CN115222961A - 一种用于影像基础矩阵不确定性的评估方法 - Google Patents
一种用于影像基础矩阵不确定性的评估方法 Download PDFInfo
- Publication number
- CN115222961A CN115222961A CN202211135715.9A CN202211135715A CN115222961A CN 115222961 A CN115222961 A CN 115222961A CN 202211135715 A CN202211135715 A CN 202211135715A CN 115222961 A CN115222961 A CN 115222961A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- representing
- image basis
- basis matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于影像基础矩阵不确定性的评估方法,属于影像重构三维模型技术领域,包括如下步骤:基于立体像对的特征提取点,得到影像基础矩阵F的非齐次8维矢量;基于非齐次8维矢量、矩阵微分理论和立体像对中特征匹配点对的坐标矩阵X,得到影像基础矩阵F的协方差;基于影像基础矩阵F的协方差,构建影像基础矩阵F不确定性函数;基于非齐次8维矢量中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性评估结果;本发明通过直接量化函数来判定影像基础矩阵F的不确定性,解决了影像重构三维模型中数据源或算法参数对影像基础矩阵F不确定性判断影响的问题。
Description
技术领域
本发明属于影像重构三维模型技术领域,尤其涉及一种用于影像基础矩阵不确定性的评估方法。
背景技术
影像基础矩阵F是指同一场景两幅影像之间存在的几何关系。在计算机视觉中,影像基础矩阵F可以用来消除错误对应点,也可以用来计算未标定图像的相机内外参数,还可以用来建立三维建模,计算影像基础矩阵F是利用未校准影像重建三维模型过程中的关键步骤与环节。
影像基础矩阵F首次由Longuet-Higgins作为一种描述未校准影像之间关系的影像基础矩阵F提出;然后,出现了大量的影像基础矩阵F估计算法,大致可分为线性法、迭代法和鲁棒法,即使对应点匹配在错误的对应点(离群点)上,使用鲁棒法也能够得到较高的估计精度,其中用于剔除离群点的RANSAC法被广泛应用于影像基础矩阵F估计中;随后,许多学者提出了多种改进方法,如LMeds估计法、L-1计算法、 MLESAC计算法、MAPSAC计算法、FSASAC计算法、PROSAC和Promeds计算法、DKF-RANSAC计算法等。
为了评估改进算法的准确性,目前常用的影像基础矩阵F误差判定方法有标准代数距离、对称几何距离等;当已知大量影像基础矩阵F时,可以用统计法以及分析法计算其协方差矩阵值;标准代数距离和对称极线误差方法属于间接度量影像基础矩阵F的不确定性;当对应点的精度较低时,评估得到的影像基础矩阵F的不确定性较大;而鉴于矩阵元素之间的相关性,9×9的协方差矩阵方法较难直观量化影像基础矩阵F的不确定值。虽然在矩阵分析中常常使用标量函数描述矩阵与实值函数之间一一映射关系,如:矩阵的范数、矩阵的二次型、迹、行列式和秩等,但这种方法忽略了协方差矩阵中各个元素之间的关联性。
另外,目前对于影像基础矩阵F不确定性的研究相比于对影像基础矩阵F算法的研究相对较少,但对于研究数据源或算法参数对影像基础矩阵F的影响十分重要,故有必要研究影像基础矩阵F不确定性的量化指标,构建一种直接量化函数来判定影像基础矩阵F的不确定性。
发明内容
针对现有技术中的上述不足,本发明提供的一种用于影像基础矩阵不确定性的评估方法,通过直接量化函数来判定影像基础矩阵F的不确定性,解决了影像重构三维模型中数据源或算法参数对影像基础矩阵F不确定性判断影响的问题。
为了达到上述发明目的,本发明采用的技术方案为:
本发明提供一种用于影像基础矩阵不确定性的评估方法,包括如下步骤:
S4、基于非齐次8维矢量中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性评估结果。
