本發(fā)明涉及一種純旋轉(zhuǎn)運動判定方法，具體地，涉及一種基于相交約束的純旋轉(zhuǎn)運動判定方法。
背景技術(shù)：
利用雙視圖計算位姿和三維重建是計算機視覺中的關(guān)鍵問題，也是組成復(fù)雜視覺系統(tǒng)的基礎(chǔ)技術(shù)，如即時定位與地圖構(gòu)建(slam)。在特定場景下，雙視圖之間的運動越明顯，位姿和三維重建的效果越好，越有利于slam系統(tǒng)的正常工作。當(dāng)雙視圖之間只存在純旋轉(zhuǎn)或近似純旋轉(zhuǎn)(位移/景深比很小)運動時，三維重建幾乎無法進行。準(zhǔn)確地判定出純旋轉(zhuǎn)運動，對提高視覺系統(tǒng)工作的魯棒性很有意義。
目前，計算機視覺領(lǐng)域通常采用單應(yīng)(homography)模型的內(nèi)點比例實現(xiàn)純旋轉(zhuǎn)運動的判別，但其閾值選取存在較大的任意性和模糊性，工程實用的效果不佳。
技術(shù)實現(xiàn)要素：
針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明的目的是提供一種基于相交約束的純旋轉(zhuǎn)運動判定方法，其利用了雙視圖成像幾何的相交約束(intersectionconstraint)，在純旋轉(zhuǎn)運動下，相交約束的理論值為零?？紤]到隨機噪聲的影響，使得該約束大于零與小于零的點對數(shù)目概率相等。
根據(jù)本發(fā)明的一個方面，提供一種基于相交約束的純旋轉(zhuǎn)運動判定方法，其特征在于，包括以下步驟：
步驟一：從雙視圖中提取正確的特征點對(xi,xi′),i＝1,2...,m，其中征點對的個數(shù)m≥4，xi和xi′分別為特征點對的歸一化齊次坐標(biāo)；
步驟二：定義矩陣，取矩陣對應(yīng)最小奇異值的奇異向量，并按照列的順序從奇異向量構(gòu)造3*3矩陣；
步驟三：對3*3矩陣進行奇異值分解；
步驟四：定義向量；
步驟五：計向量中大于零的元素個數(shù)為p，若p/m落在以0.5為中心的某區(qū)間內(nèi)，則斷定為純旋轉(zhuǎn)運動；若p/m接近0或接近1，則斷定為非純旋轉(zhuǎn)運動。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：本發(fā)明適用于個各種特征點結(jié)構(gòu)，如平面特征點結(jié)構(gòu)；相對于單應(yīng)矩陣的方法，本發(fā)明的純旋轉(zhuǎn)判定更加精細、準(zhǔn)確。
具體實施方式
下面結(jié)合具體實施例對本發(fā)明進行詳細說明。以下實施例將有助于本領(lǐng)域的技術(shù)人員進一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是，對本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明思的前提下，還可以做出若干變形和改進。這些都屬于本發(fā)明的保護范圍。
本發(fā)明基于相交約束的純旋轉(zhuǎn)運動判定方法包括以下步驟：
步驟一：從雙視圖中提取正確的特征點對(xi,xi′),i＝1,2...,m，其中征點對的個數(shù)m≥9，xi和xi′分別為雙視圖的歸一化坐標(biāo)；
從雙視圖中提取特征點，可采用各種主流的特征提取算法，如sift、surf或orb等，并使用隨機取樣一致性(ransac)等魯邦算法剔除錯誤匹配點對。
步驟二：定義矩陣，如式(1)：
其中
步驟三：對3*3矩陣q進行奇異值分解(svd)，即q＝uσvt＝(u1,u2,u3)σ(v1,v2,v3)t，其中σ為奇異值組成的對角陣；u和v為奇異值分解得到的正交矩陣，ui和vi(i＝1,2,3)分別為u和v的列向量；
步驟四：定義向量m，如式(2)：
其中，||·||表示向量的長度，det(·)表示矩陣的行列式；
步驟五：計向量m中大于零的元素個數(shù)為p，若p/m落在以0.5為中心的某區(qū)間內(nèi)，則斷定為純旋轉(zhuǎn)運動；若p/m接近0或接近1，則斷定為非純旋轉(zhuǎn)運動。
區(qū)間的長度設(shè)置取決于具體的判定精度要求。根據(jù)以往經(jīng)驗，取區(qū)間[0.4,0.6]可以有效地判定出純旋轉(zhuǎn)或近似純旋轉(zhuǎn)。
以上對本發(fā)明的具體實施例進行了描述。需要理解的是，本發(fā)明并不局限于上述特定實施方式，本領(lǐng)域技術(shù)人員可以在權(quán)利要求的范圍內(nèi)做出各種變形或修改，這并不影響本發(fā)明的實質(zhì)內(nèi)容。