基于目标函数加权优化的相机位姿估计算法 下载: 1141次
1 引言
透视
P
在选取目标函数时,由于物方残差受深度的影响较大,常常会导致计算结果不稳定,故研究人员多采用像方残差进行结果寻优。选择适当的归一化最小化物方残差的方法同样可以得到非常好的结果。杨森等[8]在此思想基础上提出相机位姿的加权线性算法,在降低时间复杂度的基础上提高了结果的精度。像方残差是图像上坐标的观测值与计算后的估计值之差。图像的观测值存在一定的测量误差,若测量误差满足高斯分布,则像方残差相当于相机投影矩阵的最大似然估计[9]。而三维世界坐标的观测值同样具有测量的不确定性,会产生一定的计算误差。仅考虑像方残差或物方残差是假设图像坐标和世界坐标二者中一方存在“无限精确”的条件下实现的,在实际应用中往往无法达到如此理想化情况。
鉴于此,本文提出了一种基于目标函数加权优化的相机位姿估计算法。根据EP
2 加权正交迭代算法
物方残差和像方残差均可作为相机位姿结果优化中的代价函数。从
2.1 目标函数的建立
物方残差是如今P
像方残差是计算图像上目标的观测值
部分方法采用平均重投影误差,表示为
由摄像机投影矩阵可知:
OI算法是一种典型的物方残差目标函数迭代算法[6],将参考点的空间位置在摄像机坐标系下表示,并根据透视投影模型将世界坐标系下参考点和图像坐标系下投影点相互联系,可得
式中:
在旋转矩阵
在实际情况下,由于测量仪器的不同和目标所在空间受限等影响,空间点的测量值
2.2 权值的选取
文献[
8]给出了在一般情况下物方残差与像方残差之间的关系,同时结合
式中:
结合
图 2. 不同方法中的物方残差对比
Fig. 2. Comparison of object-space collinearity errors for different methods
同时联立(10)式可求得在正交迭代方法中物方残差和像方残差二者之间的运算关系:
若Δ
加权值的选择既要考虑物方残差和像方残差二者的关系,又要反映出图像坐标和世界坐标的相对测量精度,在计算过程中,需要提前统一图像坐标单位(pixel)和三维空间单位(mm)。权值分配在点的测量精度这一问题上应该遵循空间参考点的可信度原则,通过权值的分配调整异常值对整体误差的影响[10]。赋予测量误差大的点较小的权值,测量误差小的点较大的权值,平衡所有空间参考点物方残差对整体的贡献[11]。但在大部分实际应用中无法提前预知目标点的测量误差。
这里采用改进的Huber[12]函数来确定权重系数
式中:
为保证加权算法能够收敛至正确解,迭代误差需满足
式中:
3 像方残差的平移向量优化
图像上点的观测值往往无法达到极致精确,伴随着观测值的不确定性[5,13-14],若测量误差满足高斯分布,则像方残差相当于相机投影矩阵的最大似然估计。图像观测值的不确定性测量误差与在噪声影响下的位姿估计误差的关系如
正交迭代使用初始的旋转矩阵
1) 按照原方法计算出迭代后各参数的最佳解和对应物方残差以及像方残差;2) 按照原EP
式中:
根据(3)式和(4)式求得此种条件下的像方残差,与2.2节中所求像方残差阈值进行比较,数值小者对应的相机外参数为最优位姿。
4 实验
4.1 仿真实验
仿真实验采用与EP
不同算法的旋转矩阵计算误差
式中:
比较如下算法的精度与稳健性:
1) EP
2) EP
3) EP
4) EP
5) EP
图 4. 各算法精度对比图。(a)旋转矩阵平均误差;(b)旋转矩阵中值误差;(c)平移向量平均误差;(d)平移向量中值误差
Fig. 4. Precision comparison among all algorithms. (a) Mean rotation error; (b) median rotation error; (c) mean translation error; (d) median translation error
图 5. 点数为4时各算法稳健性对比图。(a)旋转矩阵平均误差;(b)旋转矩阵中值误差;(c)平移向量平均误差;(d)平移向量中值误差
Fig. 5. Robustness comparison among all algorithms when point number is 4. (a) Mean rotation error; (b) median rotation error; (c) mean translation error; (d) median translation error
图 6. 点数为5时各算法稳健性对比图。(a)旋转矩阵平均误差;(b)旋转矩阵中值误差;(c)平移向量平均误差;(d)平移向量中值误差
Fig. 6. Robustness comparison among all algorithms when point number is 5. (a) Mean rotation error; (b) median rotation error; (c) mean translation error; (d) median translation error
4.2 真实图像实验
在仿真实验的基础上进行真实图像实验,以此验证算法的有效性。给定大小为800 pixel×600 pixel的图像。使用1529.60 pixel焦距,
将真实图像对各算法进行测试,可以看出,在点数冗余时5种算法的重投影误差大小不一,原始EP
图 8. 真实影像实验结果。(a) 参考图像;(b)输入图像
Fig. 8. Experimental results of real image. (a) Reference image; (b) input image
表 1. 真实实验结果
Table 1. Real experimental resultspixel
|
5 结论
在相机位姿估计这一问题上分析了物方残差和像方残差的产生原因和物理意义,并根据P
[3] Zheng YQ, Kuang YB, SugimotoS, et al. Revisiting the PnP problem: a fast, general and optimal solution[C]∥IEEE International Conference on Computer Vision, December 1-8, 2013, Sydney, NSW, Australia. New York: IEEE, 2013: 2344- 2351.