本发明的有益效果为:本发明提供的一种用于影像基础矩阵不确定性的评估方法,基于立体像对的特征提取点得到影像基础矩阵F的匹配模型,并通过非齐次处理和最小二乘法得到影像基础矩阵F的非齐次8维矢量;基于非齐次8维矢量、矩阵微分理论和立体像对中特征匹配点对的坐标,得到影像基础矩阵F的协方差;基于影像基础矩阵F的协方差构建影像基础矩阵F不确定性函数;通过获取非齐次8维矢量中影像基础矩阵F元素的最大值,并将其通过十进制缩放归一化原则转换后,基于影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性值,完成影像基础矩阵F不确定性的评估;本发明克服了现有技术当对应点的精度较低时,评估得到的影像基础矩阵F的不确定性较大,较难直观量化影像基础矩阵F的不确定值的问题,提供了一种直接量化方法来判定影像基础矩阵F的不确定性。
进一步地,所述步骤S1包括如下步骤:
S11、获取第一未校准立体影像和第二未校准立体影像,并将第一未校准立体影像和第二未校准立体影像构成立体像对;
S12、将第一未校准立体影像的特征提取点与对应的第二未校准立体影像的特征提取点进行匹配,得到若干个特征匹配点对,其中,各特征匹配点对均由一个第一图像特征匹配点a和一个第二特征图像匹配点b构成;
S13、基于第一图像特征匹配点a和第二特征图像匹配点b,计算得到影像基础矩阵F的匹配模型:
其中,T表示转置,x和y分别表示第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,表示第一影像基础矩阵F元素,表示第二影像基础矩阵F元素,表示第三影像基础矩阵F元素,表示第四影像基础矩阵F元素,表示第五影像基础矩阵F元素,表示第六影像基础矩阵F元素,表示第七影像基础矩阵F元素,表示第八影像基础矩阵F元素,表示第九影像基础矩阵F元素;
S14、将各特征匹配点对代入影像基础矩阵F的匹配模型,得到影像基础矩阵F的线性匹配模型:
S15、基于影像基础矩阵F的线性匹配模型和影像基础矩阵F元素,按行优先顺序排列的9维矢量f,得到特征匹配点线性组合模型:
其中,表示n组特征匹配点的9列向量内积矩阵,n表示特征匹配点对的总数,和分别表示第1个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第1个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值;
采用上述进一步方案的有益效果为:提供基于立体像对的特征提取点得到影像基础矩阵F的匹配模型,并通过非齐次处理和最小二乘法得到影像基础矩阵F的非齐次8维矢量的方法,为得到影像基础矩阵F的协方差提供基础。
进一步地,所述步骤S2包括如下步骤:
其中,表示非齐次8维矢量相对坐标矩阵X的微分矩阵的转置,表示坐标矩阵X的方差D X 的第一元素,表示坐标矩阵X的方差D X 的第二元素,表示坐标矩阵X的方差D X 的第三元素,表示坐标矩阵X的方差D X 的第四元素,表示坐标矩阵X的方差D X 的第五元素,表示坐标矩阵X的方差D X 的第六元素,表示坐标矩阵X的方差D X 的第七元素,表示坐标矩阵X的方差D X 的第八元素,表示坐标矩阵X的方差D X 的第九元素,表示坐标矩阵X的方差D X 的第十元素,表示坐标矩阵X的方差D X 的第十一元素,表示坐标矩阵X的方差D X 的第十二元素,表示坐标矩阵X的方差D X 的第十三元素,表示坐标矩阵X的方差D X 的第十四元素,表示坐标矩阵X的方差D X 的第十五元素,表示坐标矩阵X的方差D X 的第十六元素;
采用上述进一步方案的有益效果为:提供基于非齐次8维矢量、矩阵微分理论和立体像对中特征匹配点对的坐标,得到影像基础矩阵F的协方差的方法,为构建影像基础矩阵F不确定性函数,实现影像基础矩阵F不确定性的评估提供基础。
进一步地,所述步骤S3包括如下步骤:
S35、基于9维矢量f的成分载荷矩阵和特征重构法构建影像基础矩阵F不确定性函数:
采用上述进一步方案的有益效果为:提供构建影像基础矩阵F不确定性函数的构建方法,为得到影像基础矩阵F不确定性值,实现影像基础矩阵F不确定性的评估提供基础。
进一步地,所述步骤S4包括如下步骤:
S43、基于放大后的影像基础矩阵F和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性值;
S44、基于影像基础矩阵F不确定性值,得到影像基础矩阵F不确定性评估结果。
采用上述进一步方案的有益效果为:提供基于非齐次8维矢量中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函,得到影像基础矩阵F不确定性评估结果的方法,实现直接量化方法来判定影像基础矩阵F的不确定性。
附图说明
图1为本发明实施例中一种用于影像基础矩阵不确定性的评估方法的步骤流程图。
