CN111739071A - 基于初始值的快速迭代配准方法、介质、终端和装置 - Google Patents
基于初始值的快速迭代配准方法、介质、终端和装置 Download PDFInfo
- Publication number
- CN111739071A CN111739071A CN202010542037.2A CN202010542037A CN111739071A CN 111739071 A CN111739071 A CN 111739071A CN 202010542037 A CN202010542037 A CN 202010542037A CN 111739071 A CN111739071 A CN 111739071A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- error
- frame
- error function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开一种基于初始值的快速迭代配准方法、介质、终端和装置,方法包括以下步骤:建立连续两帧图像中关键点和最佳匹配点的点对以及包括所有点对的特征点集,并采集所有点对的二维信息和/或三维信息;利用所有点对的二维信息和/或三维信息建立两帧图像之间相机位姿的误差函数;对误差函数进行迭代优化,并在迭代优化过程中不断删除置信度小于预设阈值的点对。本发明在可靠初始值的基础上,只针对稀疏特征点对进行迭代配准并得到优化位姿,速度快,配准效率高;同时加入了惩罚函数,在不增加额外计算成本的情况下可以对特征匹配点对进行良好的校验与筛选,剔除异常匹配点对,从而确保优化结果的准确与稳定。
Description
技术领域
本发明涉及SLAM领域,尤其涉及一种基于初始值的快速迭代配准方法、介质、终端和装置。
背景技术
SLAM(simultaneous localization and mapping),即时定位与地图构建技术主要包括两个部分:前端和后端,前端也称为视觉里程计(VO),它根据相邻图像的信息估计出相机的运动,给后端提供较好的初始值。VO的实现方法可以根据是否需要提取特征分为两类:基于特征点的方法,不使用特征点的直接法。直接法通过最小化两帧之间的灰度差估计相机运动,这种方法的缺点是相机移动太快,光照变化明显,运算量太大。因此基于特征点的方法是目前的主流方式,通常采用特征匹配和ICP(Iterative Closest Point,即迭代最近点算法)相结合的策略进行配准,即先采用特征匹配计算粗略位姿,为ICP提供初值,再用ICP算法对位姿精化。基于特征点的方法运行稳定,对光照、动态物体不敏感。现有方法中往往采用RANSAC算法来得到更加准确的特征匹配结果。RANSAC的思想是从一组包含异常数据的观测数据集中,通过迭代方式估计数学模型的参数,从而筛选出有效样本数据。RANSAC是一种不确定的算法,只有一定的概率得到可信的模型,概率与迭代次数成正比,为了提高概率必须提高迭代次数。RANSAC计算参数的迭代次数与特征点对的个数有关,尤其在特征点特别多的情况下,RANSAC计算精度与效率是矛盾的,为了得到准确的结果,需要迭代很多次,对视觉里程计的实时性是一大挑战。若为了提高计算效率,人为设置迭代次数的上限,此时得到的结果可能不是最优的,甚至可能是错误的。此外,RANSAC要求设置跟问题相关的阈值,如必须先制定一个合适的容忍误差,此外还可能指定迭代次数作为收敛条件。
发明内容
本发明提供了一种基于初始值的快速迭代配准方法、介质、终端和装置,解决了现有技术进行特征匹配时效率低且匹配效果较差的技术问题。
本发明解决上述技术问题的技术方案如下:一种基于初始值的快速迭代配准方法,包括以下步骤:
按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点;
建立关键点和最佳匹配点的点对以及包括所有点对的特征点集,并采集所有点对的二维信息和/或三维信息;
利用特征点集以及所有点对的二维信息和/或三维信息建立第二帧图像和第一帧图像之间相机位姿的误差函数;
将第一帧图像与相邻前帧的相机位姿估计值作为所述误差函数的初始值,并对所述误差函数进行迭代优化,在迭代优化过程中不断从所述特征点集中删除置信度小于预设阈值的点对,以生成误差最小时的最优位姿估计值。
在一个优选实施方式中,所述基于初始值的快速迭代配准方法还包括全局优化步骤,具体为:将所述最优位姿估计值作为ICP配准的初始值,并利用所采集的深度图像以及RGB图像,结合几何约束以及光学约束对全局匹配点对进行ICP配准。
在一个优选实施方式中,建立的误差函数具体为:
在一个优选实施方式中,所述对误差函数进行迭代优化,并不断从特征点集中删除置信度小于预设阈值的点对具体为:
采用高斯牛顿法求解所述误差函数,且在迭代求解过程中逐渐减小值,通过预设置信度公式计算不同值下每个所述点对的置信度,并删除置信度小于预设阈值的点对,以生成误差最小时相机的最优位姿估计值;所述预设置信度公式为:
