CN106052584B - 一种基于视觉及惯性信息融合的轨道空间线形测量方法 - Google Patents

Abstract

本发明涉及一种基于视觉及惯性信息融合的轨道空间线形测量方法，用以获取轨道结构的沉降变化量，包括以下步骤：1)分别对运载体地理坐标系和运载体坐标系进行定标；2)通过安装在低速运动的运载体上的惯性测量单元和视觉单元实时检测到的运动数据并据此计算获取轨道空间初步线形；3)根据视觉单元实时检测到的图像进行特征提取、特征匹配和投影变换，获取投影变换矩阵中的平移向量，并据此获得轨道空间图像线形；4)对轨道空间初步线形和轨道空间图像线形进行融合，获取运载体最终空间线形，最终获得轨道结构的沉降变化量。与现有技术相比，本发明具有测量准确、适用于低速检测等优点。

Description

一种基于视觉及惯性信息融合的轨道空间线形测量方法

技术领域

本发明涉及轨道安全领域，尤其是涉及一种基于视觉及惯性信息融合的轨道空间线形测量方法。

背景技术

当前随着列车速度的提升，对轨道结构的稳定性要求越来越高，而轨道沉降严重影响铁路行车平顺性、舒适度、安全性。轨道沉降技术上主要表现为对轨道空间线形的检测，空间上主要表现为轨道的长波不平顺。轨道结构的不平顺变形是列车产生振动的主要根源，是车辆-轨道的激扰函数，直接影响轮轨间相互作用及列车运行的安全性，平稳性及舒适性。

目前，对于轨道状态检测主要分为静态检测与轨检车动态检测。轨道沉降静态检测采用人工测量，或借助全站仪、GPS精测网，其主要的缺点是效率低，无法实现长距离连续运动状态下的测量，且静态测量的数据是建立在绝对静止的坐标系下的沉降值。高速运动状态下轨道沉降检测方法除了静态检测方法所能检测的项目之外，还能够对轨道车辆在动力作用下的轨道产生的弹性形变进行检测，同时可以测定车辆垂向和横向加速度，该方法依靠的检测设备依然为轨检车，但是其测量的轨道沉降数据是建立在自身随车体运动的相对坐标系下。而且，其检测效果受速度影响较大，不宜低速检测，引入的其他辅助设备，也未能完全将建立在轨检车上的动态坐标系与建立在空间中的静态基准坐标系取得联系。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种测量准确、适用于低速检测的基于视觉及惯性信息融合的轨道空间线形测量方法。

本发明的目的可以通过以下技术方案来实现：

1.一种基于视觉及惯性信息融合的轨道空间线形测量方法，用以获取轨道结构的沉降变化量，包括以下步骤：

1)分别对运载体地理坐标系和运载体坐标系进行定标；

2)通过安装在低速运动的运载体上的惯性测量单元和视觉单元实时检测到的运动数据并据此计算获取轨道空间初步线形；

3)根据视觉单元实时检测到的图像进行特征提取、特征匹配和投影变换，获取投影变换矩阵中的平移向量，并据此获得轨道空间图像线形；

4)对轨道空间初步线形和轨道空间图像线形进行融合，获取运载体最终空间线形，最终获得轨道结构的沉降变化量。

所述的步骤2)具体包括以下步骤：

21)根据视觉单元拍摄的图像设定地理坐标系的基准点；

22)通过惯性测量单元中的加速度计获取运载体坐标系下运载体的三轴加速度，通过惯性测量单元中的陀螺仪获取运载体坐标系下运载体的角速度和方向角；

23)根据角速度和方向角对运载体坐标系下的三轴加速度进行坐标系转换，获得地理坐标系下的三轴加速度；

24)根据视觉单元中的双目摄像机实时获取运载体的单目视觉连续图像信息以及方向角，对惯性测量单元获取的三轴加速度中的低频成分进行补偿；

25)对补偿后的三轴加速度进行双重积分，获取运载体的初步位移，并根据初步位移获取轨道空间初步线形。

所述的步骤23)中的坐标系转换采用四元数法进行坐标系转换，则有：

其中，R_Q为坐标转换矩阵，a_tx、a_ty、a_tz分别为地理坐标系下的三轴加速度，a_bx、a_by、a_bz分别为运载体坐标系下的三轴加速度，q₁、q₂、q₃、q₄分别为中间变量，α、β、γ分别为绕x,y,z轴旋转的角度。

