[发明专利]一种基于法向流的直接估算相机自运动参数的方法

说明书

（一）技术领域

本发明涉及一种基于法向流的直接估算相机自运动参数的方法，对成像场景没有任何约束，即适用于任何单目系统的运动参数估计，属于计算机视觉领域。

（二）背景技术

相机自运动估计即是从相机运动前后的连续帧图像估算出相机与景物之间的相对运动，这是计算机视觉领域，尤其是视觉导航方面应用的关键技术之一。另外，相机的自运动参数估计在自动驾驶、移动机器人自动导航以及电子稳像技术等很多领域都有重要的应用，是几十年来的计算机视觉领域的热点研究问题。目前，随着计算机处理器运算能力的提高，对相机的自运动参数进行实时估算已经成为可能，研究人员已经开始着手将其应用于自主视觉导航技术中，例如在月球探测中的应用等。

在没有人为约束的情况下（例如需要场景包含特定、特殊复杂背景等），如何准确并且高效的估计相机的自运动参数一直是计算机视觉领域的难题。尽管在过去几十年中，研究工作人员已经开展了大量的相关研究工作，相机自运动的估计仍然是一个十分具有挑战性的技术难题。

估算相机的自运动参数的传统实现方法有两种方案。第一，特征匹配法，即从连续帧图像中建立特征匹配的关系，然后根据匹配关系建立内极线几何约束来实现运动参数估计。然而准确并快速的匹配特征量始终是计算机视觉领域的难题，至今尚未解决。而且，在特征的选取和匹配过程中往往需要场景中包含大量显著特征，这就对成像场景有了很大约束。第二，光流法。其实现途径是利用能够表征图像上各像素点运动的光流场进行估算，但是由于孔径问题的存在，光流无法直接通过连续帧图像得到。传统的实现方法中常通过引入成像场景平滑、连续等人为约束条件，来计算得到光流场。但是这些附加的约束条件很难在实际应用中满足，因此传统方法在实际的应用中受到很大限制。

与传统实现方法不同，八十年代末期Horn首先提出直接法（Direct Method）——直接利用法向流求解相机的自运动参数。直接法的特点是直接利用连续帧图像计算得到法向流场，而不需要任何的场景约束条件，从而避免了传统方法中计算误差和孔径问题的干扰。直接法中比较经典的是Fermüller提出的向量场模型，这种模型是利用法向流的方向将其划分为“+”和“﹣”两部分，根据这两部分的临界线（称为“零线”）来估算出运动参数。但是在算法实现过程中“零线”的准确定位非常困难，这也直接给算法的估算结果带来了较大的误差。Sinclair通过法向流直接定位FOE（Focus of Expansion）来估算相机的平移运动信息，但是这一方法不能估算旋转运动，不具有通用性。Silva提出了通过建立线性的搜索子空间来定位找出相机的运动参数，但是这一方法容易受到外界条件的干扰，而且对误差非常敏感。目前，直接法的技术成果还很少，现存方法还很难实现较为准确的自运动参数估计。

(三）发明内容

1、目的：本发明的目的是提供一种基于法向流的直接估算相机自运动参数的方法，它克服了现有技术的不足，估算误差较小，且对成像场景无任何约束，能够应用于任何单目系统。

2、技术方案：

本发明旨在估算出相机与场景之间的相对运动参数。其输入量是由连续帧图像直接计算得到的法向流场，输出为相机自运动参数的估计值。首先介绍本发明涉及的运动模型。

法向流场是本发明的输入量，但法向流矢量中包含有运动的平移分量和旋转分量，景物深度以及梯度信息，而且这些信息都混杂在一起，因此从法向流入手估算相机自运动参数的方法本身就是一个技术难点。本发明从法向流入手，通过对其几何特性进行深入的分析来筛选出满足特定几何特性的矢量来估算出相机的自运动参数。首先建立运动模型如下：

假设场景不动，而相机进行一般运动，即包括平移运动t=[U V W]^T和旋转运动ω=[ω₁ ω₂ ω₃]^T，则每一像素点处的法向流大小Vn(x)可表示为如下矢量形式：