本发明实施例的第二方面提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现以上所述的基于初始值的快速迭代配准方法。
本发明实施例的第三方面提供了一种基于初始值的快速迭代配准终端,包括所述的计算机可读存储介质和处理器,所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于初始值的快速迭代配准方法的步骤。
本发明实施例的第四方面提供了一种基于初始值的快速迭代配准装置,包括匹配模块、点集建立模块、信息采集模块、误差函数建立模块和优化模块,
所述匹配模块用于按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点;
所述点集建立模块用于建立关键点和最佳匹配点的点对以及包括所有点对的特征点集;
所述信息采集模块用于采集所有点对的二维信息和/或三维信息;
所述误差函数建立模块用于利用特征点集以及所有点对的二维信息和/或三维信息建立第二帧图像和第一帧图像之间相机位姿的误差函数;
所述优化模块用于采用第一帧图像与相邻前帧的相机位姿估计值作为所述误差函数的初始值对所述误差函数进行迭代优化,且在迭代优化过程中不断从所述特征点集中删除置信度小于预设阈值的点对,以生成误差最小时的最优位姿估计值。
在一个优选实施方式中,所述误差函数建立模块建立的误差函数具体为:
在一个优选实施方式中,所述优化模块具体用于采用高斯牛顿法求解所述误差函数,且在迭代求解过程中逐渐减小值,通过预设置信度公式计算不同值下每个所述点对的置信度,并删除置信度小于预设阈值的点对,以生成误差最小时相机的最优位姿估计值;所述预设置信度公式为:
本发明提供了一种基于初始值的快速迭代配准方法、介质、终端和装置,具有以下有益效果:
(1)在可靠初始值的基础上,只针对稀疏特征点对进行迭代配准并得到优化位姿,不仅速度快,而且克服了RANSAC的不确定因素,大大提升了配准效率;
(2)在基于初始值的迭代配准过程中加入了惩罚函数,在不增加额外计算成本的情况下可以对特征匹配点对进行良好的校验与筛选,剔除异常匹配点对,从而确保优化结果的准确与稳定。
为使发明的上述目的、特征和优点能更明显易懂,下文特举本发明较佳实施例,并配合所附附图,作详细说明如下。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是实施例1提供的基于初始值的快速迭代配准方法的流程示意图;
图2是实施例2提供的基于初始值的快速迭代配准装置的结构示意图;
图3是实施例3提供的基于初始值的快速迭代配准终端的结构示意图。
【具体实施方式】
为了使本发明的目的、技术方案和有益技术效果更加清晰明白,以下结合附图和具体实施方式,对本发明进行进一步详细说明。应当理解的是,本说明书中描述的具体实施方式仅仅是为了解释本发明,并不是为了限定本发明。
当传感器采集频率较高,物体或传感器移动相对平稳的情况下,相邻帧间的运动轨迹相似,根据相邻相似原则,可以假设在一段连续的时间范围内,前面帧的运动估计对后续帧的运动估计有参考意义,此时可利用前帧所提供的比较可靠的相机位姿初值,将筛选特征匹配点对的问题看作是一个位姿优化问题,通过稀疏特征匹配点对的信息构造一个关于位姿变化的误差函数,当这个误差函数最小时,认为此时估计的位姿最优。图1是实施例1提供的基于初始值的快速迭代配准方法的流程示意图,如图1所示,包括以下步骤:
步骤1,按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点。具体来说,本实施例采用自研手持三维扫描仪作为视觉传感器,该传感器可同时提供扫描物体周围环境的彩色纹理图像信息(RGB)和纹理影像对应的深度图像信息,从而标记得到重建物体的第一帧图像和第二帧图像,然后通过SIFT算法、SURF算法或ORB算法查找到第二帧图像中具有目标特征的像素(不同算法对应不同的目标特征),即为关键点。因SIFT特征在特征点描述的细致与稳定程度上明显高于其他特征,优选实施例可以采用SIFT特征确定关键点,然后在第一帧图像中查找最近邻得到每个关键点对应的最佳匹配点。
步骤2,建立关键点和最佳匹配点的点对以及包括所有点对的特征点集,并采集所有点对的二维信息和/或三维信息。采用以上所述暴力匹配方法(Brute-Force)即可得到第一帧图像与第二帧图像之间的N对初始点对,从而建立包括所有点对的特征点集,同时得到这些点对的二维信息和/或三维信息。
运动估计中的较大误差如异常点导致的错误匹配会影响位姿图的精度,可能导致优化后的估计值严重失真。为了避免这种情况,本实施例在上述误差函数中加入了稳健的惩罚函数,一方面减少高误差项的置信度,降低对优化结果的影响,另一方面可以剔除初始收敛后具有高误差值的匹配点对并继续优化。一个适当的惩罚函数可以在不增加额外计算成本的情况下良好的进行校验与筛选,因此优选实施例选用M估计中的Geman-mclure函数,即。此时,该误差函数用公式(2)表示如下:
通常来说,误差函数根据传感器形式不同可以是3D到2D的误差,也可以是3D到3D的误差。比如采用RGBD或双目相机,可以得到3D-3D的配对点,建立3D到3D的误差函数;而采用单目SLAM或者只使用RGBD或双目相机图像的2D信息时,得到3D-2D的配对点,从而建立3D到2D的误差函数。
