[发明专利]一种基于立体视觉的无人机测距方法

说明书

本发明提供一种基于立体视觉的无人机测距方法，该方法以无人机拍摄的多幅图像及其相机参数作为输入，以块匹配的多视图立体视觉方法准确地估计出图像的深度图。提出的方法主要包括：通过常规的块匹配多视图立体视觉方法和阈值化操作来生成稀疏的可靠对应点；采用RANSAC方法拟合深度神经网络检测出的全局平面先验，采用德劳内三角剖分法建模局部平面先验，生成全局‑局部联合优化的平面模型；结合平面模型和光度一致性，提出一种新颖的多视图聚合匹配代价，将该代价应用到基于块匹配的多视图立体视觉算法框架，获得更为准确的深度估计；最后，利用几何一致性来优化深度图。利用本发明提出的策略可用于无人机影像三维重建、无人机自主巡航等多个领域。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于立体视觉的无人机测距方法。

背景技术

无人机的测距方案中，精度最高的是激光雷达，但其成本也很高。而超声波雷达测距感知范围窄、精度低，只适用于无人机相对高度的测量。计算机视觉技术在无人机上的应用，使无人机以较低的成本和较高的性能，实现通过摄像机感知周围的环境。基于立体视觉的无人机测距方法，可以提高无人机的环境感知能力，从而提高飞行的安全性，其可以应用于无人机影像三维重建、无人机自主巡航等多个领域。

基于立体视觉的深度估计旨在从多个相机姿态已知的图像中建立密集对应关系，从而恢复参考视角下的稠密几何结构。基于块匹配（PatchMatch）的多视图视觉方法一般不受场景规模的限制，可扩展性强，因此，这类方法在实际应用中较为广泛。

块匹配算法具有快速的全局近邻搜索能力，通过随机地初始化深度值，然后迭代地进行采样传播来优化初始解。由于基于块匹配的多视图立体视觉方法可以在 GPU 上并行执行，因此这些方法极大地减少了深度图估计的时间成本。通常来说，这类方法遵循一个流行的四步骤流程来为每幅输入图像估计深度图，其中包括：随机初始化、传播、多视图匹配代价评估以及细化。给定多幅输入图像和它们对应的相机参数，算法会轮流地将每幅图像作为参考图像，其他图像作为源图像来为当前的参考图像估计深度图和法向图。首先，随机初始化将随机地为参考图像的每个像素生成一个三维平面假设。其次，传播步骤通过采样邻域像素的假设来增广每个像素的假设空间，以此考虑邻域像素的平滑性约束。然后，基于像素当前的假设空间，多视图匹配代价评估通过计算多视图的相似性来挑选出当前的最优假设。最后，细化步骤通过引入扰动和进一步的随机假设来优化当前的假设。在这四个步骤中，最后三个步骤将被迭代进行以使算法收敛。

基于块匹配的方法可以进行逐图像逐像素估计，一般不会受到场景规模的限制，因此这类方法可扩展性强，易于并行。这类方法通过为每个像素都执行传播扩展策略，可以高效地生成稠密的连续估计。因此，这类方法在实际应用中较为广泛。然而，尽管这种多视图深度估计方法能够高效率地估计出高分辨率深度图，弱纹理区域的几何信息估计不准确仍是有待解决的关键问题。对于纹理丰富的区域，局部匹配度量函数一般能取得比较好的相似性度量，得到比较准确的几何信息估计。然而，在处理歧义性区域（如弱纹理表面）的几何信息估计时，局部匹配度量函数往往失效，造成这些区域的几何信息估计不准确，使得其很难在实际中进行应用。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于立体视觉的无人机测距方法，以解决现有的方法在弱纹理区域的深度估计不准确的技术问题。

根据本发明的第一方面，提供了一种基于立体视觉的无人机测距方法，包括：步骤1，选取参考图像及N-1幅邻域图像，为所述参考图像随机生成一个局部平面的假设，以所述邻域图像为源图像，基于所述局部平面到每个源图像对应的匹配代价计算得到每个所述假设的初始多视图聚合匹配代价；随机生成的局部平面的假设为对所述参考图像随机初始化的深度图和法向图；

步骤2，选择多个邻域假设传播到当前待估像素，将各个所述邻域假设和原本的假设共同构成当前待估像素的候选假设集合；通过光度一致性定义的多视图聚合匹配代价来度量多视图相似性，从所述候选假设集合中确定最佳假设；