所述的步骤24)中，三轴加速度中的低频成分进行补偿包括采用方向角对三轴加速度中的低频成分进行位移方向补偿，以及采用单目视觉连续图像信息对三轴加速度中的低频成分进行位移大小补偿。

所述的步骤4)中，采用扩展卡尔曼滤波对轨道空间初步线形和轨道空间图像线形进行融合。

与现有技术相比，本发明具有以下优点：

一、测量准确：本发明首先根据低速补偿后的三轴加速度数据进行双重积分获取轨道空间初步线形，提高了低速运动下产生线形的精度，并通过视觉单元的图像进行特征提取、特征匹配和投影变换获取了高精度的图像线形，采用扩展卡尔曼滤波进行融合，获取了更高精度的线形，从而获得了更高精度的沉降量。

二、适用于低速检测：由于惯性测量单元在运载体速度较低检测时误差比较大，主要是低速状态下，惯性测量单元所测加速度信号比较微弱，信噪比比较低，且对加速度进行双重积分获得位移信息过程中，低频信号容易使积分达到饱和，本发明采用分别对位移方向和大小进行双重补偿的方式，解决了低速检测下信息丢失的问题。

附图说明

图1为本方法的流程原理图。

图2为轨检系统测量图。

图3为轨检系统坐标转换图。

图4为平台移动前后坐标相对位置示意图。

图5为轨道沉降计算原理图。

图6为轨道空间线形检测系统示意图。

图7为机器人手眼定标示意图。

图8为测量获得的空间位移曲线。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

如图1所示，图1为本方法的流程原理图。

本发明的主要测量方法如下：

1、测量原理：

连续运动方式下的沉降测量，表现为在同一基准坐标系下，不同时间段，同一轨道线路内各个测点空间坐标的差值，如图5所示。反应在一次测量过程中，即是轨道空间现行的检测，如图6所示，而轨道空间线形的高精度检测决定了轨道沉降的准确计算。

本发明的检测系统主要由惯性测量单元(IMU)，倾角传感器，双目摄像机以及用于计算的工控机和相应的软件组成。其中惯性测量单元中的加速度计用来输出当前时刻的三轴加速度信息，陀螺仪用来输出当前时刻的角速度以及角度信息，倾角仪输出的两轴欧拉角，可用于低速状态下与陀螺仪角度加权融合，双目摄像机拍摄的图像信息，用于对惯性单元低频信息的补偿，以及与惯性测量单元信息融合，实现长距离累积误差的校正。

提出了基于惯性测量单元及视觉传感器信息融合的方式测量轨道空间线形，通过对惯性测量单元输出的加速度信息进行二次积分，获得轨道空间位移，并针对惯性测量单元输出的空间域低频成分不准确问题，提出了多传感器信息融合互补的方法，最后通过卡尔曼滤波对视觉传感器与补偿后的惯性测量单元信息进行融合，从而达到轨道空间线形高精度测量的目的，并在初始时刻利用视觉传感器拍摄静态基准点的方式来建立绝对坐标系与相对坐标系之间的联系。

2、惯性信息处理方法

检测轨道空间线形。利用惯性测量单元中陀螺仪输出的角度及角速度信息对加速度计输出的加速度信息姿态进行转换，转换后的加速度信息双重积分即可计算出位移信息，从而得出轨道空间线形。

常用的惯性导航坐标系为东-北-地坐标系，构建其坐标系的三个分为：指向东方的E分量，指向北方的N分量，指向本地重力加速度方向的D分量，在本地导航过程中，一般情况下，运载体运动的范围相对地球半径较小，可直接认为运载体前进方向即为N方向，运载体静止时，当地重力加速度方向为D方向，则此时的东-北-地坐标系也就是常说的地理坐标系，亦即依托运载体初始化时刻所处的地理位置建立的坐标系，记为t系，运载体坐标系，即建立在运载体上，沿着运动轨迹时刻变化的坐标系，记为b系。