具体来说,当进行3D-2D的相机位姿估计时,通过优化重投影误差,即三维点经过位姿变换以及相机内参投影得到的二维坐标与匹配点对应的二维坐标的距离误差以及三维点经过位姿变换以及相机内参投影得到的二维坐标与匹配点对应的二维坐标的距离误差来优化相机位姿,即:
此时,建立的误差函数由公式(2)变换为公式(8)所示:
然后执行步骤4,基于三维扫描仪采集频率较高,相邻帧之间的运动估计相似,因此将第一帧图像与相邻前帧的相机位姿估计值(r;t)作为所述误差函数的初始值,并对所述误差函数进行迭代优化。比如一个实施例中,首先构造关于位姿变化的3D到2D误差函数如公式(10)所示,当重投影误差最小时,认为此时估计的位姿最优。
然后即可采用梯度下降法、高斯牛顿以及LM(Levenberg-Marquardt)方法求解上述误差函数,具体求解过程在相关专利或者文献中均有记载,在此不进行详细说明。
为了保证优化效果,在迭代优化过程中需要不断从所述特征点集中删除置信度小于预设阈值的点对。本发明引入了置信度计算公式,,当用与表示误差时,其中,为置信度,为一个迭代参数,用于筛选参与计算两帧点云之间刚性变换的特征点对,以此达到校验,剔除的目的,得到鲁棒的优化效果。此外,的选取也至关重要,优选实施例中,代表激光扫描出的重建物体的表面直径,从而控制求解过程中残差对目标显著影响的范围。较大的使误差函数更平滑,并允许更多的特征点对参与优化。随着减小,误差函数变得更尖锐,更多异常特征点对被剔除,参与优化的数据更精确。因此具体实施例中,比如位姿变化由3D到2D时,,先设置比较大的值,然后逐渐减小值,通过上式置信度公式计算不同值下每个所述点对的置信度,若置信度小于预设阈值,表明该点对不可靠,剔除,从而保证参与优化的数据越来越准确,以生成误差最小时相机的最优位姿估计值。
上述步骤中得到的相机位姿估计值是通过稀疏特征点匹配得到的,若特征点在图像中分布不均,特征点少的区域的配准精度会受到影响,因此,为了得到更精确的传感器位姿,上述位姿估计值可作为初值,再利用全局点云信息进行ICP精化配准。具体来说,将所述最优位姿估计值作为ICP配准的初始值,并利用所采集的深度图像以及RGB图像,结合几何约束以及光学约束对全局匹配点对进行ICP配准。
上述实施例提供了一种基于初始值的快速迭代配准方法,在可靠初始值的基础上,只针对稀疏特征点对进行迭代配准并得到优化位姿,不仅速度快,而且克服了RANSAC的不确定因素,大大提升了配准效率;同时加入了惩罚函数,在不增加额外计算成本的情况下可以对特征匹配点对进行良好的校验与筛选,剔除异常匹配点对,从而确保优化结果的准确与稳定。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现以上所述的基于初始值的快速迭代配准方法。
图2是实施例2提供的基于初始值的快速迭代配准装置的结构示意图,如图2所示,包括匹配模块100、点集建立模块200、信息采集模块300、误差函数建立模块400和优化模块500,
所述匹配模块100用于按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点;
所述点集建立模块200用于建立关键点和最佳匹配点的点对以及包括所有点对的特征点集;
所述信息采集模块300用于采集所有点对的二维信息和/或三维信息;
所述误差函数建立模块400用于利用特征点集以及所有点对的二维信息和/或三维信息建立第二帧图像和第一帧图像之间相机位姿的误差函数;
所述优化模块500用于采用第一帧图像与相邻前帧的相机位姿估计值作为所述误差函数的初始值对所述误差函数进行迭代优化,且在迭代优化过程中不断从所述特征点集中删除置信度小于预设阈值的点对,以生成误差最小时的最优位姿估计值。
在一个优选实施方式中,所述误差函数建立模块400建立的误差函数具体为:
在一个优选实施方式中,所述优化模块500具体用于采用高斯牛顿法求解所述误差函数,且在迭代求解过程中逐渐减小值,通过预设置信度公式计算不同值下每个所述点对的置信度,并删除置信度小于预设阈值的点对,以生成误差最小时相机的最优位姿估计值;所述预设置信度公式为:
本发明实施例还提供了一种基于初始值的快速迭代配准终端,包括所述的计算机可读存储介质和处理器,所述处理器执行所述计算机可读存储介质上的计算机程序时实现以上所述基于初始值的快速迭代配准方法的步骤。图3是本发明实施例3提供的基于初始值的快速迭代配准终端的结构示意图,如图3所示,该实施例的基于初始值的快速迭代配准终端8包括:处理器80、可读存储介质81以及存储在所述可读存储介质81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个方法实施例中的步骤,例如图1所示的步骤1至步骤4。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块的功能,例如图2所示模块100至500的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述可读存储介质81中,并由所述处理器80执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述基于初始值的快速迭代配准终端8中的执行过程。
