【机器视觉】单目测距—

【机器视觉】单目测距——运动结构恢复

news2025/6/12 23:15:11

ps：图是随便找的，为了凑个封面

前言

在前面对光流法进行进一步改进，希望将2D光流推广至3D场景流时，发现2D转3D过程中存在尺度歧义问题，需要补全摄像头拍摄图像中缺失的深度信息，否则解空间不收敛，存在无穷解。

由于开发的产品面向普通用户，暂时不考虑深度相机或者激光雷达。

数学建模

现已知信息：

连续的两帧图像 $I_1,I_2$
相机内参矩阵 $K$
$n$ 对匹配的特征点 $x_1^i\leftrightarrow x_2^i$ ，其中 $x_1^i = (u_1^i,v_1^i),x_2^i = (u_2^i,v_2^i)$

未知信息：

前后帧相机旋转矩阵 $R$ ，平移矩阵 $t$

求解目标：

计算特征 $x^i$ 在 $I_1$ 中的深度 $Z_1^i$

极几何约束

关于对极几何部分，在上一篇文章中有提到：【机器视觉】摄像头运动估计——对极几何https://blog.csdn.net/weixin_73858308/article/details/148403073?spm=1001.2014.3001.5501 由于相机运动参数 $R,t$ 未知，但知道连续两帧之间存在运动，利用对极几何约束解空间。

归一化相机坐标系

$q_1^i=K^{-1}\begin{bmatrix} u_1^i \\ v_1^i \\ 1 \end{bmatrix},q_2^i=K^{-1}\begin{bmatrix} u_2^i \\ v_2^i \\ 1 \end{bmatrix}$

对极约束

$(q^i_2)^TEq_1^i=0$

估计本质矩阵

由于本质矩阵拥有7个自由度，以及构建超定方程组增强鲁棒性，选取至少8对特征点，即 $n \geq 8$ ，将对极约束展开：

$\begin{bmatrix} x_2^ix_1^i & x_2^iy_1^i &x_2^i &y_2^ix_1^i &y_2^iy_1^i & y_2^i & y_1^i &1 \end{bmatrix} e =0$

$e=\begin{bmatrix} E_{11} & E _{12} \cdots E_{33} \end{bmatrix}$

从本质矩阵分解 $R,t$

对本质矩阵进行SVD分解：

$E=U\begin{bmatrix} 1 & & \\ &1 & \\ & &0 \end{bmatrix} V^T$

三角计算深度

投影方程

在第一个相机坐标系下：

$X_1^i=Z_1^iq_1^i$

在第二个相机坐标系下：

$X_2^i=RX_1^i+t=Z_2^iq_2^i$

有方程：

$Z_2^iq_2^i=R(Z_1^iq_1^i)+t$

求解超定方程

$\begin{bmatrix} q_2^i & -Rq_1^i \end{bmatrix}^T\begin{bmatrix} q_2^i & -Rq_1^i \end{bmatrix}\begin{bmatrix} Z_2^i\\ Z_1^i \end{bmatrix}=\begin{bmatrix} q_2^i & -Rq_1^i \end{bmatrix}^Tt$

最终得到深度信息

基于光流的深度估计

这是另一种方法，取代了利用其它算法获取特征点，直接计算场景中所有点的深度信息。

具体思想是根据光流跟踪图像所有点的位移，将位移后位置作为特征点 $x_2$ 。

关于光流法，在另一篇文章中说明：【机器视觉】运动分析——LK光流https://blog.csdn.net/weixin_73858308/article/details/147956922?spm=1001.2014.3001.5501 由于已知条件为连续的两帧图像，满足光流基本假设，后续计算公式与上述对极方程，三角化方程相同，故不再赘述。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2407759.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！