相机位姿估计方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种相机位姿估计方法、装置、计算机设备和存储介质。该方法包括：对目标图像进行特征提取，得到目标图像的点特征和线特征；根据点特征构建点特征位姿求解误差函数，以及根据线特征构建线特征位姿求解误差函数；根据点特征位姿求解误差函数和线特征位姿求解误差函数得到的融合误差函数确定相机位姿估计结果。本发明专利技术在弱纹理区域通过添加线特征增强特征匹配的鲁棒性，并利用构造的点特征和线特征融合的误差函数进行相机位姿估计，提高相机位姿估算的精度。相机位姿估算的精度。相机位姿估算的精度。

【技术实现步骤摘要】
相机位姿估计方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机视觉
，特别是涉及一种相机位姿估计方法、装置、计算机设备和存储介质。

技术介绍

[0002]相机位姿估计是计算机视觉
的经典问题，它是已知三维空间中一些3D坐标点以及它们在相机图像上的2D投影坐标，来估算相机在三维空间中的位置和姿态。
[0003]相机位姿估计中最常用的方法是PnP(PerspectivenPoints)，但在实现过程中，专利技术人发现由于常规的PnP算法依赖于与点特征的匹配，当点特征比较少时，相机位姿估计的精度不高。在一些弱纹理区域，例如一些规则的图案(如矩形)，点特征比较少，但是有很多线特征，单纯依赖点特征对于相机位姿估计的精度并不理想。

