[发明专利]基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法

说明书

本发明公开一种基于相关熵的Torr‑M‑Estimators基础矩阵鲁棒估计方法，Torr‑M‑Estimators算法对每个匹配对的残差进行加权处理，以此减少较大残差的外点对基础矩阵的估计过程的影响，不同的权重函数会有不同的优化结果；基于信息论的相关熵函数在鲁棒性方面有较大优势，在精确度、鲁棒性方面有较为明显的提高；其利用Hartley方法进行数据归一化，线性最小二乘法获取基础矩阵的初值，相关熵为Torr‑M‑Estimators权重函数，特征值分解限定基础矩阵的秩为2，最小迭代误差和最大迭代次数确定循环结束条件；实验表明该方法具有很好的估计精度和鲁棒性，是三维重建、运动估计、匹配跟踪等领域中基础矩阵求解步骤中的重要改进方法。

技术领域

本发明属于计算机视觉中多视图几何领域，是立体视觉中极线约束条件的数学表达基础矩阵求解的研究发明，具体涉及一种基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法。

背景技术

在计算机视觉领域，多视图几何是计算机通过二维图像表达三维世界的一个重要依据，其基础是对极几何原理，即同一场景不同视角的两幅图像中存在的重要几何约束关系如图2所示，像点m在另一个图像平面的对应点m'必定在其极线e'上面。对极几何关系可以用一个3阶秩2的矩阵表达，该矩阵称为基础矩阵，也称为F矩阵(Fundamental Matrix)，对极几何关系数学表达形式为m'^TFm＝0，其中m',m为对应的特征点匹配对，m_i＝(x_i,y_i,1)^T,m'_i＝(x_i',y_i',1)^T。基础矩阵的精确、鲁棒性地估计是三维重建、运动估计、匹配跟踪等技术的重要基础。基于此问题，人们已经做了大量的研究，求解方法分为三大类：线性法、迭代法和鲁棒求解法，线性求解法速度快，但是当有错误匹配点的时候，精确度很低；迭代求解法精度高，但相对于线性求解法计算时间长，同时当错误点较多的时候结果仍然不是很好；鲁棒求解法如最小中值法(LMedS)、随机抽样一致性法(RANSAC)以及其改MLESAC、最大后验一致算法(MAPSAC)、M估计法(Torr-M-Estimators)等，这类方法对于去除错误匹配点以及坏点有更好的效果。但是当原始匹配点错误匹配的比例多于50％时，Torr-M-Estimators估计方法有更好的稳定性，同时计算速度在鲁棒求解中也是最快的。因此本发明主要基于Torr-M-Estimators估计方法进行的发明研究，Torr-M-Estimators估计方法根据每个点对估计基础矩阵的贡献不同，对其加权处理，将误差大的点降低其权重因子，从而降低其对基础矩阵估计的影响，最终输出最优的基础矩阵。同时，最近基于信息论的相关熵损失函数在鲁棒性方面得到了很大的发展，基于此，本发明将相关熵函数为Torr-M-Estimators的权重函数，结合两者优势为新的基于相关熵的Torr-M-Estimators的基础矩阵求解方法Torr-M-Estimators(entropy)。实验结果表明该方法相对于传统方法，基础矩阵的求解精度和鲁棒性都得到了提高，同时算法的计算速度也有相对提高。

发明内容

为解决基础矩阵的精确、鲁棒求解，本发明的方法是：结合基于信息论的相关熵函数为Torr-M-Estimators的权重函数，从而降低外点即误差较大点对基础矩阵求解的影响。其集合了Torr-M-Estimators和相关熵函数的优点，实验结果表明此方法的基础矩阵的精确度和鲁棒性相对于传统的方法如RANSAC、LMedS、MLESAC、MAPSAC等方法都得到了相对的提高，是一种可行的、高效的基础矩阵鲁棒求解方法。

为了达到上述方法的目的，本发明采用如下技术方案：

一种基于相关熵的Torr-M-Estimators基础矩阵鲁棒估计方法，包括以下步骤：