图2(a)为本发明实施例中影像基础矩阵F不确定性评估试验1的第一未校准立体影像。
图2(b)为本发明实施例中影像基础矩阵F不确定性评估试验1的第二未校准立体影像。
图2(c)为本发明实施例中影像基础矩阵F不确定性评估试验1的影像基础矩阵F基准图。
图3(a)为本发明实施例中影像基础矩阵F不确定性评估试验2的第一未校准立体影像。
图3(b)为本发明实施例中影像基础矩阵F不确定性评估试验2的第二未校准立体影像。
图3(c)为本发明实施例中影像基础矩阵F不确定性评估试验2的影像基础矩阵F基准图。
图4(a)为本发明实施例中影像基础矩阵F不确定性评估试验3的第一未校准立体影像。
图4(b)为本发明实施例中影像基础矩阵F不确定性评估试验3的第二未校准立体影像。
图4(c)为本发明实施例中影像基础矩阵F不确定性评估试验3的影像基础矩阵F基准图。
图5(a)为本发明实施例中通过影像基础矩阵F不确定性评估试验1结果得到的影像基础矩阵F不确定性值与对极几何误差对应关系示意图。
图5(b)为本发明实施例中通过影像基础矩阵F不确定性评估试验2结果得到的影像基础矩阵F不确定性值与对极几何误差对应关系示意图。
图5(c)为本发明实施例中通过影像基础矩阵F不确定性评估试验3结果得到的影像基础矩阵F不确定性值与对极几何误差对应关系示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,在本发明的一个实施例中,本发明提供一种用于影像基础矩阵不确定性的评估方法,包括如下步骤:
所述步骤S1包括如下步骤:
S11、获取第一未校准立体影像和第二未校准立体影像,并将第一未校准立体影像和第二未校准立体影像构成立体像对;
S12、将第一未校准立体影像的特征提取点与对应的第二未校准立体影像的特征提取点进行匹配,得到若干个特征匹配点对,其中,各特征匹配点对均由一个第一图像特征匹配点a和一个第二特征图像匹配点b构成;
S13、基于第一图像特征匹配点a和第二特征图像匹配点b,计算得到影像基础矩阵F的匹配模型:
其中,T表示转置,x和y分别表示第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,表示第一影像基础矩阵F元素,表示第二影像基础矩阵F元素,表示第三影像基础矩阵F元素,表示第四影像基础矩阵F元素,表示第五影像基础矩阵F元素,表示第六影像基础矩阵F元素,表示第七影像基础矩阵F元素,表示第八影像基础矩阵F元素,表示第九影像基础矩阵F元素;
S14、将各特征匹配点对代入影像基础矩阵F的匹配模型,得到影像基础矩阵F的线性匹配模型:
S15、基于影像基础矩阵F的线性匹配模型和影像基础矩阵F元素,按行优先顺序排列的9维矢量f,得到特征匹配点线性组合模型:
其中,表示n组特征匹配点的9列向量内积矩阵,n表示特征匹配点对的总数,和分别表示第1个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第1个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值;
所述步骤S2包括如下步骤:
其中,表示非齐次8维矢量相对坐标矩阵X的微分矩阵的转置,表示坐标矩阵X的方差D X 的第一元素,表示坐标矩阵X的方差D X 的第二元素,表示坐标矩阵X的方差D X 的第三元素,表示坐标矩阵X的方差D X 的第四元素,表示坐标矩阵X的方差D X 的第五元素,表示坐标矩阵X的方差D X 的第六元素,表示坐标矩阵X的方差D X 的第七元素,表示坐标矩阵X的方差D X 的第八元素,表示坐标矩阵X的方差D X 的第九元素,表示坐标矩阵X的方差D X 的第十元素,表示坐标矩阵X的方差D X 的第十一元素,表示坐标矩阵X的方差D X 的第十二元素,表示坐标矩阵X的方差D X 的第十三元素,表示坐标矩阵X的方差D X 的第十四元素,表示坐标矩阵X的方差D X 的第十五元素,表示坐标矩阵X的方差D X 的第十六元素;
所述步骤S3包括如下步骤:
预设贡献率阈值用于衡量新生成的分量对原始数据的信息保存程度,通常要求大于85%;
S35、基于9维矢量f的成分载荷矩阵和特征重构法构建影像基础矩阵F不确定性函数:
S4、基于非齐次8维矢量中影像基础矩阵F元素的最大值和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性评估结果;
所述步骤S4包括如下步骤:
S43、基于放大后的影像基础矩阵F和影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性值;
