[發(fā)明專利]一種基于改進(jìn)RANSAC方法對視頻流的外點(diǎn)剔除方法

有效

• 申請?zhí)枺?/td>: 202010774446.5
• 申請日: 2020-08-04
• 公開（公告）號: CN112084855B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 耿莉;張良基;申學(xué)偉
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/44;G06T7/246;G06T7/269
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 高博

本發(fā)明公開了一種基于改進(jìn)RANSAC方法對視頻流的外點(diǎn)剔除方法，提取特征點(diǎn)并跟蹤，更新跟蹤次數(shù)；對特征點(diǎn)連續(xù)跟蹤次數(shù)進(jìn)行統(tǒng)計(jì)判斷，從歸類的模型建構(gòu)點(diǎn)集中隨機(jī)選取可計(jì)算模型參數(shù)的最小數(shù)據(jù)進(jìn)行模型擬合，計(jì)算基礎(chǔ)矩陣模型；用基礎(chǔ)矩陣模型對其他全部特征點(diǎn)進(jìn)行判斷，統(tǒng)計(jì)所有特征點(diǎn)中的內(nèi)外點(diǎn)信息；同時(shí)統(tǒng)計(jì)模型建構(gòu)點(diǎn)集中被歸為內(nèi)點(diǎn)的數(shù)目，同時(shí)與前一次模型比較，更新模型；得到最大迭代次數(shù)；完成一次迭代后，迭代次數(shù)+1；達(dá)到上限后跳出，輸出內(nèi)點(diǎn)信息；對輸入的特征點(diǎn)進(jìn)行標(biāo)記，被判斷為內(nèi)點(diǎn)的，即被成功跟蹤，保留處理，被判斷為外點(diǎn)的，即跟蹤失敗，清除處理。本發(fā)明同時(shí)提升了原算法的精度和運(yùn)算速度。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)RANSAC方法對視 頻流的外點(diǎn)剔除方法。

背景技術(shù)

外點(diǎn)剔除一直是計(jì)算機(jī)視覺領(lǐng)域里的熱點(diǎn)問題，在各種圖像處理問題中都占 據(jù)重要的位置。以VSLAM系統(tǒng)為例，前端特征點(diǎn)法VIO會對物體提取特征點(diǎn)來 估計(jì)相機(jī)的位姿，這同時(shí)帶來一個(gè)嚴(yán)峻的挑戰(zhàn)，就是特征點(diǎn)的匹配問題。在進(jìn)行 定位的過程中，首先要對相鄰兩幀圖像中提取的特征點(diǎn)進(jìn)行匹配，但是由于匹配 問題的復(fù)雜性與規(guī)模的龐大性，經(jīng)常會帶來誤匹配的問題；同時(shí)由于空間中可能 存在的物體運(yùn)動或是測量誤差，即便是正確匹配的特征點(diǎn)，也無法進(jìn)行良好的三 角測量。這個(gè)問題嚴(yán)重影響了后續(xù)的位姿還原過程，降低了基礎(chǔ)矩陣(Fundamental matrix)或者單應(yīng)矩陣(Homography matrix)的計(jì)算精度。

請參閱圖6，傳統(tǒng)上對于誤匹配的特征點(diǎn)，一般采取隨機(jī)抽樣一致(RANdom SAmpleConsensus，RANSAC)方法進(jìn)行剔除操作，這個(gè)方法被廣泛應(yīng)用于各種 場景的剔除外點(diǎn)，是個(gè)非常有效的方法。它可以從一組包含“局外點(diǎn)”的觀測數(shù)據(jù) 集中，通過迭代方式估計(jì)數(shù)學(xué)模型的參數(shù)。整個(gè)這個(gè)過程為迭代一次，此過程被 重復(fù)執(zhí)行固定的次數(shù)，每次產(chǎn)生的模型有兩個(gè)結(jié)局：1、要么因?yàn)榫謨?nèi)點(diǎn)太少， 還不如上一次的模型，而被舍棄；2、要么因?yàn)楸痊F(xiàn)有的模型更好而被選用。

傳統(tǒng)的RANSAC方法一直存在迭代次數(shù)高，計(jì)算量大和耗時(shí)過久的弊端。 現(xiàn)有方法中涉及到的生長函數(shù)與相似度判別準(zhǔn)則對于不同的問題是很難進(jìn)行選 擇的，嚴(yán)重限制了這種方法的應(yīng)用面與性能。由于在VSLAM追蹤過程中，機(jī)器 人會經(jīng)過非常多的環(huán)境，因此不同時(shí)刻采集到的數(shù)據(jù)差別很大，會導(dǎo)致不同時(shí)刻 特征點(diǎn)的閾值差別很大，即N_m難以確定，因此RANSAC方法在應(yīng)用時(shí)還存在 跳出判別條件困難的情況，現(xiàn)有的參數(shù)在VSLAM的連續(xù)系統(tǒng)中是不斷變化的， 因此一直以來應(yīng)用效果并不理想。同時(shí)傳統(tǒng)的應(yīng)用RANSAC進(jìn)行外點(diǎn)剔除時(shí)， 會應(yīng)用八點(diǎn)法進(jìn)行本質(zhì)矩陣的估計(jì)，八點(diǎn)法的特征是應(yīng)用最小二乘法，可以盡可 能尋找一個(gè)符合大多數(shù)特征點(diǎn)的本質(zhì)矩陣，這樣有利于方法的穩(wěn)定收斂，但是會 存在為了外點(diǎn)污染模型的情況，降低模型的精度。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題在于針對上述現(xiàn)有技術(shù)中的不足，提供一種基于 改進(jìn)RANSAC方法對視頻流的外點(diǎn)剔除方法，應(yīng)用于VINS-mono開源VSLAM方 法中，取得很好的效果。

本發(fā)明采用以下技術(shù)方案：

一種基于改進(jìn)RANSAC方法對視頻流的外點(diǎn)剔除方法，包括以下步驟：

S1、提取視頻流的特征點(diǎn)并跟蹤，更新跟蹤次數(shù)；

S2、對特征點(diǎn)連續(xù)跟蹤次數(shù)進(jìn)行統(tǒng)計(jì)判斷，將跟蹤次數(shù)大于等于α的所有特 征點(diǎn)歸類為模型建構(gòu)點(diǎn)集S_cons，將跟蹤次數(shù)小于α的點(diǎn)歸類為模型驗(yàn)證點(diǎn)集S_veri；

S3、從步驟S2中歸類的模型建構(gòu)點(diǎn)集S_cons中隨機(jī)選取可計(jì)算模型參數(shù)的最小 數(shù)據(jù)進(jìn)行模型擬合，計(jì)算基礎(chǔ)矩陣模型；