安卓手机单目相机测距方案研究

安卓手机单目相机测距方案争论佚名【摘要】针对基于计算机视觉的安卓手机单目相机测距所面临的初始化尺度难题,提出访用步行者航迹推算算法进展尺度初始化的方案,并完成测距系统的设计与实现.该系统还融合了对极几何算法、捷联式惯性导航和步行者航迹推算算法,有效的在三角测量模型中对两位置的相机姿势进展初始化和边长估量到达测距目的.最终,通过重投影误差进展优化,增加测量精度.该争论一方面,另辟蹊径的提出步行者航迹且在小规模场景下测距精度高的优点.《电子设计工程》【年(卷),期】2023(027)002【总页数】5(P47-51)安卓手机;三角测量;对极几何;捷联式惯性导航;步行者航迹推算;重投影误差【正文语种】中文SLAM〔基于视〕系统成为了争论热点。手机测距与该争论异曲同工，两者的SLAM，测量精度SLAM3第一，依据参照物测距[7，24]。需要识别画面中大小的物体，依据画面中所已经训练好的物体，且计算量较大。[8]的测距方案。测距时需要走到待测目标位置，同时利用零速修正，积分求解距离。不支持不行到达目标的测距。[19-20]多张照片构建三维图像猎取目标距离，即手机版本的三角定位。优点是精度高；缺点是使用简单，需要携带其他外设。融合对极几何算法，SINSPDR[4]算法，实现只携带手机即可快速完成测距的效果。系统概述测距系统流程图如图1所示。数据输入模块包括，相机、加速度计、重力传感器、陀螺仪和磁强计。处理模块包括，计算机视觉中的对极几何、三角测量；惯性导航中的位移估量、姿势计算；优化的重投影误差。1测距系统流程图相机模块在两个位置拍摄图像传输给对极几何模块，通过对极几何模块求解手机姿位移估量模块计算步伐数量和估量步长。重力传感器、陀螺仪和磁强计输出手机坐标系三轴的重力加速度向量、旋转角速度向量和与正北方向的夹角，传输给姿势计算模块，输出手机姿势矩阵，这里称为惯性姿势矩阵。之后，将视觉姿势矩阵与惯[9][18]进展融合，视觉姿势矩阵作为估量值，惯性姿离估量值。计算机视觉对极几何对极几何[6]是求解2D-2D问题的方法。它是图像平面与以基线为轴的平面束交的几2ORB[16-17p1，p2的特征点中的一对。P为被映射的空间坐标点。从第一帧到其次帧的运动为Rt。O1，O2。依据针孔相机模型，有公式〔1〕和〔2〕，K然后，将公式〔1〕，〔2〕齐次化，并使用两个像素点的归一化平面坐标带入〔1〕，〔2〕可得公式〔3〕。的反对称矩阵。之后，〔3〕等式两边同时左乘以，可得公式〔4〕。E。本质矩阵的奇异值必定为的形式，可以使用八点法或最小二SVDR，t。2对极几何模型三角测量是通过测量目标点与固定基准线的两端点的角度测量目标距离的2R，t〔5〕即可求解目标s1。惯性导航惯性姿势计算惯性姿势计算是来源于捷联式惯性导航系统〔Strap-downInertialNavigationSystem，SINS〕[1-3，5]。传统的姿势计算模块只包含了陀螺仪，但是由于手机间内不发生严峻的漂移。3为测量值与姿势矩阵计算值进展滤波。3惯性姿势计算模块OENξOXYZα，βγ，对应的方向余弦表为Cα，CβCγ，3OXYZOENξ〔6〕表示。1CαCαX1N0ξ0Y1Z1sinαcosαE100cosα-sinα2CβZ1X1CβX2Y2Z2cosβ0sinβ-sinβ0cosβY10103CγCγXYZX2Y2cosγ-sinγ0sinγcosγ0Z2001b，b0Δtbtα，βγ，可用方向余弦矩阵表示该姿势变化，记为，如公式〔7〕所示。位移估量位移估量是从行人航迹推算算法〔PedestrianDead-Reckoning，PDR〕中分别amag[11]，它是三轴加速度的平方和开根号，如公式〔8〕所示。该加速度具有对方向不明感的特点，可以用于多种步态。速度的权值分解连续的步伐[10]，将单独步伐下的时间和加速度数据截取出来，然后用于下一步估量步长。一般状况下，步长估量使用步长、步频和加速度的方差的线性关系。符合公式〔9〕[12-14]所示。SL代表步长，f代表了步频，v代表加速度在一段步长内的方差；α，β，γ，α，βγ位移的中间位置可以通过如下公式〔10〕计算。通过迭代即可求解终点位置。Xk，YkXk+1，Yk+1，θk速度传感器计算获得。t〔0，0〕到终点〔Xt,Yt〕的距离，使用公式〔11〕计算。重投影误差重投影误差〔BundleAdjustment，BA〕[6]，是指从视觉重建中提炼出最优的点的空间位置做出最优调整之后，最终收束到相机光心的过程。BA式〔12〕表示。z，h〔ξ，p〕是抽象的观测方程，ξR，t数，pzijξipj〔13〕所示。试验分析Android8.06好坏对系统进展评估。视觉模块误差相机焦距已固定，试验场景如图4所示。在特征分布均匀，且不在同一平面下时，4412345678910/m1.231.341.521.82.802.903.20/m1.241.361.501.862.852.953.260.0080.0150.0130.0110.0090.0050.0160.0180.0170.0184试验场景0.020.050.20距离和远距离状况下尝试多种特征提取与匹配方式之后〔SIFT，ORBLK〕，觉察主要56所示。惯性模块误差与惯性数据。PDR5误率是每次试验单步距离与真实值之间的误差率的平均值。5良好匹配特征6特征集中同一平面50.0340.049304030.5738.84PDR系统误差BA66//0.0320.0340.0210.0460.0160.0550.0160.0510.0420.038123456789101.231.341.521.82.802.903.201.261.381.491.932.172.022.542.942.783.320.06PDR误差造成的。结论该测距系统在短距离和场景特征点分布均匀的状况下能够有效快速的完成目标测距，35程，提高了测距的速度。SLAMSLAM高能够有效估量目标的距离。【相关文献】郭访社，于云峰，刘书盼，等.捷联惯性导航系统姿势算法争论[J].航天掌握，2023，28〔1〕:37-39.秦永元.惯性导航[M].北京:科学出版社，2023.邓正隆.惯性技术[M].哈尔滨:哈尔滨工业大学出版社，2023.QianJ，MaJ，YingR，etal.Animprovedindoorlocalizationmethodusingsmart-phoneinertialsensors[C]//InternationalConfere-nceonIn-doorPositioningandIn-doorNaviga-tion.IEEE，2023:1-7.陈伟.基于四元数和卡尔曼滤波的姿势角估量算法争论与应用[D].秦皇岛：燕山大学，2023.[6SLAM[M].北京:电子工业出版社，2023.罗时间.基于单目测距技术的道路障碍物检测方法[J].软件，2023〔9〕:100-102.钟勇，关济昌，杨凡.基于智能手机感知室内有效位移的方法[J].计算机应用，2023，37〔7〕:2118-2123.叶锃锋，冯恩信.基于四元数和卡尔曼滤波的两轮车姿势稳定方法[J].传感技术学报，2023，25〔4〕:524-528.QianJ，MaJ，YingR，etal.RPNOS:Reliablepedest-riannaviga-tiononasmartphone[J].inGeoInfor-maticsinResourceManagementandSustainableEcosystem.Berlin，Ger-many:Springer-Verlag，2023:188-199.SusiM，RenaudinV，Lacha-pelleG.Motionmoderecogn-itionandstepdetectionalgorithmsformobilephoneusers[J].Sensors2023，13〔2〕:1539-1562.ChoSY，ChanGP.MEMSbasedpedestriannavigationsystem[J].JournalofNavigation，2023，59〔59〕:135-153.Wei-WenK，Ching-KunC，Jing-ShianL.Steplengthestimationusingwrist-wornaccelerometerandGPS[J].Proceedingofthe24thInternationalTechnicalMeetingofTheSatelliteDivisionoftheInstituteofNavigation，2023：3274-3280.RuizhiC，LingP，YuweiC.AsmartphonebasedPDRsolutionforindoornavigation[J].IONGNSS，2023:1404-1408.SIFT[J].计算机工程，2023，37〔2〕:210-212.[16ORB[J].电子世界，2023〔10〕:192.[17]LoweDG.DistincitiveimagefeaturesfromscaleinvariantKey-points[J].InternationalJournalofComputerVision，2023，60〔2〕:91-110.王帅，魏国.卡尔曼滤波在四旋翼飞行器姿势测量中的应用[J].兵工自动化，2023，30〔1〕:73-74.任继昌，杨晓东.基于角点检测的双目视觉测距方法[J].电光与掌握，2023，20〔7〕:93-95.[20ORB[J].工业掌握计算机，2023，30〔6〕:42-44.罗静云