S44、基于影像基础矩阵F不确定性值,得到影像基础矩阵F不确定性评估结果。
影像基础矩阵F表示的是一个从二维到一维投影空间的映射,其秩必然等于2;影像基础矩阵F描述的是不同于两个未校准图像之间的真实位置关系的比例因素,因此,影像基础矩阵F表达的含义与倍的影像基础矩阵F表达的含义一致,鉴于以上考虑,除第九影像基础矩阵F元素F33外,本方案选取影像基础矩阵F剩余的8个元素中的最大值,通过十进制缩放归一化原则将其转换到(-1,-0.1)或者(0.1,1)之间,该转化过程得到放大转换系数,并用上述转换系数放大原始影像基础矩阵F值,将得到的结果进行处理得到的影像基础矩阵F不确定性值Ycom值即为本发明的结果值,该值被限制在(-1,+1)的范围内;
值得注意的是,特征向量u i 的方向未被完全定义,因此u i =-u i 。实际应用通过理论分析控制特征向量的方向,控制数据结果的变化规律。在后续应用过程中,通常控制u i 的方向与对极几何误差方向一致,当影像基础矩阵F不确定性值Y com 越接近1时,此时表明影像基础矩阵F不确定性值Y com 对应的影像基础矩阵F的误差越大。
本发明提供的一种用于影像基础矩阵不确定性的评估方法,基于立体像对的特征提取点得到影像基础矩阵F的匹配模型,并通过非齐次处理和最小二乘法得到影像基础矩阵F的非齐次8维矢量;基于非齐次8维矢量、矩阵微分理论和立体像对中特征匹配点对的坐标,得到影像基础矩阵F的协方差;基于影像基础矩阵F的协方差构建影像基础矩阵F不确定性函数;通过获取非齐次8维矢量中影像基础矩阵F元素的最大值,并将其通过十进制缩放归一化原则转换后,基于影像基础矩阵F不确定性函数,得到影像基础矩阵F不确定性值,完成影像基础矩阵F不确定性的评估;本发明克服了现有技术当对应点的精度较低时,评估得到的影像基础矩阵F的不确定性较大,较难直观量化影像基础矩阵F的不确定值的问题,提供了一种直接量化方法来判定影像基础矩阵F的不确定性。
本发明是选用主成分分析方法对9个元素的影像基础矩阵F进行降维处理,该方法会在增加可解释性的基础上,最大限度的减少信息损失。相比较使用矩阵分析理论用常用的标量函数度量来说,结果信息更全面更稳定可信。
本发明将影像基础矩阵F本身的9个元素转化至得到的2个或者1个综合性元素来量测其自身的不确定性;相对于影像基础矩阵F误差判定标准,如代数距离、对称几何误差等方法而言,本文发明受特征匹配点精度的影响较少,度量的影像基础矩阵F不确定值更能客观描述影像基础矩阵F本身的质量;相对于之前的协方差矩阵方法而言,本发明方法用标量函数直接度量了影像基础矩阵F的不确定性,相对于利用迹、行列式等标量函数度量而言,本发明是在顾及了影像基础矩阵F9个元素相关性的基础上,构建综合指数来度量影像基础矩阵F的不确定性。
实施例2
在本发明的另一个实施例中,在图像三维重建过程中,特征匹配点是影像基础矩阵F估计、相机参数和三维点云计算的直接数据源,其不确定性直接影响三维模型生产过程中的各个环节;在《计算机视觉中的多视几何》中明确指出:匹配点的不确定性取决匹配点的精度、数量和分布,为了研究特征匹配点分布对影像基础矩阵F的影响,即需要利用本方案“影像基础矩阵F不确定性度量指标”的成果进行研究;
将不同来源的立体像对提取的对应点(匹配点)作为数据源,若实验证明本发明与对极几何距离指标具有高度的相关度,则说明使用本方法可以直接用于度量影像基础矩阵F的不确定性;本次研究试验1选用中科院自动化所公开的一组立体像对(清华学堂),使用SURF特征提取算法和最近邻搜索算法提取如图2(a)、图2(b)和图2(c)所示的匹配点;
图2(a)为试验1的第一未校准立体影像,图2(b)为试验1的第二未校准立体影像,图2(c)为针对图2(a)和图2(b)构建了835对匹配点的影像基础矩阵F基准图,选取图2(c)中的三组匹配点集合分别运行RANSAC算法,将得到剔除错误的匹配点 W作为本次测试的数据源,再继续运行RANSAC算法100次(n = 100)以获得100个影像基础矩阵F,结合图2(c)中立体像对中特征匹配点对的坐标,通过本方案提供的用于影像基础矩阵不确定性的评估方法,计算得到100个对极几何误差,能够得到其与影像基础矩阵F不确定性值的对应关系,采用相同方法对试验2和试验3进行处理,其中,图3(a)为试验2的第一未校准立体影像,图3(b)为试验2的第二未校准立体影像,图3(c)为针对图3(a)和图3(b)构建了1962对匹配点的影像基础矩阵F基准图,图4(a)为试验3的第一未校准立体影像,图4(b)为试验3的第二未校准立体影像,图4(c)为针对图4(a)和图4(b)构建了3656对匹配点的影像基础矩阵F基准图,得到的影像基础矩阵F不确定性值与几何误差的对应关系分别如图5(a)、图5(b)和图5(c)所示,其中,图5(a)对应试验1中得到的影像基础矩阵F不确定性值与几何误差的对应关系,图5(b)对应试验2中得到的影像基础矩阵F不确定性值与几何误差的对应关系,图5(c)对应试验3中得到的影像基础矩阵F不确定性值与几何误差的对应关系;
