增量式参数化特征模型及其单目视觉导航.doc

精品文档（可编辑） 值得下载 PAGE1 / NUMPAGES1 增量式参数化特征模型及其单目视觉导航 0引言 通过摄像机所拍摄到的图像序列进行摄像机的自运动估计是计算机视觉理论和应用中一个非常关键的问题[1]。迄今为止，基于图像序列的自运动估计方法一般可以分为两类：基于图像序列特征匹配的非线性优化算法[2]和基于场景特征建模的滤波算法[3]。 第一类方法主要针对摄像机采集的图像序列进行特征提取和匹配，然后估计摄像机的自运动。这类方法通常采用非线性优化[4]及其对应的捆绑优化方法（bundle adjustment）得到导航参数的优化估计结果。然而，由于这类优化问题本身所具有的非凸特性，通常难以保证其优化结果的收敛性；第二类方法主要通过引入摄像机自运动等其他先验知识建立滤波器，减小导航参数不确定范围，提高导航参数估计精度[5]。 另外，为了解决单目导航中位移尺度的估计问题，通常需要知道场景的几何结构或者摄像机自身的速率大小[6]。文献[7]提出了一种半监督式学习的方法用于单目摄像机照片的深度估计，但是该方法的估计精度难以保证。对于场景特征参数化模型，当视差角很小的时候，传统的Euclid参数化模型会出现很大误差[8]；在其基础上建立的逆深度特征点参数化方法虽然能解决小视差问题，但是对于离摄像机距离很近的目标则会出现较大的深度估计误差[9]。 此外，这两种参数化模型均存在状态不可观测等问题，这将会使得运动参数估计误差积累和发散[10]。目前对于单目视觉导航这类维数高、强非线性系统，可观测性分析仍然主要依赖于20世纪70年代提出来的线性定常逼近方法（Piece Wise Constant System， PWCS）[11]或者Lie导数方法[12]。直到最近，才有研究提及对单目摄像机同时定位和地图构建[13]（Simultaneously Localization and Mapping， SLAM）以及惯性/视觉组合系统的可观测性分析[14]，却很少有研究对单目位姿估计模型的可观测性进行论述。 本文对场景特征建立了降阶模型，并对其进行了可观测性分析，通过实验验证了该导航方法的性能。