用四元素法对旋转矩阵进行表述：

对于平面上单位圆上任意一点可以代表一个旋转角，则空间中单位球上任意一点代表了绕两个轴旋转的角度。因此，假设存在四维空间中的单位球，则在该单位球上任取一点，可看做绕三个坐标轴旋转角度。假设在单位球上存在一点Q＝(q₀ q₁ q₂ q₃)，则运载体坐标系到地理坐标系的旋转可用四元数法来表示。其具体过程如下所示：

Q＝q₀+q₁i+q₂j+q₃k (2-1)

其中q₀,q₁,q₂,q₃为实数，i,j,k为四元数的正交基。四元数的微分方程形式为：

其中为运载体坐标系到地理坐标系角速度的四元数表达形式，将式(2-2)写成矩阵形式：

其中分别表示载体坐标系下陀螺仪输出的三轴角速度。

对于式(2-2)的求解可以采用四阶龙格库塔法，假设时间间隔为T，可得四元数的递推公式：

其中，

其中M为的反对称阵。

由此便可求得单位四元素Q的各个分量大小。由四元素表示的旋转矩阵为：

且四元素与欧拉角之间的关系为：

其中α,β,γ分别为绕x,y,z轴旋转的角度。

利用安装于运动载体上的加速度计实时输出运载体的加速度，陀螺仪输出角速率对其姿态更新，从而实现动态的载体坐标系下的加速度信号转换到初始的地理坐标系下，最后对转换到地理坐标系下的加速度进行双重积分，获取位移信息。则

其中，a_t表示地理坐标系下的加速度，a_b表示运载体坐标系下的加速度。

对转换后的加速度信号进行双重积分，即可获得运载体的位移信息，从而反应出轨道空间线形。

由于惯性测量单元在运载体速度较低检测时误差比较大，主要是低速状态下，惯性测量单元所测加速度信号比较微弱，信噪比比较低，且对加速度进行双重积分获得位移信息过程中，低频信号容易使积分达到饱和。因此为保持位移信息的连续准确输出，测量过程中需要去除低频成分，但采集到的低频成分对应着轨道线形中的平缓部分，去掉之后会造成有用信息丢失，所以利用单目视觉连续拍摄的图像信息对位移大小进行补偿，陀螺仪输出角度信息更新姿态矩阵对位移方向进行补偿，从而实现对低频成分有效的补偿。

轨道沉降检测示意图如图2所示，运动状态下，不同时刻传感器所测的数据处于该时刻该传感器坐标系下，则整个测量过程可简化为坐标转换关系。任意相邻位置上的低频信息补偿算法及坐标系示意图如图3所示。

正常情况下，在运动过程中，由于运载体车轮始终与轨道相互接触，方向为沿着轨道的方向，因此，低频状态下位移的方向可近似的认为沿着x'轴(即沿轨道方向)，大小待求，则问题转化为求解位移t在地理坐标系下的坐标(x_t,y_t,z_t)

由于位移t的方向沿着x'轴，且旋转角度可通过陀螺仪直接测得，因此位移t可以看做由地理坐标系的x轴反向旋转得到，则

对式(2-7)左乘R_Qi ^-1，则

其中位移大小，||t||＝S(待求)，将式(2-8)代入(2-6)得

若要求解在大地坐标系下的坐标(x,y,z)，可利用相机拍摄基准点的方式来获取。即

将(2-9)带入(2-10)得

其中，R_e,t_e分别为定义在惯性导航系统下的地理坐标系向定义在轨道空间线形下的绝对大地坐标系转换的旋转矩阵和平移向量。

3、视觉信息处理方法

用图像数据设计相应算法，将二维的图像信号，转化为一维的位移信号，进行位移大小的计算。该算法需要对不同时刻采集到的图像进行特征提取，特征匹配以及计算透视投影变换矩阵，投影矩阵中的平移向量的模即为位移的大小。