[4] FerrazL, BinefaX, Moreno-NoguerF. Very fast solution to the PnP problem with algebraic outlier rejection[C]∥IEEE Conference on Computer Vision and Pattern Recognition, June 23-28, 2014, Columbus, OH, USA. New York: IEEE, 2014: 501- 508.
[5] FerrazL, BinefaX, Moreno-NoguerF. Leveraging feature uncertainty in the PnP problem[C]∥Proceedings of the British Machine Vision Conference (BMVC), September 1-5, 2014, Nottingham, UK. [S.l.:s.n.], 2014: 1- 13.
[6] 李鑫, 龙古灿, 刘进博, 等. 相机位姿估计的加速正交迭代算法[J]. 光学学报, 2015, 35(1): 0115004.
[7] ChenP, Hu GD. A simple algorithm for camera pose estimation[C]∥IEEE International Conference on Mechatronics and Automation, August 5-8, 2012, Chengdu, China. New York: IEEE, 2012: 2181- 2186.
[8] 杨森, 吴福朝. 摄像机位姿的加权线性算法[J]. 软件学报, 2011, 22(10): 2476-2487.
[9] UrbanS, LeitloffJ, Hinz S. MLPnP -A real-time maximum likelihood solution to the perspective-n-point problem[J]. ISPRS Annals of Photogrammetry, RemoteSensing and Spatial InformationSciences, 2016, III-3: 131- 138.
[10] 周润, 张征宇, 黄叙辉. 相机位姿估计的加权正交迭代算法[J]. 光学学报, 2018, 38(5): 0515002.
[11] 张振杰, 郝向阳, 程传奇, 等. 基于共面直线迭代加权最小二乘的相机位姿估计[J]. 光学精密工程, 2016, 24(5): 1168-1175.
[12] Du ZY, Robles-KellyA, Lu FF. Robust surface reconstruction from gradient field using the L1 norm[C]∥9 th Biennial Conference of the Australian Pattern Recognition Society on Digital Image Computing Techniques and Applications, December 3-5, 2007, Glenelg, Australia, Australia. [S.l.: s.n.] , 2007: 203- 209.
[13] 苗锡奎, 朱枫, 郝颖明, 等. 基于特征点不确定性加权误差的位姿估计新方法[J]. 光电子·激光, 2012, 23(7): 1348-1355.
[14] 李丽媛, 李文韬, 许海燕, 等. 基于正交迭代的参考点不确定相机位姿估计[J]. 激光与光电子学进展, 2018, 56(1): 011503.
[15] 陈鹏, 王晨骁. IEPnP: 一种基于EPnP的相机位姿迭代估计算法[J]. 光学学报, 2018, 38(4): 0411001.
凌寒羽, 王培元. 基于目标函数加权优化的相机位姿估计算法[J]. 激光与光电子学进展, 2019, 56(4): 041503. Hanyu Ling, Peiyuan Wang. Method for Camera Pose Estimation Based on Weighted Optimization of Objective Functions[J]. Laser & Optoelectronics Progress, 2019, 56(4): 041503.