[发明专利]基于多视觉传感器分布式信息融合的遮挡情况下目标位姿估计方法

说明书

一种基于多视觉传感器分布式信息融合的遮挡情况下目标位姿估计方法，判断所有视觉传感器局部子系统中是否出现严重遮挡情况，若出现则放弃对该局部子系统进行计算，并等待剩余子系统融合结束，反之，则判断是否出现部分遮挡情况，若没有，利用无迹卡尔曼滤波器求出局部子系统的状态信息，进而筛选出基础状态量；若出现遮挡，利用得到的基础状态量和先验知识估计出现部分遮挡的子系统中缺失的特征点像素坐标，然后再利用无迹卡尔曼滤波器得到相应局部子系统的状态信息；利用分布式融合方法得到最终的融合结果，最后将出现严重遮挡局部子系统初始化。本发明能够在出现遮挡的情况下有效地跟踪运动刚体的位姿，具有很强的鲁棒性和有效性。

技术领域

本发明主要针对视觉跟踪领域，尤其是一种风洞试验、飞行器试飞等高噪声、高振动、眩光等环境中目标遮挡情况下的位姿估计方法。

背景技术

基于视觉的目标位姿(位置和姿态，简称位姿)估计是视觉跟踪中重要的技术之一，姿态参数是描述飞行器飞行状态、研究飞行性能、开展事故分析的重要基础信息。针对风洞试验、飞行器试飞等存在高噪声、高振动、眩光等测试环境，获取高精度的位姿参数，能够为复杂环境下分析气动力问题研究提供保障。

目前,大多数位姿估计都是基于相机(视觉传感器)内参已知的前提下,通过相机获取图像并加以处理,得到图像中的2D特征信息,利用2D-3D坐标系间的对应关系来设计位姿估计方法以实现对目标位姿的估计。在现有方法中大多数都是基于点特征的,目前也存在一些相对成熟的点特征位姿估计方法,例如OI正交迭代法、Epnp算法、自适应扩展卡尔曼方法(AEKF)以及迭代自适应扩展卡尔曼方法(IAEKF)。在上述的四种方法中,前二者的估计精度过分依赖观测噪声,当噪声过大时,它们的估计精度便会急剧下降,在这种情况下,AEKF方法被提出,它通过估计每一个采样步长中的过程噪声和观测噪声来克服环境中噪声过大或者环境发生异变时产生的影响,增强了系统的稳定性。相对于AEKF,IAEKF将AEKF的结果进行迭代,使其估计方差最小，从而实现提高精度,但其计算量却远超AEKF。在某些极端状况下,如相机标定误差过大、初始值误差过大,基于单个视觉传感器的估计方法所得到的估计结果误差将会过大甚至发散。而基于多个视觉传感器的集中式融合估计方法,结合多个视觉传感器提供的图像信息,采用AEKF或者IAEKF估计目标的位姿,在一定程度上弥补了单视觉传感器方法的不足,提高了系统的估计精度,但随着观测信息的增加,观测矩阵维数也会上升,集中式融合方法消耗的计算资源成平方增长,导致系统的响应速度大大降低。在刚体运动过程中，刚体可能被背景中的静止物体遮挡，也有可能因为光线问题导致无法识别，还有可能因为人为干预而出现遮挡，在基于多视觉传感器的位姿估计系统中，当某个局部子系统出现遮挡时，集中式卡尔曼滤波方法将会失效。

为此，可利用分布式融合估计方法对目标进行跟踪。在传统的分布式融合方法中，对缺失观测数据的子系统只进行状态预测，再将其预测结果与其他子系统的估计结果进行融合，而一旦出现连续丢失数据的情况，相应子系统将过度依赖于模型，往往导致跟踪失败，而遮挡过程是一个连续丢失数据的过程，因此目前还没有一种能够有效地处理遮挡问题且具有抗干扰性能的视觉位姿估计方法。

发明内容

为了克服刚体位姿估计过程中因遮挡导致的位姿估计失效问题，本发明设计了基于多视觉传感器分布式信息融合的位姿估计方法，实现了特征信息在被遮挡情况下的刚体位姿准确估计。

本发明所采用的主要技术方案为：

一种基于多视觉传感器分布式信息融合的遮挡情况下目标位姿估计方法，所述的位姿估计方法包括以下步骤：

(1)判断所有视觉传感器局部子系统中是否出现严重遮挡情况，若没有出现严重遮挡，执行1.1)；若出现严重遮挡，执行1.2)；

1.1)判断是否出现部分遮挡情况，若无部分遮挡情况，执行1.1.1)；若出现部分遮挡情况，执行1.1.2)；