(1)特征提取

利用SURF算法，通过计算Hessian矩阵的行列式来近似图像。在构造Hessian矩阵之前，需要先对图像高斯滤波。

(2)特征匹配

对提取到的同一场景不同图像的特征点，采用快速最近邻逼近搜索函数库(FLANN)进行初匹配，获取初始的特征点信息。

(3)特征点提纯

初始匹配获得的数据难免存在着大量误匹配点对，若要剔除初始匹配点对中的误匹配点对，则可采用随机采样一致算法(RANSAC)，求得较好的匹配结果。

(4)得到最优的匹配点对后，利用最小二乘法即可确定这些内点之间的最优投影矩阵。最小二乘法求解投影矩阵及求解位移大小过程如下：

记(x_1i,y_1i),i＝1,2...n为目标图像匹配特征点的坐标,(x_2i,y_2i)为原图像匹配特征点的坐标，则：

其中

将(3-1)式改写为：

记

则原图像与目标图像匹配特征点之间的投影矩阵参数的最小二乘解为：

X＝(A^TA)^-1A^Tb (3-3)

由此便可获得原图像与目标图像匹配特征点之间的投影矩阵参数。

(5)位移大小求解

因为相机与惯性单元之间为刚性连接，相同时间内，惯性测量单元移动的距离等于相机移动的距离，而相机移动的距离又等于图像坐标系原点偏移的距离。因此，位移大小S为：

惯性单元与视觉传感器之间的采样频率不同，则位移大小S需要进行插值计算，以达到时间上的匹配。本文采用的是均分法，对位移大小进行分配，从而达到时间匹配的目的。

4、定标方法

本课题所涉及的传感器定标为惯性测量单元与视觉传感器之间相对位置关系的确定。惯性单元与视觉传感器之间相对位置，可通过基于机器人手眼定标方程的分步法求取，并在求解过程中，引入倾角传感器信息，对所求得的旋转矩阵进行优化。求得旋转矩阵之后，将其带入机器人手眼方程即可求得平移向量。

机器人手眼定标基本思想是利用摄像机拍摄目标物体来跟踪机器人手爪的位置，从而测量目标物体与手爪之间的相对空间位置。该问题的数学描述如图7所示。

空间中目标物体的坐标系记为C_obj，摄像机坐标系记为C_c，机器人手爪平台坐标系记为C_e，摄像机坐标系C_c与目标物体的坐标系C_obj之间的旋转矩阵及平移向量，记为R_a，t_a。机器人手爪坐标系C_e与摄像机坐标系C_c之间的旋转矩阵及平移向量，记为R与t。确定旋转矩阵R与平移向量t的过程称为机器人手眼定标。

记

矩阵A与B分别表示平台移动前后摄像机与定标参考坐标系C_obj的相对位置，C表示摄像机由C_c1移动到C_c2时的旋转矩阵与平移向量，则由双目视觉定标关系可得C＝AB^-1，求出A与B后，C为已知矩阵。

不同位置上的平台坐标系之间的旋转矩阵和平移向量，可由机器人控制器读出，记为矩阵D，则由坐标系转换关系可得：

CX＝XD (4-2)

式(4-2)即为机器人手眼定标的基本方程，X为待求参数。

将式(4-2)展开，则可写为：

由式(4-3)可得

R_cR＝RR_d (4-4)

R_ct+t_c＝Rt_d+t (4-5)

式(4-4)与(4-5)中R_c，R_d，t_c，t_d均为已知参数，R与t为待求解的矩阵。

本课题的定标系统由惯性测量单元、视觉传感器、倾角传感器以及标定板组成，空间相对位置关系如图4所示。

在标定板上建立世界坐标系记为{w}，用来描述惯性及视觉传感器在世界坐标系下的绝对位置。视觉传感器坐标系记为C。惯性测量单元坐标系即载运坐标系，记为IMU，用来测量物体的线性加速度以及旋转角速度。倾角仪坐标系记为in，输出其绕x,y轴转动的两个角度。惯性传感器欧拉角坐标系{e}，即初始测量时刻的地理坐标系。

(1)惯性及视觉传感器之间旋转关系的求解

利用惯性传感器输出的角速度以及加速度数据求解三轴欧拉角，同时利用摄像机标定算法获取摄像机坐标系与世界坐标系之间的空间位置关系，从而获得摄像机与惯性传感器之间的空间位置关系。倾角仪输出的欧拉角的稳定性比利用惯性传感器计算得到的三轴欧拉角稳定性高，因此利用倾角仪的输出信息优化惯性及视觉传感器之间旋转矩阵的精度。