根据图5(a)、图5(b)和图5(c)能够得到,影像基础矩阵F不确定性值Ycom与几何误差之间存在线性拟合关系,三组测试中影像基础矩阵F不确定性值Ycom与几何误差的相关度均达到近100%。因此可以说影像基础矩阵F不确定性值Ycom合理地描述了影像基础矩阵F的不确定性,需要说明的是:在三个测试中存在一些非线性点,这是因为使用RANSAC算法提取得到的匹配点集中包含了一些错误的对应点,导致对极几何误差存在较大的波动。
因此本发明是在排除错误匹配干扰的情况下,利用主成分分析方法将影像基础矩阵F本身9个元素进行综合转换得到的指标进行评价,相比现有的间接度量指标(几何误差)而言,本发明具有更强的稳定性和可信性。
Claims (5)
2.根据权利要求1所述的用于影像基础矩阵不确定性的评估方法,其特征在于,所述步骤S1包括如下步骤:
S11、获取第一未校准立体影像和第二未校准立体影像,并将第一未校准立体影像和第二未校准立体影像构成立体像对;
S12、将第一未校准立体影像的特征提取点与对应的第二未校准立体影像的特征提取点进行匹配,得到若干个特征匹配点对,其中,各特征匹配点对均由一个第一图像特征匹配点a和一个第二特征图像匹配点b构成;
S13、基于第一图像特征匹配点a和第二特征图像匹配点b,计算得到影像基础矩阵F的匹配模型:
其中,T表示转置,x和y分别表示第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,表示第一影像基础矩阵F元素,表示第二影像基础矩阵F元素,表示第三影像基础矩阵F元素,表示第四影像基础矩阵F元素,表示第五影像基础矩阵F元素,表示第六影像基础矩阵F元素,表示第七影像基础矩阵F元素,表示第八影像基础矩阵F元素,表示第九影像基础矩阵F元素;
S14、将各特征匹配点对代入影像基础矩阵F的匹配模型,得到影像基础矩阵F的线性匹配模型:
S15、基于影像基础矩阵F的线性匹配模型和影像基础矩阵F元素,按行优先顺序排列的9维矢量f,得到特征匹配点线性组合模型:
其中,表示n组特征匹配点的9列向量内积矩阵,n表示特征匹配点对的总数,和分别表示第1个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第1个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第一图像特征匹配点a在第一未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值,和分别表示第n个第二特征图像匹配点b在第二未校准立体影像的二维图像坐标系中的横坐标值和纵坐标值;
3.根据权利要求2所述的用于影像基础矩阵不确定性的评估方法,其特征在于,所述步骤S2包括如下步骤:
其中,表示非齐次8维矢量相对坐标矩阵X的微分矩阵的转置,表示坐标矩阵X的方差D X 的第一元素,表示坐标矩阵X的方差D X 的第二元素,表示坐标矩阵X的方差D X 的第三元素,表示坐标矩阵X的方差D X 的第四元素,表示坐标矩阵X的方差D X 的第五元素,表示坐标矩阵X的方差D X 的第六元素,表示坐标矩阵X的方差D X 的第七元素,表示坐标矩阵X的方差D X 的第八元素,表示坐标矩阵X的方差D X 的第九元素,表示坐标矩阵X的方差D X 的第十元素,表示坐标矩阵X的方差D X 的第十一元素,表示坐标矩阵X的方差D X 的第十二元素,表示坐标矩阵X的方差D X 的第十三元素,表示坐标矩阵X的方差D X 的第十四元素,表示坐标矩阵X的方差D X 的第十五元素,表示坐标矩阵X的方差D X 的第十六元素;
4.根据权利要求3所述的用于影像基础矩阵不确定性的评估方法,其特征在于,所述步骤S3包括如下步骤:
