论文部分内容阅读
基于单目视觉的三维环境重建与相机位姿计算问题，例如摄影测量，以及基于单目视觉的同步定位与地图创建(monocular SLAM，MonoSLAM)，是仅仅利用一个单目相机作为传感器，在得到自身位置姿态的同时，重建周围环境地图。而制约摄影测量以及monocular SLAM发展的瓶颈问题在于:空间特征表达与初始化、尺度漂移以及大规模问题求解。因此本文从这几个瓶颈问题出发，分别从参数化、光束法平差与子图融合三部分内容，为解决大规模三维环境重建与相机位姿计算问题提供了一种有效的方法。并为算法引入航空摄影测量提供了实验验证。 本文首先提出了一种新的基于视差角的参数化来表达特征点在空间三维中的位置。这种参数化无论相机在怎样的运动情况下，都可以可靠地表达深度较近以及较远的特征点。基于这种参数化，本文提出了一种新的基于视差角参数化的光束法平差(bundle adjustment，BA)算法。实验表明，这种新的参数化，与目前最流行的inverse depth参数化相比，具有更好的收敛性，尤其是当环境中存在相机运动方向上的特征点时。此外，本文还提出了一种新的子图融合算法，可以将本文提出的基于视差角参数化的光束法平差算法构建的子图，融合成全局环境地图。这种子图融合算法避免了全局光束法平差带来的巨大的计算量，并且可以在子图融合过程中，自动优化子图间的相对尺度因子，而没有信息丢失。大量的仿真实验与国外公布的具有厘米级精度真值的实际数据实验（2.2km轨迹），用来验证本文提出的光束法平差与子图融合算法的有效性、精确性和一致性。在实验中，仅用几次迭代，本文提出的光束法平差便可以收敛到全局最优解。而相对尺度因子优化的子图融合算法在几乎没有降低精度的情况下，大大减少了计算量。 为了在以直线结构为主的环境中同样实现基于单目视觉的同步定位与地图创建，本文提出了一种新的基于特征线的三维环境重建与相机位姿计算算法。其中，一条空间三维特征线被参数化为两对方位角与高程角，同时结合两个对应的相机中心作为锚点，因此使得特征线初始化相对来说更加直接与精确。因为这是一种最少变量表达方式，因此在状态向量中没有冗余变量。基于这种新的特征线参数化，本文同时提出了最小化特征线重投影误差的光束法平差算法，来解决仅使用特征线的monocular SLAM问题。运用相同的尺度因子优化的思想，本文提出了一种基于特征线的子图融合算法，仅利用特征线，在融合光束法平差建立的子图的同时，优化子图间的相对尺度。同样，一组模拟走廊环境的仿真实验与两组走廊环境的真实数据实验，用来证明本文提出的基于特征线的光束法平差与子图融合算法的精确性与一致性。 最后，利用基于视差角特征点参数化的光束法平差算法，本文对航空摄影测量数据进行实验验证。对于90张4航带DMC航空遥感图像、30万地面特征点数据，在没有将控制点引入平差过程的情况下，仅用Gauss-Newton，只需几次迭代算法便可以收敛。同时，引入地面控制点，部分为平差结果绝对定向，部分作为检查点评价实际精度。实验表明，基于视差角参数化的光束法平差可以达到平面0.13m和高程0.36m的精度。并对姿态变化较大的无人机航空摄影测量数据进行了正射拼接验证。