技术实现思路

[0004]基于此，本专利技术提供一种能够提高相机位姿估计精度的相机位姿估计方法、装置、计算机设备和存储介质。
[0005]第一方面，本专利技术提供一种相机位姿估计方法，包括：
[0006]对目标图像进行特征提取，得到目标图像的点特征和线特征；
[0007]根据点特征构建点特征位姿求解误差函数，以及根据线特征构建线特征位姿求解误差函数；
[0008]根据点特征位姿求解误差函数和线特征位姿求解误差函数得到的融合误差函数确定相机位姿估计结果。
[0009]第二方面，本专利技术提供一种相机位姿估计装置，包括：
[0010]特征提取模块，用于对目标图像进行特征提取，得到目标图像的点特征和线特征；/>[0011]构建模块，用于根据点特征构建点特征位姿求解误差函数，以及根据线特征构建线特征位姿求解误差函数；
[0012]位姿确定模块，用于根据点特征位姿求解误差函数和线特征位姿求解误差函数得到的融合误差函数确定相机位姿估计结果。
[0013]第三方面，本专利技术提供一种计算机设备，计算机设备包括存储器、处理器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序以实现上述相机位姿估计方法中的步骤。
[0014]第四方面，本专利技术提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述的相机位姿估计方法中的步骤。
[0015]本专利技术提供一种相机位姿估计方法、装置、计算机设备和存储介质，在弱纹理区域及点特征稀疏的区域同时提取并匹配点特征和线特征，以增强特征匹配的鲁棒性，并利用构造的点特征和线特征融合的误差函数，进行点线融合的相机位姿估计，提高相机位姿估算的精度。
附图说明
[0016]图1为本申请实施例中相机位姿估计方法的一种流程示意图。
[0017]图2为本申请实施例中相机位姿估计方法的另一种流程示意图。
[0018]图3为本申请实施例中相机位姿估计装置的一种结构示意图。
[0019]图4为本申请实施例中相机位姿估计装置的另一种结构示意图。
[0020]图5为本申请实施例中计算机设备的内部结构图。
具体实施方式
[0021]为使本专利技术的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本专利技术，并不用于限定本专利技术。
[0022]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0023]本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0024]专利技术人发现现有技术中的相机位姿估计方案中依赖于与点特征的匹配，在一些弱纹理区域，例如一些规则的图案(如矩形)，点特征比较少，但是有很多线特征，单纯依赖点特征对于相机位姿估计的精度并不理想。
[0025]为了克服现有技术中的上述问题，本实施例公开了一种相机位姿估计方法、装置、计算机设备和存储介质，本申请相机位姿估计方法可在相机上运行，具体的在相机的处理器上运行，在弱纹理区域同时提取并匹配点特征和线特征，以增强特征匹配的鲁棒性，并利用构造的点特征和线特征融合的误差函数，进行点线融合的相机位姿估计，提高相机位姿估算的精度。
[0026]下面结合附图和具体实施例，对本专利技术所提供的相机位姿方法、装置、计算机设备和存储介质做进一步详细的说明。
[0027]在一个示例中，如图1
‑
2所示，提供了一种相机位姿估计方法，执行主体为计算机设备，该方法包括：
[0028]步骤S1、对目标图像进行特征提取，得到目标图像的点特征和线特征。
[0029]需要说明的是，本申请相机位姿估计方法应用在相机上，由相机的处理器执行本申请相机位姿估计方法的步骤，提高相机位姿估算的精度。
[0030]其中，目标图像为相机拍摄弱纹理区域得到的图像，弱纹理区域为梯度统计平均
值处于预设范围的区域；在相机拍摄到目标图像时，相机的处理器对从目标图像中提取特征，得到目标图像对应的点特征和线特征。该相机可以是单目相机或双目相机。
[0031]在一个示例中，选定目标场景区域后利用相机在弱纹理区域拍摄到的场景图像之后，相机的处理器对场景图像(目标图像)进行预处理。其中，相机的处理器对目标图像的预处理为对目标图像进行畸变矫正处理及掩膜处理。
[0032]为了避免从图像和边框交界处、拍摄到的干扰物体处错误地提取出特征，影响后续特征匹配，在使用相应的工具如PIE SDK(Pixel Information Expert SDK正射校正，是对影像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程)对影像进行畸变校正后，再对图像进行掩模处理。需要说明的是，由于掩膜是根据镜头的不同制作，因此每个镜头单独有固定的掩模，各个镜头的掩模对所属镜头拍摄的所有图像具有适应性。
[0033]可根据实际需求而选定特征提取方式，在一个示例中，步骤S1包括：
[0034]步骤S11、使用点特征提取算法提取目标图像中的点特征，并使用第一描述子(第一描述子可以为rBRIEF：rotation
‑
aware BRIEF，BRIEF：Binary Robust I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种相机位姿估计方法，其特征在于，包括：对目标图像进行特征提取，得到所述目标图像的点特征和线特征；根据所述点特征构建点特征位姿求解误差函数，以及根据所述线特征构建线特征位姿求解误差函数；根据所述点特征位姿求解误差函数和所述线特征位姿求解误差函数得到的融合误差函数确定相机位姿估计结果。2.根据权利要求1所述的相机位姿估计方法，其特征在于，所述对目标图像进行特征提取，得到所述目标图像的点特征和线特征之后，所述方法还包括：分别对所述点特征和所述线特征进行筛选，得到筛选后的点特征和筛选后的线特征；所述根据所述点特征构建点特征位姿求解误差函数，以及根据所述线特征构建线特征位姿求解误差函数，包括：根据所述筛选后的点特征构建点特征位姿求解误差函数，以及根据所述筛选后的线特征构建线特征位姿求解误差函数。3.根据权利要求2所述的相机位姿估计方法，其特征在于，所述目标图像为拍摄弱纹理区域得到的图像，所述弱纹理区域为梯度统计平均值处于预设范围的区域。4.根据权利要求2或3所述的相机位姿估计方法，其特征在于，所述融合误差函数为：E
point_line
＝E
line，d
(p
d
，q
d
，I)+E
point
；所述点特征位姿求解误差函数E
point
＝(K
‑1p2)
T
EK
‑1p1；其中：E为本征矩阵，p1、p2为空间匹配的两个点特征，K是相机的内参；所述线特征位姿求解误差函数其中：p，q为空间直线的两个端点；p
d
，q
d
为P和Q在图像中对应的投影坐标；I为直线参数。5.根据权利要求4所述的相机位姿估计方法，其特征在于，所述对目标图像进行特征提取，得到所述目标图像的点特征和线特征...

【专利技术属性】
技术研发人员：胡锦丽，孟俊彪，刘阳兴，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
类型：发明
国别省市：