(2)视觉与惯性传感器之间的空间变换

从不同视角拍摄m张同一标定板的图像，记为I₁,I₂,...I_m，对于每张图像I_i记录该时刻惯性传感器的Roll角α_i、Pitch角β_i以及Yaw角γ，同时利用摄像机标定获得该时刻世界坐标系到摄像机坐标系的旋转矩阵R_w-c,i。

对于不同时刻的图像I_i和I_j以及惯性传感器相关数据，根据机器人手眼定标基本方程可得：

R_w-c,ij·R_m-c＝R_m-c·R_e-m,ij (4-6)

其中，表示在i,j两时刻摄像机坐标系之间的旋转矩阵，表示在i,j两时刻惯性传感器坐标系之间的旋转矩阵。R_e-m,i表示i时刻惯性传感器欧拉角坐标系到惯性传感器坐标系的旋转矩阵，其中

将式(4-7)带入(4-6)可得：

将R_w-c,ij和惯性传感器的欧拉角α_i、β_i、α_j、β_j带入到等式(4-8)中，并令V_m-c为旋转矩阵R_m-c的向量化形式，可得如下线性方程：

A_i,jV_m-c＝0 (4-9)

其中A_i,j为式(4-8)经过化简后的系数矩阵。

由于在不同时刻不同位置上拍摄的标定板图像为空间静止不动的，理论上讲，其中任意两个不同位置的两幅图像均可形成一个约束条件，因此，对拍摄的m幅图像进行两两组合，总共可得种不同的图像对，即可得个形如式(4-9)的关于惯性传感器坐标系到摄像机坐标系下旋转矩阵R_m-c的方程组，即

由于R_m-c为旋转矩阵，且R_m-c ^TR_m-c＝E₃，因此对旋转矩阵R_m-c的求解问题可转化为如下有约束的非线性优化问题：

s.t.M＝R_m-c,M^TM＝E₃ (4-12)

对于惯性传感器坐标系与摄像机坐标系之间的旋转矩阵R_m-c，可通过增广的拉格朗日乘子法进行优化求解。

(3)惯性及视觉传感器之间平移关系的求解

获得惯性及视觉传感器之间的旋转矩阵后，根据手眼定标基本方程有：

其中，t_w-c,ij为摄像机坐标系在i,j时刻的平移向量，R表示惯性传感器坐标系在i,j时刻的旋转矩阵；t_m,ij为惯性传感器在i,j时刻的平移向量，通过对惯性传感器输出的加速度信息进行双重积分获得。

根据式(4-13)可得：

(R_w-c,ij-E₃)t_m-c＝R_m-ct_m,ij-t_w-c,ij (4-14)

由于R_w-c,ij-E₃的秩为2，等式(4-14)仅可提供两个关于t_m-c的独立约束方程，因此，需要控制平台进行至少两次运动，获得两组(或更多组)形如式(4-14)的约束方程组，进而得到如下约束方程：

Ct_m-c＝D (4-15)

其中则有：

t_m-c＝C^*·D (4-16)

其中C^*表示矩阵C的伪逆，求解得到t_m-c。

5、信息融合

扩展卡尔曼滤波是解决这类非线性问题的有效途径，扩展卡尔曼滤波将系统的非线性函数做一阶泰勒展开，对系统进行线性化，再利用线性卡尔曼滤波完成对目标的滤波估计等处理。

对于非线性离散系统的状态方程以及量测方程如下：

X(k+1)＝f[k,X(k)]+G(k)W(k)

Z(k)＝h[k,X(k)]+V(k)

为了便于处理，假定系统中没有控制量输入，并且过程噪声均值为零的高斯白噪声，噪声分布矩阵G(k)是已知的。观测噪声V(k)也是均值为零的加性高斯白噪声。过程噪声与观测噪声是彼此独立的，初始状态估计和协方差矩阵P(0|0)。与线性系统一样，扩展的卡尔曼滤波依然具有如下五个核心公式：

状态预测：

协方差预测：

P(k+1|k)＝Φ(k+1|k)P(k|k)Φ^T(k+1|k)+Q(k+1) (5-2)

卡尔曼滤波增益：

K(k+1)＝P(k+1|k)H^T(k+1)[H(k+1)P(k+1|k)H^T(k+1)+R(k+1)]^-1 (5-3)

状态更新：

协方差更新：

P(k+1)＝[I-K(k+1)H(k+1)]P(k+1|k) (5-5)

