标位姿光学测量方法，方法中利用了两条相交直线上4个特征点不重合且不共线条件，解算目标位置姿态，未涉及利用三个点构成三角形边长、内角、形状因子等特征。综上所述，上述方法均未涉及利用三角形边长、内角、形状因子特征加权关系构造位姿迭代解算方法。

发明内容

本发明要解决的技术问题是：提供一种针对三角形目标的单目视觉位姿测量方法。该方法利用3个特征点构造了三角形，并利用三角形目标在位姿变化过程中其边长、内角、形状因子保持不变的几何特征建立了加权误差约束关系，加强了对刚体目标形状约束，转换为对目标位姿的约束，构造了迭代解算位姿方法。通过对三角形边长、内角、形状因子误差约束迭代解算目标位姿方法，有效利用了三角形目标刚体结构不变性特征，从而提高了位姿解算结果准确性。

本发明采用的技术方案如下：一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法，该方法步骤如下：

步骤(1)、对目标成像，并获取目标图像。首先设置目标由3个特征点构成三角形，已知3个目标特征点在目标坐标系中3维坐标集{W₁,W₂,W₃}，获取三角形边长参数L，内角参数Ang，形状因子F,

其中i≠j≠g,且i,j,g∈{1,2,3}；

步骤(2)、识别三角形目标特征点。将步骤(1)获取的图像进行识别并提取图像中目标特征点坐标{a_i}(i＝1…3)；

步骤(3)、建立三角形边长和体积加权约束关系。已知摄像机等效焦距为f，定义3个目标特征点在摄像机坐标系下坐标集为{A₁,A₂,A₃}，定义3特征点到摄像机光心p的距离为{l₁,l₂,l₃}；由步骤(2)获取了目标特征点在图像平面成像点坐标a_i＝(u_i,v_i)(i＝1…3)，则成像点的3维坐标表示为(a_i,f)＝(u_i,v_i,f)，则：

应用特征点构造边长L、内角参数Ang、形状因子F作为对刚体目标的约束，同时也构造了对刚体目标位姿的约束。构成了基于边长L、内角参数Ang、形状因子F加权约束的误差项E_LF和E_AF。1个三角形有3条边，3个内角，其中每条边或每个内角与形状因子加权共形成6组约束加权误差约束项E_LAF。

E_LF＝αe_L+βe_F

E_AF＝αe_A+βe_F

其中E_LAF为第k次迭代后由e_L、e_V、e_F形成的加权误差矩阵，加权系数α和β满足α+β＝1。

步骤(4)、基于三角形边长、内角、形状因子约束关系解算位姿。首次迭代解算出{l_i}的修正量x：

J_lx＝E_LAF

x＝(J_l ^TJ_l)^-1J_l ^-1E_LV

其中J_l为雅可比(Jacobian)矩阵，在迭代中解算出{l_i}的修正量x，从而最终解算出准确的{l_i}。

L^(k+1)＝L^(k)-x

其中L^(k)是第k次迭代后的{l_i}。当所有的边长、内角、形状因子约束都能同时被满足，刚体形状满足约束，同时位姿解满足约束，误差E_LAF在迭代过程中将会逐渐收敛到零，且最终解算得到最优的{l_i}。另一方面，此非线性最优化问题可以被认为是局部线性的，反复迭代可以被解算得到{l_i}。在{l_i}得到的基础上，解算得到目标特征点在摄像机坐标系中坐标{A_i}，再由最小二乘平差方法，解算得到目标姿态角度θ＝(A_x,A_y,A_z)与目标平移向量T＝(t_x,t_y,t_z)。

本发明与现有技术相比的优点在于：提供一种针对三角形目标的单目视觉位姿测量方法。该方法利用3个特征点构造了三角形，并利用三角形目标在位姿变化过程中其边长、内角、形状因子保持不变的几何特征建立了加权误差约束关系，在对三角形边长、内角、形状因子误差约束转换为对目标位姿的约束，误差约束关系构造了迭代解算位姿方法。通过对边三角形边长、内角、形状因子误差约束迭代解算目标位姿方法，有效利用了三角形边长、内角、形状因子不变性特征，从而提高了位姿解算结果准确性。

附图说明

图1为本发明具体流程图；

图2为仿真生成三角形目标模型；

图3为仿真生成三角形目标图像。

具体实施方式

下面结合具体实施例，对本发明方法进一步说明。

本发明具体流程如图1所示。一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法，

(1)对目标成像，并获取目标图像(如图3所示)。首先设置目标由3个特征点构成三角形(如图2所示)，已知3个目标特征点在目标坐标系中3维坐标集{W₁,W₂,W₃}，获取三角形边长参数L，内角参数Ang，形状因子F，

L₁₂＝17.25mm

L₂₃＝24.4mm

L₃₁＝17.25mm

Ang₁₂₃＝π/4

Ang₂₃₁＝π/4

Ang₃₁₂＝π/2

F＝0.54

(2)识别三角形目标特征点。将步骤(1)获取的图像进行识别并提取图像中目标特征点坐标{a_i}(i＝1…3)；

(3)建立三角形边长和体积加权约束关系。已知摄像机等效焦距为f，定义3个目标特征点在摄像机坐标系下坐标集为{A₁,A₂,A₃}，定义3特征点到摄像机光心p的距离为{l₁,l₂,l₃}；由步骤(2)获取了目标特征点在图像平面成像点坐标a_i＝(u_i,v_i)(i＝1…3)，则成像点的3维坐标表示为(a_i,f)＝(u_i,v_i,f)，则：

应用特征点构造边长L、内角参数Ang、形状因子F作为对刚体目标的约束，同时也构造了对刚体目标位姿的约束。构成了基于边长L、内角参数Ang、形状因子F加权约束的误差项E_LF和E_AF。1个三角形有3条边，3个内角，其中每条边或每个内角与形状因子加权共形成6组约束加权误差约束项E_LAF。

E_LF＝αe_L+βe_F

E_AF＝αe_A+βe_F

其中E_LAF为第k次迭代后由e_L、e_V、e_F形成的加权误差矩阵，为强调形状因子对位姿的约束强度，设置加权系数α＝0.3和β＝0.7满足α+β＝1。

(4)基于三角形边长、内角、形状因子约束关系解算位姿。首次迭代解算出{l_i}的修正量x：

J_lx＝E_LAF

x＝(J_l ^TJ_l)^-1J_l ^-1E_LV

其中J_l为雅可比(Jacobian)矩阵，在迭代中解算出{l_i}的修正量x，从而最终解算出准确的{l_i}。

L^(k+1)＝L^(k)-x

其中L^(k)是第k次迭代后的{l_i}。当所有的边长、内角、形状因子约束都能同时被满足，刚体形状满足约束，同时位姿解满足约束，误差E_LAF在迭代过程中将会逐渐收敛到零，且最终解算得到最优的{l_i}。另一方面，此非线性最优化问题可以被认为是局部线性的，反复迭代可以被解算得到{l_i}。在{l_i}得到的基础上，解算得到目标特征点在摄像机坐标系中坐标{A_i}，再由最小二乘平差方法，解算得到目标姿态角度θ＝(A_x,A_y,A_z)与目标平移向量T＝(t_x,t_y,t_z)。

如表1所示，分别统计3组试验位姿解算结果及平均误差。

由于充分利用了三角形边长、内角、形状因子信息，并且将两种几何特征进行加权关联，建立起非线性最优化约束条件，使位姿解算结果更符合目标本身刚体特性，从而提高位姿解算准确性。

表1 仿真试验位姿解算结果及误差图表

本发明未详述部分属于本技术领域的公知技术。以上所述仅为本发明的具体实例而已，并不用于以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法，其特征在于该方法包括如下步骤：

步骤(1)、对目标成像，并获取目标图像；首先设置的目标为由3个目标特征点构成的三角形，已知3个目标特征点在目标坐标系中3维坐标集为{W₁,W₂,W₃}，获取三角形边长参数L，内角参数Ang，形状因子F，

其中i≠j≠g,且i,j,g∈{1,2,3}；

步骤(2)、识别三角形目标特征点；将步骤(1)获取的图像进行识别并提取图像中目标特征点坐标{a_i}，其中，i＝1、2、3；

步骤(3)、建立三角形边长、内角和形状因子加权约束关系；已知摄像机等效焦距为f，定义3个目标特征点在摄像机坐标系下坐标集为{A₁,A₂,A₃}，定义3个目标特征点到摄像机光心p的距离为{l₁,l₂,l₃}；由步骤(2)获取了目标特征点在图像平面成像点坐标a_i＝(u_i,v_i)，其中，i＝1、2、3，则成像点的3维坐标表示为(a_i,f)＝(u_i,v_i,f)，则：

<mrow> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mi>l</mi> <mi>i</mi> </msub> <mover> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>&amp;RightArrow;</mo> </mover> </mrow>

应用目标特征点构造边长参数L、内角参数Ang、形状因子F作为对刚体目标的约束，同时也构造了对刚体目标位姿的约束；构成了基于边长参数L、内角参数Ang、形状因子F加权约束的误差项E_LF和E_AF；1个三角形有3条边，3个内角，其中每条边或每个内角与形状因子加权共形成6组约束加权误差约束项E_LAF；

E_LF＝αe_L+βe_F

E_AF＝αe_Ang+βe_F

<mrow> <msub> <mi>E</mi> <mrow> <mi>L</mi> <mi>A</mi> <mi>F</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>E</mi> <mrow> <mi>L</mi> <mi>F</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>E</mi> <mrow> <mi>A</mi> <mi>F</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中i≠j≠g,且i,j,g∈{1,2,3},E_LAF为第k次迭代后由e_L、e_Ang、e_F形成的加权误差矩阵，α和β为加权系数；

步骤(4)、基于三角形边长、内角、形状因子约束关系解算位姿，首次迭代解算出{l_i}的修正量x：

J_lx＝E_LAF

x＝(J_l ^TJ_l)^-1J_l ^-1E_LAF

其中J_l为雅可比(Jacobian)矩阵，在迭代中解算出{l_i}的修正量x，从而最终解算出准确的{l_i}；

L^(k+1)＝L^(k)-x

其中L^(k)是第k次迭代后的{l_i}，当所有的边长、内角、形状因子约束都能同时被满足，刚体形状满足约束，同时位姿解满足约束，误差约束项E_LAF在迭代过程中将会逐渐收敛到零，且最终解算得到最优的{l_i}；另一方面，此非线性最优化问题被认为是局部线性的，反复迭代可以被解算得到{l_i}；在{l_i}得到的基础上，解算得到目标特征点在摄像机坐标系中坐标{A_i}，再由最小二乘平差方法，解算得到目标姿态角度θ＝(A_x,A_y,A_z)与目标平移向量T＝(t_x,t_y,t_z)。

2.根据权利要求1所述的一种基于三角形边长、内角、形状因子加权约束的单目视觉位姿测量方法，其特征在于：所述步骤(3)中E_LAF为第k次迭代后由e_L、e_Ang和e_F形成的加权误差矩阵，具体应为：加权系数α和β满足α+β＝1。