S35、基于9维矢量f的成分载荷矩阵和特征重构法构建影像基础矩阵F不确定性函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135715.9A CN115222961B (zh) | 2022-09-19 | 2022-09-19 | 一种用于影像基础矩阵不确定性的评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211135715.9A CN115222961B (zh) | 2022-09-19 | 2022-09-19 | 一种用于影像基础矩阵不确定性的评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115222961A true CN115222961A (zh) | 2022-10-21 |
CN115222961B CN115222961B (zh) | 2022-11-25 |
Family
ID=83617553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211135715.9A Active CN115222961B (zh) | 2022-09-19 | 2022-09-19 | 一种用于影像基础矩阵不确定性的评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222961B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000353244A (ja) * | 1999-06-10 | 2000-12-19 | Atr Ningen Joho Tsushin Kenkyusho:Kk | 基礎行列を求めるための方法、ユークリッド的な3次元情報の復元方法、および3次元情報復元装置。 |
US6741757B1 (en) * | 2000-03-07 | 2004-05-25 | Microsoft Corporation | Feature correspondence between images using an image pyramid |
CN104180818A (zh) * | 2014-08-12 | 2014-12-03 | 北京理工大学 | 一种单目视觉里程计算装置 |
CN110033046A (zh) * | 2019-04-17 | 2019-07-19 | 成都信息工程大学 | 一种计算特征匹配点分布可信度的量化方法 |
CN111815757A (zh) * | 2019-06-29 | 2020-10-23 | 浙江大学山东工业技术研究院 | 基于图像序列的大型构件三维重建方法 |
US20220187841A1 (en) * | 2020-12-10 | 2022-06-16 | AI Incorporated | Method of lightweight simultaneous localization and mapping performed on a real-time computing and battery operated wheeled device |
-
2022
- 2022-09-19 CN CN202211135715.9A patent/CN115222961B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000353244A (ja) * | 1999-06-10 | 2000-12-19 | Atr Ningen Joho Tsushin Kenkyusho:Kk | 基礎行列を求めるための方法、ユークリッド的な3次元情報の復元方法、および3次元情報復元装置。 |
US6741757B1 (en) * | 2000-03-07 | 2004-05-25 | Microsoft Corporation | Feature correspondence between images using an image pyramid |
CN104180818A (zh) * | 2014-08-12 | 2014-12-03 | 北京理工大学 | 一种单目视觉里程计算装置 |
CN110033046A (zh) * | 2019-04-17 | 2019-07-19 | 成都信息工程大学 | 一种计算特征匹配点分布可信度的量化方法 |
CN111815757A (zh) * | 2019-06-29 | 2020-10-23 | 浙江大学山东工业技术研究院 | 基于图像序列的大型构件三维重建方法 |
