一種減少圖像畸變的極線校正方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種減少圖像畸變的極線校正方法，包括使用雙目相機(jī)獲得左右兩張圖像，利用surf算法分別獲取左、右圖像對(duì)應(yīng)點(diǎn)的坐標(biāo)及尺度范圍；利用塊對(duì)一致性和隨機(jī)采用一致性進(jìn)行誤匹配點(diǎn)的刪除，得到基本矩陣；根據(jù)基本矩陣和左、右單應(yīng)性矩陣的關(guān)系，建立包含六個(gè)參數(shù)的用于極線校正的優(yōu)化函數(shù)；利用遺傳算法求解優(yōu)化函數(shù)的初值；利用金字塔搜索方法及圖像畸變性能指標(biāo)得到當(dāng)綜合誤差最小時(shí)的左單應(yīng)矩陣及右單應(yīng)矩陣；根據(jù)S5得到的左、右單應(yīng)性矩陣，利用雙線性插值求得校正后的圖像。本發(fā)明能夠有效減少極線校正后的圖像畸變。
【專(zhuān)利說(shuō)明】一種減少圖像畸變的極線校正方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于立體視覺(jué)領(lǐng)域，具體涉及一種減少圖像畸變的極線校正方法。

【背景技術(shù)】
[0002] 立體匹配是從立體圖像對(duì)中尋找對(duì)應(yīng)點(diǎn)，為了提高搜索速度，要求立體圖像對(duì)的 外極線位于同一水平線上，使兩攝像機(jī)校正成理想的平視雙目結(jié)構(gòu)。立體視覺(jué)的應(yīng)用研究 中，極線校正方法可應(yīng)用于立體匹配、3D電視的攝像機(jī)姿態(tài)處理等方面。
[0003] 現(xiàn)有的極線校正方法，可以分成兩類(lèi)，包括需要攝像機(jī)標(biāo)定的極線校正方法和弱 標(biāo)定的極線校正方法。利用攝像機(jī)標(biāo)定獲取內(nèi)部參數(shù)和外部參數(shù)，包括焦距、光心坐標(biāo)、旋 轉(zhuǎn)矩陣、平移矩陣等，利用物理意義明確的方法得到求解的單應(yīng)性矩陣。弱標(biāo)定的極線校正 方法，只通過(guò)兩圖像的匹配對(duì)應(yīng)點(diǎn)，求解兩個(gè)合適的單應(yīng)性矩陣進(jìn)行投影變換，讓對(duì)應(yīng)點(diǎn)不 存在堅(jiān)直方向的視差。
[0004] 經(jīng)典的弱標(biāo)定極線校正方法包括Hartley提出的一種直接操作對(duì)應(yīng)極點(diǎn)的方法 其算法思路是將其中一幅圖像（設(shè)定為右圖）的極點(diǎn)旋轉(zhuǎn)到X軸，再平移到無(wú)窮遠(yuǎn)，得到使 這幅圖像的所有極線與X軸平行的氏矩陣；根據(jù)兩校正后基本矩陣的關(guān)系推導(dǎo)出札矩陣的 參數(shù)形式；然后利用兩張圖像校正后的視差最小的約束來(lái)得到札矩陣。
[0005] Andrea Fusiello等認(rèn)為已知標(biāo)定參數(shù)的極線校正方法求得的單應(yīng)性矩陣是由無(wú) 窮遠(yuǎn)平面引入的，該方法不會(huì)引入額外的y方向視差，提出了 Quasi-Euclidean的極線校正 方法，將無(wú)窮遠(yuǎn)單應(yīng)性矩陣的結(jié)構(gòu)保留在優(yōu)化函數(shù)Sampson距離當(dāng)中，通過(guò)非線性?xún)?yōu)化得 到近似已知標(biāo)定參數(shù)理想情形的結(jié)果。這種方法依賴(lài)于基本矩陣的求解精度，當(dāng)存在誤匹 配時(shí)，會(huì)使極線校正結(jié)果出現(xiàn)較大的圖像畸變，損失匹配精度。


【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有技術(shù)存在的缺點(diǎn)與不足，本發(fā)明提供一種減少圖像畸變的極線校正 方法。
[0007] 本發(fā)明采用的技術(shù)方案：
[0008] -種減少圖像畸變的極線校正方法，包括如下步驟：
[0009] S1使用雙目相機(jī)獲取同一目標(biāo)的左、右兩張圖像，然后利用surf算法分別獲取 左、右圖像對(duì)應(yīng)點(diǎn)的坐標(biāo)及尺度范圍；
[0010] S2利用塊對(duì)一致性和隨機(jī)采用一致性進(jìn)行誤匹配點(diǎn)的刪除，得到基本矩陣；
[0011] S3根據(jù)基本矩陣和左、右單應(yīng)性矩陣的關(guān)系，建立包含6個(gè)參數(shù)的用于極線校正 的優(yōu)化函數(shù)；
[0012] S4利用遺傳算法求解優(yōu)化函數(shù)的初值；
[0013] S5利用金字塔搜索方法及圖像畸變性能指標(biāo)得到當(dāng)綜合誤差最小時(shí)的左單應(yīng)矩 陣及右單應(yīng)矩陣；
[0014] S6根據(jù)S5得到的左、右單應(yīng)性矩陣，利用雙線性插值求得校正后的圖像。
[0015] 如果側(cè)重極線校正結(jié)果，選擇省略S4。
[0016] 所述S2包括如下步驟：
[0017] S2. 1根據(jù)surf算法獲得對(duì)應(yīng)點(diǎn)的坐標(biāo)及尺度范圍，建立圓與圓之間的拓?fù)潢P(guān)系， 當(dāng)拓?fù)潢P(guān)系為相交和包含的時(shí)候建立對(duì)應(yīng)塊；
[0018] S2. 2保留左右兩圖相同對(duì)應(yīng)塊的相同特征點(diǎn)，剔除誤匹配點(diǎn)；
[0019] S2. 3將左或右圖像進(jìn)行數(shù)據(jù)分塊，從不同的分塊中抽取至少8組對(duì)應(yīng)點(diǎn)，減少初 始點(diǎn)過(guò)于密集的情況；
[0020] S2. 4利用隨機(jī)采樣一致性重復(fù)多次抽取對(duì)應(yīng)點(diǎn)，使用直接線性變換的8點(diǎn)算法得 到基本矩陣和剔除誤匹配點(diǎn)。
[0021] 所述S3具體為：將左、右單應(yīng)性矩陣采用quasi-Euclidean方法按照無(wú)窮遠(yuǎn)單應(yīng) 性矩陣的形式分解，并且利用Sampson距離建立6個(gè)參數(shù)的優(yōu)化函數(shù)，使用LM算法進(jìn)行非 線性?xún)?yōu)化，得到用于極線校正的優(yōu)化函數(shù)。
[0022] 所述S5具體為：
[0023] S5. 1設(shè)定最小縮放比例、最大縮放比例及縮放步長(zhǎng)；
[0024] S5. 2將對(duì)應(yīng)點(diǎn)坐標(biāo)進(jìn)行縮放，然后將優(yōu)化函數(shù)的6個(gè)參數(shù)初值設(shè)為S4所得結(jié)果， 即[0,0,0, 0,0，w+h]求解，其中，w表不圖像的寬度，h表不圖像的1?度，所屬左圖像和右圖 象的長(zhǎng)寬相等，運(yùn)算得到當(dāng)次搜索6個(gè)參數(shù)的解；
[0025] S5. 3利用6個(gè)參數(shù)的解得到左、右單應(yīng)性矩陣和誤差；
[0026] S5. 4對(duì)左、右單應(yīng)性矩陣進(jìn)行尺度的縮放
[0027]

【權(quán)利要求】
1. 一種減少圖像畸變的極線校正方法，其特征在于，包括如下步驟： S1使用雙目相機(jī)獲取同一目標(biāo)的左、右兩張圖像，然后利用surf算法分別獲取左、右 圖像對(duì)應(yīng)點(diǎn)的坐標(biāo)及尺度范圍； S2利用塊對(duì)一致性和隨機(jī)采用一致性進(jìn)行誤匹配點(diǎn)的刪除，得到基本矩陣； S3根據(jù)基本矩陣和左、右單應(yīng)性矩陣的關(guān)系，建立包含6個(gè)參數(shù)的用于極線校正的優(yōu) 化函數(shù)； S4利用遺傳算法求解優(yōu)化函數(shù)的初值； S5利用金字塔搜索方法及圖像畸變性能指標(biāo)得到當(dāng)綜合誤差最小時(shí)的左單應(yīng)矩陣及 右單應(yīng)矩陣； S6根據(jù)S5得到的左、右單應(yīng)性矩陣，利用雙線性插值求得校正后的圖像。
2. 根據(jù)權(quán)利要求1所述的一種減少圖像畸變的極線校正方法，其特征在于，如果側(cè)重 極線校正結(jié)果，選擇省略S4。
3. 根據(jù)權(quán)利要求1所述的一種減少圖像畸變的極線校正方法，其特征在于，所述S2包 括如下步驟： S2. 1根據(jù)surf算法獲得對(duì)應(yīng)點(diǎn)的坐標(biāo)及尺度范圍，建立圓與圓之間的拓?fù)潢P(guān)系，當(dāng)拓 撲關(guān)系為相交和包含的時(shí)候建立對(duì)應(yīng)塊； S2. 2保留左右兩圖相同對(duì)應(yīng)塊的相同特征點(diǎn)，剔除誤匹配點(diǎn)； S2. 3將左或右圖像進(jìn)行數(shù)據(jù)分塊，從不同的分塊中抽取至少8組對(duì)應(yīng)點(diǎn)，減少初始點(diǎn) 過(guò)于密集的情況； S2. 4利用隨機(jī)采樣一致性重復(fù)多次抽取對(duì)應(yīng)點(diǎn)，使用直接線性變換的8點(diǎn)算法得到基 本矩陣和剔除誤匹配點(diǎn)。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述S3具體為：將左、右單應(yīng)性矩陣采用 quasi-Euclidean方法按照無(wú)窮遠(yuǎn)單應(yīng)性矩陣的形式分解，并且利用Sampson距離建立6個(gè) 參數(shù)的優(yōu)化函數(shù)，使用LM算法進(jìn)行非線性?xún)?yōu)化，得到用于極線校正的優(yōu)化函數(shù)。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述S5具體為： S5. 1設(shè)定最小縮放比例、最大縮放比例及縮放步長(zhǎng)； S5. 2將對(duì)應(yīng)點(diǎn)坐標(biāo)進(jìn)行縮放，然后將優(yōu)化函數(shù)的6個(gè)參數(shù)初值設(shè)為S4所得結(jié)果，即 [0,0,0,0,0，w+h]求解，其中，w表示圖像的寬度，h表示圖像的高度，所屬左圖像和右圖象 的長(zhǎng)寬相等，運(yùn)算得到當(dāng)次搜索6個(gè)參數(shù)的解； S5. 3利用6個(gè)參數(shù)的解得到左、右單應(yīng)性矩陣和誤差； S5. 4對(duì)左、右單應(yīng)性矩陣進(jìn)行尺度的縮放
和：
式中，氏表示左單應(yīng)矩陣，Hr表示右單應(yīng)矩陣，S表示縮放比例 S5. 5根據(jù)圖像畸變的性能指標(biāo)得到綜合誤差err 1，并記錄為當(dāng)前最小值；
式中，errl表示綜合誤差，err表示Sampson的距離，下標(biāo)1代表左圖，下標(biāo)r代 表右圖，w是圖像的寬度，h是圖像的高度，Θ表示圖像中點(diǎn)連線的正交性，且當(dāng)圖 其中，err為求解得到的Sampson距離，
像沒(méi)有發(fā)生畸變的理想值Θ = 90 °，
，m = Hb-Hd，n = Hc-Ha，
rd表示對(duì)角線的長(zhǎng)寬比，當(dāng)圖像沒(méi)有發(fā)生畸變的理想值rd= 1，
，m = Hb-Hd,, η = Hc-Ha, a = (0,0,1),, b = (w, 0,1), c = (w, h, 1), d = (0, h, 1)； rwh表示圖像的縱橫比，當(dāng)圖像沒(méi)有發(fā)生畸變的理想值為寬/長(zhǎng)，
，m = Hb-Hd, , η = Hc-Ha,,

S5. 6按照縮放步長(zhǎng)改變縮放比例，縮放順序?yàn)閺拇蟮叫】s放，重復(fù)S5. 2-S5. 5,直到縮 放比例為最小時(shí)停止，所述當(dāng)次6個(gè)參數(shù)的初始值為上一次6個(gè)參數(shù)的解； S5. 7得到不同縮放比例下errl的最小值，并記錄當(dāng)errl最小時(shí)的左單應(yīng)矩陣及右單 應(yīng)矩陣。
6.根據(jù)權(quán)利要求1或4或5所述的方法，其特征在于，所述6個(gè)參數(shù)具體為 yu zu xK, yK, zK，f，f為相機(jī)的焦距，ypyH分別為左相機(jī)、右相機(jī)繞y軸旋轉(zhuǎn)的角度，ΖρΖκ分 別為左相機(jī)、右相機(jī)繞Ζ軸旋轉(zhuǎn)的角度，χ κ為右相機(jī)繞X軸旋轉(zhuǎn)的角度。
【文檔編號(hào)】G06T5/00GK104091308SQ201410262030
【公開(kāi)日】2014年10月8日 申請(qǐng)日期:2014年6月12日 優(yōu)先權(quán)日:2014年6月12日
【發(fā)明者】杜娟, 梁睿, 馮穎, 胡躍明 申請(qǐng)人:華南理工大學(xué)