所述基于初始值的快速迭代配准终端8可包括,但不仅限于,处理器80、可读存储介质81。本领域技术人员可以理解,图3仅仅是基于初始值的快速迭代配准终端8的示例,并不构成对基于初始值的快速迭代配准终端8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于初始值的快速迭代配准终端还可以包括电源管理模块、运算处理模块、输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述可读存储介质81可以是所述基于初始值的快速迭代配准终端8的内部存储单元,例如基于初始值的快速迭代配准终端8的硬盘或内存。所述可读存储介质81也可以是所述基于初始值的快速迭代配准终端8的外部存储设备,例如所述基于初始值的快速迭代配准终端8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述可读存储介质81还可以既包括所述基于初始值的快速迭代配准终端8的内部存储单元也包括外部存储设备。所述可读存储介质81用于存储所述计算机程序以及所述基于初始值的快速迭代配准终端所需的其他程序和数据。所述可读存储介质81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本发明并不仅仅限于说明书和实施方式中所描述,因此对于熟悉领域的人员而言可容易地实现另外的优点和修改,故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下,本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。
Claims (10)
1.一种基于初始值的快速迭代配准方法,其特征在于,包括以下步骤:
按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点;
建立关键点和最佳匹配点的点对以及包括所有点对的特征点集,并采集所有点对的二维信息和/或三维信息;
利用特征点集以及所有点对的二维信息和/或三维信息建立第二帧图像和第一帧图像之间相机位姿的误差函数;
将第一帧图像与相邻前帧的相机位姿估计值作为所述误差函数的初始值,并对所述误差函数进行迭代优化,在迭代优化过程中不断从所述特征点集中删除置信度小于预设阈值的点对,以生成误差最小时的最优位姿估计值。
2.根据权利要求1所述基于初始值的快速迭代配准方法,其特征在于,还包括全局优化步骤,具体为:将所述最优位姿估计值作为ICP配准的初始值,并利用所采集的深度图像以及RGB图像,结合几何约束以及光学约束对全局匹配点对进行ICP配准。
6.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-5任一所述基于初始值的快速迭代配准方法。
7.一种基于初始值的快速迭代配准终端,包括所述的计算机可读存储介质和处理器,所述处理器执行所述计算机可读存储介质上的计算机程序时实现权利要求1-5任一所述基于初始值的快速迭代配准方法的步骤。
8.一种基于初始值的快速迭代配准装置,其特征在于,包括匹配模块、点集建立模块、信息采集模块、误差函数建立模块和优化模块,
所述匹配模块用于按照时间顺序将连续的两帧图像标记为第一帧图像和第二帧图像,提取第二帧图像中每个关键点的特征,并在第一帧图像中查找每个关键点对应的最佳匹配点;
所述点集建立模块用于建立关键点和最佳匹配点的点对以及包括所有点对的特征点集;
所述信息采集模块用于采集所有点对的二维信息和/或三维信息;
所述误差函数建立模块用于利用特征点集以及所有点对的二维信息和/或三维信息建立第二帧图像和第一帧图像之间相机位姿的误差函数;
所述优化模块用于采用第一帧图像与相邻前帧的相机位姿估计值作为所述误差函数的初始值对所述误差函数进行迭代优化,且在迭代优化过程中不断从所述特征点集中删除置信度小于预设阈值的点对,以生成误差最小时的最优位姿估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542037.2A CN111739071B (zh) | 2020-06-15 | 2020-06-15 | 基于初始值的快速迭代配准方法、介质、终端和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542037.2A CN111739071B (zh) | 2020-06-15 | 2020-06-15 | 基于初始值的快速迭代配准方法、介质、终端和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739071A true CN111739071A (zh) | 2020-10-02 |