US20220187841A1 (en) * | 2020-12-10 | 2022-06-16 | AI Incorporated | Method of lightweight simultaneous localization and mapping performed on a real-time computing and battery operated wheeled device |
Non-Patent Citations (3)
Title |
---|
卞玉霞: "序列图像三维点云重建的不确定性研究", 《中国博士学位论文全文数据库信息科技辑》 * |
郑真真等: "一种采用最小平方中值的改进极线校正方法", 《遥感信息》 * |
马永壮 等: "基于射影空间的视觉基础矩阵鲁棒估计", 《机器人》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115222961B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Srivastava et al. | Monte Carlo extrinsic estimators of manifold-valued parameters | |
Xue et al. | Gradient magnitude similarity deviation: A highly efficient perceptual image quality index | |
CN113486708B (zh) | 人体姿态预估方法、模型训练方法、电子设备和存储介质 | |
CN107341776B (zh) | 基于稀疏编码与组合映射的单帧超分辨率重建方法 | |
Calvo et al. | A comparative study of principal component analysis techniques | |
CN107194873B (zh) | 基于耦合字典学习的低秩核范数正则人脸图像超分辨方法 | |
CN110675318B (zh) | 一种基于主结构分离的稀疏表示图像超分辨率重建方法 | |
CN108038852B (zh) | 一种基于联合稀疏表示模型的图像融合质量评价方法 | |
CN110555843A (zh) | 一种高精度的无参考融合遥感影像质量分析方法及*** | |
CN114254703A (zh) | 一种鲁棒的局部与全局正则化的非负矩阵分解聚类方法 | |
CN107808391A (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
Kalina | Three contributions to robust regression diagnostics | |
CN115222961B (zh) | 一种用于影像基础矩阵不确定性的评估方法 | |
Krupiński | Generating augmented quaternion random variable with generalized Gaussian distribution | |
CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
CN108416811B (zh) | 一种摄影机自标定方法及装置 | |
CN110363713B (zh) | 基于递归样本缩放和双线性因子分解的高光谱图像降噪方法 | |
Bartoli | On the non-linear optimization of projective motion using minimal parameters | |
CN107992453A (zh) | 一种用于非负l1范数约束优化的贝叶斯方法 | |
CN111968168B (zh) | 多分支可调节瓶颈卷积模块以及端对端的立体匹配网络 | |
CN112241740B (zh) | 一种特征提取方法及装置 | |
CN112396089A (zh) | 基于lfgc网络和压缩激励模块的图像匹配方法 | |
Graffelman | Quality statistics in canonical correspondence analysis | |
CN116523063B (zh) | 一种量子典型相关性分析方法 | |
Meng et al. | Camera motion estimation and optimization approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |