一种减少图像畸变的极线校正方法技术

本发明专利技术公开了一种减少图像畸变的极线校正方法，包括使用双目相机获得左右两张图像，利用surf算法分别获取左、右图像对应点的坐标及尺度范围；利用块对一致性和随机采用一致性进行误匹配点的删除，得到基本矩阵；根据基本矩阵和左、右单应性矩阵的关系，建立包含六个参数的用于极线校正的优化函数；利用遗传算法求解优化函数的初值；利用金字塔搜索方法及图像畸变性能指标得到当综合误差最小时的左单应矩阵及右单应矩阵；根据S5得到的左、右单应性矩阵，利用双线性插值求得校正后的图像。本发明专利技术能够有效减少极线校正后的图像畸变。

【技术实现步骤摘要】
一种减少图像畸变的极线校正方法
本专利技术属于立体视觉领域，具体涉及一种减少图像畸变的极线校正方法。
技术介绍
立体匹配是从立体图像对中寻找对应点，为了提高搜索速度，要求立体图像对的外极线位于同一水平线上，使两摄像机校正成理想的平视双目结构。立体视觉的应用研究中，极线校正方法可应用于立体匹配、3D电视的摄像机姿态处理等方面。现有的极线校正方法，可以分成两类，包括需要摄像机标定的极线校正方法和弱标定的极线校正方法。利用摄像机标定获取内部参数和外部参数，包括焦距、光心坐标、旋转矩阵、平移矩阵等，利用物理意义明确的方法得到求解的单应性矩阵。弱标定的极线校正方法，只通过两图像的匹配对应点，求解两个合适的单应性矩阵进行投影变换，让对应点不存在竖直方向的视差。经典的弱标定极线校正方法包括Hartley提出的一种直接操作对应极点的方法其算法思路是将其中一幅图像(设定为右图)的极点旋转到x轴，再平移到无穷远，得到使这幅图像的所有极线与x轴平行的Hl矩阵；根据两校正后基本矩阵的关系推导出Hr矩阵的参数形式；然后利用两张图像校正后的视差最小的约束来得到Hr矩阵。AndreaFusiello等认为已知标定参数的极线校正方法求得的单应性矩阵是由无穷远平面引入的，该方法不会引入额外的y方向视差，提出了Quasi-Euclidean的极线校正方法，将无穷远单应性矩阵的结构保留在优化函数Sampson距离当中，通过非线性优化得到近似已知标定参数理想情形的结果。这种方法依赖于基本矩阵的求解精度，当存在误匹配时，会使极线校正结果出现较大的图像畸变，损失匹配精度。
技术实现思路
为了克服现有技术存在的缺点与不足，本专利技术提供一种减少图像畸变的极线校正方法。本专利技术采用的技术方案：一种减少图像畸变的极线校正方法，包括如下步骤：S1使用双目相机获取同一目标的左、右两张图像，然后利用surf算法分别获取左、右图像对应点的坐标及尺度范围；S2利用块对一致性和随机采用一致性进行误匹配点的删除，得到基本矩阵；S3根据基本矩阵和左、右单应性矩阵的关系，建立包含6个参数的用于极线校正的优化函数；S4利用遗传算法求解优化函数的初值；S5利用金字塔搜索方法及图像畸变性能指标得到当综合误差最小时的左单应矩阵及右单应矩阵；S6根据S5得到的左、右单应性矩阵，利用双线性插值求得校正后的图像。如果侧重极线校正结果，选择省略S4。所述S2包括如下步骤：S2.1根据surf算法获得对应点的坐标及尺度范围，建立圆与圆之间的拓扑关系，当拓扑关系为相交和包含的时候建立对应块；S2.2保留左右两图相同对应块的相同特征点，剔除误匹配点；S2.3将左或右图像进行数据分块，从不同的分块中抽取至少8组对应点，减少初始点过于密集的情况；S2.4利用随机采样一致性重复多次抽取对应点，使用直接线性变换的8点算法得到基本矩阵和剔除误匹配点。所述S3具体为：将左、右单应性矩阵采用quasi-Euclidean方法按照无穷远单应性矩阵的形式分解，并且利用Sampson距离建立6个参数的优化函数，使用LM算法进行非线性优化，得到用于极线校正的优化函数。所述S5具体为：S5.1设定最小缩放比例、最大缩放比例及缩放步长；S5.2将对应点坐标进行缩放，然后将优化函数的6个参数初值设为S4所得结果，即[0,0,0,0,0,w+h]求解，其中，w表示图像的宽度，h表示图像的高度，所属左图像和右图象的长宽相等，运算得到当次搜索6个参数的解；S5.3利用6个参数的解得到左、右单应性矩阵和误差；S5.4对左、右单应性矩阵进行尺度的缩放和式中，Hl表示左单应矩阵，Hr表示右单应矩阵，S表示缩放比例S5.5根据图像畸变的性能指标得到综合误差err1，并记录为当前最小值；其中，err为求解得到的Sampson距离，式中，err1表示综合误差，err表示Sampson的距离，下标l代表左图，下标r代表右图，w是图像的宽度，h是图像的高度，θ表示图像中点连线的正交性，且当图像没有发生畸变的理想值θ＝90°，m＝Hb-Hd,n＝Hc-Ha，rd表示对角线的长宽比，当图像没有发生畸变的理想值rd＝1，rd＝m＝Hb-Hd，，n＝Hc-Ha，a＝(0，0，1)，，b＝(w,0,1)，c＝(w，h，1)，d＝(0，h，1)；rwh表示图像的纵横比，当图像没有发生畸变的理想值为宽/长，m＝Hb-Hd，，n＝Hc-Ha，，S5.6按照缩放步长改变缩放比例，缩放顺序为从大到小缩放，重复S5.2-S5.5，直到缩放比例为最小时停止，所述当次6个参数的初始值为上一次6个参数的解；S5.7得到不同缩放比例下err1的最小值，并记录当err1最小时的左单应矩阵及右单应矩阵。所述6个参数具体为yL，zL，xR，yR，zR，f，f为相机的焦距，yL、yR分别为左相机、右相机绕y轴旋转的角度，zL、zR分别为左相机、右相机绕Z轴旋转的角度，xR为右相机绕X轴旋转的角度。与现有技术相比，本专利技术具有如下有益效果：1)利用块对一致性和随机采样一致性来消除误匹配，能够去除明显的误匹配点；2)利用结合遗传算法进行非线性优化的初值求解，对部分图像能够缩短搜索时间；3)利用结合金字塔搜索和更合适的性能指标得到的单应性矩阵，在对应点存在误匹配或者对应点较少的情况下，有较好的极线校正效果，有效减少极线校正后存在的图像畸变，使极线校正的结果不完全依赖基本矩阵的求解精度。附图说明图1是本专利技术的工作流程图；图2是图1中利用块对一致性和随机采样一致性剔除误匹配点的流程图；图3是图1中结合遗传算法求解参数初值的流程图；图4是图1中步骤S5的工作流程图；图5(a)(b)是校正前双目相机获取的左、右两张图像；图6(c)(d)是图5(a)(b)存在误匹配点时的Quasi-Euclidean极线校正结果图；图7(e)(f)是图5(a)(b)有误匹配时结合金字塔搜索和图像畸变性能指标的极线校正结果。具体实施方式下面结合实施例及附图，对本专利技术作进一步地详细说明，但本专利技术的实施方式不限于此。实施例如图1所示，一种减少图像畸变的极线校正方法，包括如下步骤：S1使用具有固定基线长度的平行光轴结构的双目相机获取同一目标的左、右两张图像，左、右两张图像分别为左目相机和右目相机拍摄，然后采用surf算法分别获取左、右两张图像的对应点的坐标及尺度范围，所述尺度范围具体为对应点所在圆的半径。S2利用块对一致性和随机采用一致性进行误匹配点的删除，得到基本矩阵，具体为如图2所示，具体为：S2.1根据surf算法获得对应点的坐标及尺度范围，建立圆与圆之间的拓扑关系，当拓扑关系为相交和包含的时候建立对应块；S2.2保留左右两图相同对应块的相同特征点，剔除误匹配点；S2.3将左或右图像进行数据分块，具体为将左或右图像划分为若干个矩形网格，从不同的分块抽取至少8组对应点，减少初始点过于密集的情况；S2.4利用随机采样一致性重复多次抽取对应点，使用直接线性变换的8点算法得到基本矩阵和剔除误匹配点。其中，具体重复次数通过N次重复迭代得到每次迭代最多不超过1个外点的结果，置信度为p，通常设为0.99；m是最少输入数据的数目，根据基本矩阵的求解设为8；u是所有输入点中属于内点的概率，其范围为0.5～0.9，可选择较少的u保本文档来自技高网...

【技术保护点】
一种减少图像畸变的极线校正方法，其特征在于，包括如下步骤：S1使用双目相机获取同一目标的左、右两张图像，然后利用surf算法分别获取左、右图像对应点的坐标及尺度范围；S2利用块对一致性和随机采用一致性进行误匹配点的删除，得到基本矩阵；S3根据基本矩阵和左、右单应性矩阵的关系，建立包含6个参数的用于极线校正的优化函数；S4利用遗传算法求解优化函数的初值；S5利用金字塔搜索方法及图像畸变性能指标得到当综合误差最小时的左单应矩阵及右单应矩阵；S6根据S5得到的左、右单应性矩阵，利用双线性插值求得校正后的图像。

【技术特征摘要】
1.一种减少图像畸变的极线校正方法，其特征在于，包括如下步骤：S1使用双目相机获取同一目标的左、右两张图像，然后利用surf算法分别获取左、右图像对应点的坐标及尺度范围；S2利用块对一致性和随机采样一致性进行误匹配点的删除，得到基本矩阵；S3根据基本矩阵和左、右单应性矩阵的关系，建立包含6个参数的用于极线校正的优化函数；S4利用遗传算法求解优化函数的初值；S5利用金字塔搜索方法及图像畸变性能指标得到当综合误差最小时的左单应矩阵及右单应矩阵；S6根据S5得到的左、右单应性矩阵，利用双线性插值求得校正后的图像；所述S2包括如下步骤：S2.1根据surf算法获得对应点的坐标及尺度范围，建立圆与圆之间的拓扑关系，当拓扑关系为相交和包含的时候建立对应块；S2.2保留左右两图相同对应块的相同特征点，剔除误匹配点；S2.3将左或右图像进行数据分块，从不同的分块中抽取至少8组对应点，减少初始点过于密集的情况；S2.4利用随机采样一致性重复多次抽取对应点，使用直接线性变换的8点算法得到基本矩阵和剔除误匹配点。2.根据权利要求1所述的一种减少图像畸变的极线校正方法，其特征在于，如果侧重极线校正结果，选择省略S4。3.根据权利要求1所述的方法，其特征在于，所述S3具体为：将左、右单应性矩阵采用quasi-Euclidean方法按照无穷远单应性矩阵的形式分解，并且利用Sampson距离建立6个参数的优化函数，使用LM算法进行非线性优化，得到用于极线校正的优化函数。4.根据权利要求1所述的方法，其特征在于，所述S5具体为：S5.1设定最小缩放比例、最大缩放比例及缩放步长；S5.2将对应点坐标进行缩放，然后将优化函数的6...

【专利技术属性】
技术研发人员：杜娟，梁睿，冯颖，胡跃明，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44