CN111739071B CN111739071B (zh) | 2023-09-05 |
Family
ID=72649185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542037.2A Active CN111739071B (zh) | 2020-06-15 | 2020-06-15 | 基于初始值的快速迭代配准方法、介质、终端和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739071B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954293A (zh) * | 2021-01-27 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 深度图获取方法、参考帧生成方法、编解码方法及设备 |
CN112991515A (zh) * | 2021-02-26 | 2021-06-18 | 山东英信计算机技术有限公司 | 一种三维重建方法、装置及相关设备 |
CN113052750A (zh) * | 2021-03-31 | 2021-06-29 | 广东工业大学 | 一种用于vslam系统中任务跟踪的加速器及加速装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018086A1 (en) * | 2015-07-16 | 2017-01-19 | Google Inc. | Camera pose estimation for mobile devices |
CN106780576A (zh) * | 2016-11-23 | 2017-05-31 | 北京航空航天大学 | 一种面向rgbd数据流的相机位姿估计方法 |
CN108876897A (zh) * | 2018-04-20 | 2018-11-23 | 杭州电子科技大学 | 快速运动下的场景三维重建方法 |
CN109029433A (zh) * | 2018-06-28 | 2018-12-18 | 东南大学 | 一种移动平台上基于视觉和惯导融合slam的标定外参和时序的方法 |
CN109345588A (zh) * | 2018-09-20 | 2019-02-15 | 浙江工业大学 | 一种基于Tag的六自由度姿态估计方法 |
CN109785278A (zh) * | 2018-12-21 | 2019-05-21 | 北京大学深圳研究生院 | 一种三维足型图像处理方法、装置、电子设备和存储介质 |
CN109903319A (zh) * | 2019-03-13 | 2019-06-18 | 北京信息科技大学 | 一种基于多分辨率的快速迭代最近点配准算法 |
US20190204084A1 (en) * | 2017-09-29 | 2019-07-04 | Goertek Inc. | Binocular vision localization method, device and system |
WO2019157925A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 视觉惯性里程计的实现方法及系统 |
-
2020
- 2020-06-15 CN CN202010542037.2A patent/CN111739071B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170018086A1 (en) * | 2015-07-16 | 2017-01-19 | Google Inc. | Camera pose estimation for mobile devices |
CN106780576A (zh) * | 2016-11-23 | 2017-05-31 | 北京航空航天大学 | 一种面向rgbd数据流的相机位姿估计方法 |
US20190204084A1 (en) * | 2017-09-29 | 2019-07-04 | Goertek Inc. | Binocular vision localization method, device and system |
WO2019157925A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 视觉惯性里程计的实现方法及系统 |
CN108876897A (zh) * | 2018-04-20 | 2018-11-23 | 杭州电子科技大学 | 快速运动下的场景三维重建方法 |
CN109029433A (zh) * | 2018-06-28 | 2018-12-18 | 东南大学 | 一种移动平台上基于视觉和惯导融合slam的标定外参和时序的方法 |
CN109345588A (zh) * | 2018-09-20 | 2019-02-15 | 浙江工业大学 | 一种基于Tag的六自由度姿态估计方法 |