(1)系统状态方程

系统的状态方程为9行1列的列向量。其中为惯性测量单元在世界坐标系下的位置；为惯性测量单元在世界坐标系下的线速度；b_a和b_w分别为惯性测量单元测量得到的加速度偏差以及角速度偏差。惯性测量单元的加速度偏差及角速度偏差是由白噪声n_ba和n_bw驱动的高斯随机噪声。

由于前面已经获得了惯性及视觉传感器之间的空间位置关系，则轨道沉降检测系统的状态方程可表示如式(5-6)所示，其中T为惯性测量单元的采样时间间隔。

其中a_G是惯性测量单元测量到的加速度在世界坐标系下的表示，其与惯性测量单元得到的线性加速度a_I之间满足如下关系：

其中为由旋转四元数表示的旋转矩阵，它们之间转化关系如下所示：

(2)量测方程

设空间中任意一点P_FG在摄像机坐标系下的坐标为(x_i,y_i,z_i)，在图像中的像素坐标为(u_i,v_i)，将特征点的图像坐标作为量测值，量测方程由空间中的n个特征点构成，记为m_i,(i＝1,2,...,n)，则量测方程为：

其中

上式中p_FG表示特征点在世界坐标系下的坐标，K为一个3行3列矩阵如下所示，其中f表示相机焦距。

构建好系统状态方程及量测方程之后，由扩展卡尔曼滤波的五个核心公式即可递推求解出最优轨道空间线形，如图8。实际测量过程中该特征点的空间三维坐标可利用三维重建算法获得。

本发明的硬件系统包括运动控制平台以及简易轨检小车。其中运动控制平台主要是由惯性测量单元(F100A5)、CCD工业相机、图像采集卡、倾角传感器、标定板组成。

而轨检小车则由电力驱动的一节拖车，与安装于平板车上的惯性测量单元(IMU520)及易于实验所用的USB接口的工业摄像机组成。

IMU520是可靠的固态惯性测量单元。内置三轴陀螺仪、三轴加速度计，并经过精密校准。数据融合通过内置DSP进行扩展卡尔慢滤波器实现。其具有如下主要特性：震动环境下良好的性能。精确校准陀螺仪和加速度的零点、零点温度系数、灵敏度、灵敏度温度系数、正交性误差。500Hz快速计算，128kSPS高速同步采样保证运动细节的计算，抑制混叠，提高信噪比。数据包速率最高250Hz，RS232接口。低功耗：典型0.25A(12V)。

数字摄像机MER-500-7UC是由大恒图像研发，该摄像机外形极其小巧紧凑，便于实际操作且提供线缆锁紧装置，能在各种恶劣环境下长时间稳定工作，是具有高可靠性以及高性价比的工业摄像机产品，能够适用于多种桌面应用及机器视觉，该系列产品具有支持GENICAM接口，500万像素，可直接与第三方软件HALCON连接等主要特色。

软件系统包括用于图像采集的Halcon软件，基于C#语言编写的用于对IMU数据进行采集的串口通讯程序，用于不同帧间图像特征匹配的Opencv以及用于模型算法仿真的Matlab软件。

步骤：

打开轨道车辆控制系统软件

同时打开串口通信程序等待一段时间，待数据稳定输出后，打开Halcon软件利用提前编写的程序进行图像数据的采集，并通过控制软件调整车速，使摄像机能够连拍摄到较为清晰的轨道线路，且相邻两帧图像之间的重叠区域较大。

采集完数据之后，即开始进行数据处理，利用Opencv中特征匹配算法对相邻两帧图像间进行匹配，并求解投影变换矩阵。

Claims (4)

