[发明专利]一种少量重合区域无需特制标定物的多深度相机外参标定的方法

权利要求书

1.一种少量重合区域无需特制标定物的多深度相机外参配准的方法，其特征在于，包括：

使用人体骨骼提取算法提取三维人体骨骼点作为特征点，进行相机外参配准。

2.根据权利要求1中所述的多深度相机，其特征在于，使用两台及以上的深度相机。

3.根据权利要求1中所述的深度相机，其特征在于，使用的深度相机为TOF激光雷达、结构光深度相机、双目深度相机或基于深度学习的单目深度相机。

4.根据权利要求1中所述的人体骨骼提取算法，其特征在于，所述的骨骼提取算法包括：提取出xyz空间坐标的人体骨骼提取算法。

5.一种少量重合区域无需特制标定物的多深度相机外参配准的方法，其特征在于，包括：

通过使用点对点ICP算法，使用三维人体骨骼的至少三个骨骼点，进行初步的配准，计算出相机局部配准外参矩阵T1；

其中ICP算法如下：

给定两个点云的点集如（1）所示：

（1）

其中X表示源点集，P表示目标点集，N表示点集对应的数量；

点云的配准过程中需要找到两个点集的相对位姿变换，从而使得两个点集的距离最小化，其最小化形式如（2）所示：

（2）

其中R表示为旋转矩阵，t 表示为平移矩阵.；

由于旋转矩阵R会引进三角量，因此不能采用最小二乘法来进行求解，这里将引入两组点云的质心，如（3）所示：

（3）

通过对误差函数进行如下的处理：

在上式推导过程中，注意到交叉项当中为零，因此优化目标如下（4）所示：

（4）

通过观察左右两项可知，左边的式子只与R有关，右边与R有关也与t有关系，即求解过程只需先求解左边式子最小化，再将求解的带入右边的式子，再对右边的式子最小化求解出，其表达形式如下（5）所示：

其中

（5）

这里需要先计算出两组点的质心坐标之后，再计算每个点的去质心坐标，其中去质心坐标表示如（6）所示：

（6）

接下来将R的误差项进行展开：

由于上式中，因此前两项均与R无关，可以将上式转化为如（7）所式：

（7）

通过引入矩阵的迹的性质将问题进行转换，如（8）所示：

（8）

其中，且H是一个3x3的矩阵，对H进行SVD分解，如（9）所示：

(9)

其中表示奇异值所组成的对角矩阵并且对角元素从大到小进行排列，令 ,则有如（10）所示：

(10)

通过上式可知可以获得最大值，ICP的最终解为：

通过使用T1作为初值，对全局骨骼点进行全局配准从而得到新的相机之间的外参矩阵T2，T2为最终外参标定结果。

6.根据权利要求5中所述的外参配准方法，其特征在于，包括：

可以把奇异值分解（SVD）的非线性优化方法替换为任意非线性优化方法，如随机梯度下降、高斯牛顿法、遗传算法或粒子群算法。

7.根据权利要求5中所述的外参配准方法，其特征在于，包括：

可以对外参矩阵T2进行多帧优化，使用所有三维骨骼点的点对点之间的均方差作为误差并记录其误差，具体计算步骤如下：，，判断该组n帧的误差是否收敛或趋于稳定，如判断结果为Y，输出优化后的最终外参标定结果T3，为N则重新开始。

8.根据权利要求5中所述的外参配准的方法，其特征在于，包括：

可以引入外部特征点作为外参校准物，用作本次外参标定最终结果测量误差，使用外部特征点中的均方差作为误差并记录其误差，具体计算步骤如下：，，如误差未达到阈值，则本次获取的外参矩阵精度较佳，可以作为最终外参标定结果，如误差过大超过阈值，则应该手动测量。

9.根据权利要求7中所述的多帧优化的方法，其特征在于，包括：

可以引入外部特征点作为外参校准物，与权力要求7中的多帧优化方法结合使用，使用外部特征点中的均方差作为误差并记录其误差，具体计算步骤如下：，，判断该组n帧的误差是否收敛或趋于稳定，如判断结果为Y，输出优化后的最终外参标定结果T3，为N则重新开始。