[發明專利]一種基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法

有效

• 申請號: 202010923785.5
• 申請日: 2020-09-04
• 公開（公告）號: CN112102475B
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 楊寧;張子騰;郭雷
• 申請（專利權）人: 西北工業大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06V10/46;G06V10/75
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 王鮮凱

1.一種基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法，其特征在于步驟如下：

步驟1，空間目標多視圖圖像匹配：

(1)對空間目標多視圖進行尺度不變特征SIFT提取，生成128維特征向量作為匹配初始條件：使用短代碼進行哈希查找以進行粗略搜索，將所有圖像中的所有特征點都嵌入到具有局部敏感哈希LSH的m位二進制碼中；對于圖像I中的特征點p，為了在圖像J中找到其對應匹配點，使用m位二進制碼構造具有一組桶的查找表，并返回所有落入與點p相同桶的在圖像J中的點；

(2)在哈希查詢階段完成粗略搜索之后進行精確搜索，計算每個候選樣本之間的歐幾里德距離，使用大于m位哈希函數將哈希查詢階段提供的候選樣本重新映射到漢明空間；

(3)根據查詢的漢明距離對候選樣本進行排序，選擇前Top_k項作為最終候選者；在找到前k項候選者后，根據歐幾里德距離找到其中最近的兩個項，并通過篩選Lowe′s比率進行匹配；

步驟2，空間目標多視圖軌跡跟蹤：

對步驟1得到多視圖匹配對應關系，為每一個匹配特征創建單例，每個成對匹配需要包含它們的兩個特征的并集，利用并查集建立用于關聯對應關系的連接函數，建立結構模型圖G，其中特征點視為圖的頂點而關聯關系視為圖的邊緣；集合由特征點組成，包含圖像的ID編號和特征點ID編號，表示為features{ImageID,FeatureID}＝sets，集合的關聯代表左右鄰近視圖的匹配關系，表示為：

{LeftFeature,RightFeature}＝setsunion

所得到的圖G的連接關系就是軌跡，軌跡的長度為圖G邊緣數目；

步驟3，基于逆向抽樣一致性AC-RANSAC的重構模型估計：

根據步驟1得到多視圖匹配對應關系，步驟2得到多視圖軌跡長度，選擇軌跡長度最長的多視圖中鄰近視圖匹配點較多的圖像對作為初始重建圖像對；

利用初始重建圖像對的8組匹配點對進行相機模型計算即為三維稀疏重構結果：8組匹配對的選擇采用逆向抽樣一致性，AC-RANSAC搜索一個包含可控的虛警數NFA的共識集，虛警是一種偶發模型，需要定義背景模型Η0和剛度度量，所述Η0是一種隨機對應模型，在圖像中均勻分布的獨立點，剛度度量作為內點殘差的估計模型；

剛性模型中的NFA：

其中，k是內聯點對應的數量，n是匹配總數，N_sample是RANSAC樣本的基數，N_out是從RANSACN_sample進行對應樣本估計的模型數量，N_sample是N_out＝1；e_k(M)是所有n個對應關系中模型M的第k個最低誤差，α₀是具有誤差1像素的隨機對應的概率，d是誤差維度：當點到線距離時設為1，點到點距離時設為2；

利用最小化NFA代替傳統的最大化內部計數或最小化誤差中位數是AC-RANSAC的特點，模型的有效性需要滿足以下條件：

參數為ε，設定為1，模型M的內聯點/奇異點誤差閾值為e_k(M)，k最小化上式。

2.根據權利要求1所述基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法，其特征在于：所述步驟1中的m＝8or 10。

3.根據權利要求1所述基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法，其特征在于：所述步驟2中的Top_k＝2。

4.根據權利要求1所述基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法，其特征在于：所述步驟2中的lowe’s＝0.8or0.6。

5.根據權利要求1所述基于圖像序列軌跡跟蹤的空間目標三維稀疏重構方法，其特征在于：所述內聯點對應的數量k取值為8。