CN109785278A (zh) * | 2018-12-21 | 2019-05-21 | 北京大学深圳研究生院 | 一种三维足型图像处理方法、装置、电子设备和存储介质 |
CN109903319A (zh) * | 2019-03-13 | 2019-06-18 | 北京信息科技大学 | 一种基于多分辨率的快速迭代最近点配准算法 |
Non-Patent Citations (2)
Title |
---|
QIAN-YI ZHOU: "Fast Global Registration", 《COMPUTER VISION-ECCV 2016》, pages 766 - 782 * |
陈陆义: "基于Kinect室内场景重建的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》, vol. 2017, no. 3, pages 138 - 5019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112954293A (zh) * | 2021-01-27 | 2021-06-11 | 北京达佳互联信息技术有限公司 | 深度图获取方法、参考帧生成方法、编解码方法及设备 |
CN112954293B (zh) * | 2021-01-27 | 2023-03-24 | 北京达佳互联信息技术有限公司 | 深度图获取方法、参考帧生成方法、编解码方法及设备 |
CN112991515A (zh) * | 2021-02-26 | 2021-06-18 | 山东英信计算机技术有限公司 | 一种三维重建方法、装置及相关设备 |
CN113052750A (zh) * | 2021-03-31 | 2021-06-29 | 广东工业大学 | 一种用于vslam系统中任务跟踪的加速器及加速装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111739071B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833181B (zh) | 一种基于变焦立体视觉的三维全景图像生成方法 | |
WO2018127007A1 (zh) | 深度图获取方法及系统 | |
US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
CN111739071B (zh) | 基于初始值的快速迭代配准方法、介质、终端和装置 | |
CN113077476B (zh) | 一种高度测量方法、终端设备以及计算机存储介质 | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN110070610B (zh) | 特征点匹配方法、三维重构过程的特征点匹配方法及装置 | |
CN111612731B (zh) | 基于双目显微视觉的测量方法、装置、系统及介质 | |
CN113140036A (zh) | 一种三维建模方法、装置、设备及存储介质 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN115222889A (zh) | 基于多视图图像的3d重建方法、装置及相关设备 | |
CN115546379A (zh) | 一种数据处理方法、装置和计算机设备 | |
Kallwies et al. | Triple-SGM: stereo processing using semi-global matching with cost fusion | |
CN113642397B (zh) | 一种基于手机视频的物体长度测量方法 | |
CN108447084B (zh) | 基于orb特征的立体匹配补偿方法 | |
LeGendre et al. | High-resolution stereo matching based on sampled photoconsistency computation | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
CN111161348A (zh) | 一种基于单目相机的物体位姿估计方法、装置及设备 | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN113793370A (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN117115336A (zh) | 一种基于遥感立体影像的点云重建方法 | |
CN114331919B (zh) | 深度恢复方法、电子设备及存储介质 | |
KR101178015B1 (ko) | 시차 맵 생성 방법 | |
CN115239776A (zh) | 点云的配准方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |