利用参照物基于SIFT的摄像机定位在多机环境和机器人的技术应用..docx

利用参照物基于SIFT的摄像机定位在多机环境和机器人的技术应用SIFT，即尺度不变特征转换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。关键字：相机姿态估计，相对位姿；摄像机标定，规模歧义，参考对象；地方特色，尺度不变特征转换，多摄像机环境，智能客房，机器人定位摘要：本文的贡献是，提出了一个统一的方法来提高定位和在一个新的环境中使用已经安装摄像头的机器人的感觉。用我们的方法可以在多摄像头的环境下任意定位摄像机。采用自动延长网络摄像头在线的，无人值守时，实时的方式。通过这种方式，所有的摄像机可用于提高场景的感知，并附加摄像机可以实时被添加，例如，删除盲点。为此，我们使用尺度不变特征变换（SIFT）和至少一个任意已知大小的参考对象，让相机定位。然后我们应用相对姿态估计的非线性优化并使用它来反复地校准摄像机网络以及本地化任意一个摄像机。例如多相机环境的手机或机器人。对此我们进行了综合评估，以及实际数据验证了该方法的适用性。引言近年来智能家居已经吸引了越来越多人的兴趣，例如，在办公环境下提高生产率，并协助人员危机应变中心。为达到此目的，必须确定房间中的人的身份（以及关注的视听焦点必须被估计）例如，呈现目前正在查看人的个性化信息。然而，这些应用依赖于信息的融合，该信息通过一组传感器提供，最重要的是麦克风和摄像机阵列。为了在这种环境下融合来自不同传感器的信息，有必要建立一个共同的坐标系并确定他们的外部参数。在下文中，我们专注于相机的传感器和在这一领域的离线标定方法应用最普遍（见参考文献）。不幸的是，这些方法通常需要耗时的手动程序。如果添加一个新的摄像头或移动一个摄像头，需要进行反复执行。本文在这方面的贡献是，通过分析如何使用已经校准相机的环境的观点本地化一个新的相机，从而使随后的传感器融合。例如，这里可以容易地扩展相机网络，允许可移动智能机器人的传感器信息的无缝集成，以及允许可移动智能机器人使用传感器的信息安装环境，以提高他们的认知能力。根据所提出的方法，我们能够确定只给出了一个已知的相机在全局坐标系与任意的基准对象中的新相机的绝对姿态。虽然我们专注于一个单一的已知相机可能会限制可实现的成果，方案中有大量相机具有广泛的重叠意见，我们选择这个作为重点。因为它能够使我们整合相机并只查看现场的部分，记录只有另外一个摄像头。这是特别重要的，如果摄像机的观点非常不同，或只有很少的相机使用。根据我们的经验，在大多数应用领域更现实。然而，我们的方法可以自然被扩展到具有多个视图的情况。为此，我们对所有合理的计算机配对计算的位置，随后聚合成对的定位结果。相反，大多数以前的工作，我们不依赖于特殊的校准模式或设备而是使用任意的引用对象代替。为此，只需要非常少量的用户交互来构建已知物体的适当的数据库。关于参考对象所需的信息可能会从互联网上自动收集，或在认知机器人领域，直接通过积极探索潜在对象获得。一旦该信息可用时，摄像机可以在任何时间完全自动定位。相关工作摄像机校准的研究领域，其中相机姿态估计是一个重要的方面，是一个众所周知的和研究课题，并相应地有许多不同的方法已经被提出（见参考文献）。 为了计算出相对姿势，根本矩阵已经计算过。归一和标准的8点算法，变体的7点算法，以及6点和5点算法进行比较。归一化8点算法比非归一化版本可充分执行和当在没有先验知识摄像机运动时推荐使用，即可以横向或向前移动。在大多数情况下5点算法可取得较好的结果，确认在（见参考文献），但前向运动有问题，结果很更糟。鉴于8点算法有着综合的优秀表现，我们的方法中使用8点算法。为了找到对应点，我们依靠罗威提出的SIFT特征匹配方法（见参考文献）。在相对位姿估计和现场重建的背景下，有被使用过（见参考文献）。在以前的工作中，（见参考文献）描述一种系统校准内在和外部会议室的网络摄像头的外部参数。他们使用了有点和其他标志物的盒子来校准相机。这导致了良好的准确度，对于大多数摄像机的摄像机位置小于1厘米。然而，为了执行校准大量的用户交互是必需的，相机对的手动选择，每个摄像机对必须专门放置校准框。（见参考文献）提出了一种技术，在多摄像机环境下校准，用较少的用户交互。他们使用一个亮点作为校准功能，用激光指针连接到它的小扩散的塑料片产生，而不是使用专用的标定物体或标记。他们的算法可以用来完全校准照相机网络，唯一的用户交互是通过工作容积挥舞着激光笔。阿斯兰等推行类似的方法来自动校准多台摄像机的外部参数（见参考文献）。他们发现人在房间里面走，在每个人头顶上用一个点作为校准功能，而不是一个亮点。相对位姿是对每对摄像头的估计，因此，使用全局误差最小化技术建立完整的相机网络。精度已经在不同的室