1.一种基于视觉及惯性信息融合的轨道空间线形测量方法，用以获取轨道结构的沉降变化量，其特征在于，包括以下步骤：

1)分别对运载体地理坐标系和运载体坐标系进行定标；

2)通过安装在低速运动的运载体上的惯性测量单元和视觉单元实时检测到的运动数据并据此计算获取轨道空间初步线形，所述的步骤2)具体包括以下步骤：

21)根据视觉单元拍摄的图像设定地理坐标系的基准点；

22)通过惯性测量单元中的加速度计获取运载体坐标系下运载体的三轴加速度，通过惯性测量单元中的陀螺仪获取运载体坐标系下运载体的角速度和方向角；

23)根据角速度和方向角对运载体坐标系下的三轴加速度进行坐标系转换，获得地理坐标系下的三轴加速度；

24)根据视觉单元中的双目摄像机实时获取运载体的单目视觉连续图像信息以及方向角，对惯性测量单元获取的三轴加速度中的低频成分进行补偿；

25)对补偿后的三轴加速度进行双重积分，获取运载体的初步位移，并根据初步位移获取轨道空间初步线形；

3)根据视觉单元实时检测到的图像进行特征提取、特征匹配和投影变换，获取投影变换矩阵中的平移向量，并据此获得轨道空间图像线形；

4)对轨道空间初步线形和轨道空间图像线形进行融合，获取运载体最终空间线形，最终获得轨道结构的沉降变化量。

2.根据权利要求1所述的一种基于视觉及惯性信息融合的轨道空间线形测量方法，其特征在于，所述的步骤23)中的坐标系转换采用四元数法进行坐标系转换，则有：

$\left[\begin{array}{c}{a}_{tx}\\ a_{ty}\\ a_{tz}\end{array}\right]=R_Q\·\left[\begin{array}{c}{a}_{bx}\\ a_{by}\\ a_{bz}\end{array}\right]$

$R_Q=\left[\begin{array}{ccc}{q}_1^2+q_2^2-q_3^2-q_4^2& 2(q_2{q}_3-q_1{q}_4)& 2(q_2{q}_4+q_1{q}_3)\\ 2(q_2{q}_3+q_1{q}_4)& q_1^2-q_2^2+q_3^2-q_4^2& 2(q_3{q}_4-q_1{q}_2)\\ 2(q_2{q}_4+q_1{q}_3)& 2(q_3{q}_4+q_1{q}_2)& q_1^2-q_2^2-q_3^2+q_4^2\end{array}\right]$

$\left[\begin{array}{c}{q}_1\\ q_2\\ q_3\\ q_4\end{array}\right]=\left[\begin{array}{c}cos\frac{\mathrm{\γ}}{2}sin\frac{\mathrm{\β}}{2}cos\frac{\mathrm{\α}}{2}-sin\frac{\mathrm{\γ}}{2}cos\frac{\mathrm{\β}}{2}sin\frac{\mathrm{\α}}{2}\\ sin\frac{\mathrm{\γ}}{2}sin\frac{\mathrm{\β}}{2}cos\frac{\mathrm{\α}}{2}+cos\frac{\mathrm{\γ}}{2}\cos \frac{\mathrm{\β}}{2}\sin \frac{\mathrm{\α}}{2}\\ -cos\frac{\mathrm{\γ}}{2}sin\frac{\mathrm{\β}}{2}sin\frac{\mathrm{\α}}{2}+sin\frac{\mathrm{\γ}}{2}cos\frac{\mathrm{\β}}{2}\cos \frac{\mathrm{\α}}{2}\\ \sin \frac{\mathrm{\γ}}{2}sin\frac{\mathrm{\β}}{2}sin\frac{\mathrm{\α}}{2}+\cos \frac{\mathrm{\γ}}{2}cos\frac{\mathrm{\β}}{2}\sin \frac{\mathrm{\α}}{2}\end{array}\right]$

其中，R_Q为坐标转换矩阵，a_tx、a_ty、a_tz分别为地理坐标系下的三轴加速度，a_bx、a_by、a_bz分别为运载体坐标系下的三轴加速度，q₁、q₂、q₃、q₄分别为中间变量，α、β、γ分别为绕x,y,z轴旋转的角度。

3.根据权利要求1所述的一种基于视觉及惯性信息融合的轨道空间线形测量方法，其特征在于，所述的步骤24)中，三轴加速度中的低频成分进行补偿包括采用方向角对三轴加速度中的低频成分进行位移方向补偿，以及采用单目视觉连续图像信息对三轴加速度中的低频成分进行位移大小补偿。

4.根据权利要求1所述的一种基于视觉及惯性信息融合的轨道空间线形测量方法，其特征在于，所述的步骤4)中，采用扩展卡尔曼滤波对轨道空间初步线形和轨道空间图像线形进行融合。