立体定位算法实现目标准确定位

在本节中,我们将对目标在地面测试图中进行定位。首先,利用立体化算法计算目标在固定摄像机坐标系中的三维位置[X_w,Y_w,Z_w]。然后,按以下方式得到目标在测试图中的位置[X_m,Y_m]：

[X_m,Y_m,1]=H^w_m×[X_w,Y_w,1], （15.5）

其中,H^w_m表示一个单应性矩阵,也就是,部分已知点（如角点、标志点、顶点）的地面位置[X_w,Y_w]的齐次坐标和它们各自在测试图上的位置之间存在一个单应性矩阵。

有许多计算两个平面视场之间单应性的方法。例如,基于直接线性变换（DLT）或者奇异值分解（SVD）的技术。本节中,我们已经使用IRST算法得到了所希望的鲁棒单应性。和传统的最小二乘法相比,这种算法对异常值不够敏感,最小化异常值的影响可以提供鲁棒的单应性。

本文中,基于立体化过程实现目标的定位。根据目标在世界坐标系中的坐标[X_w,Y_w,Z_w],计算目标的三维位置。在校正立体图像对之后,紧接着计算匹配对之间的视差。我们仅仅计算与目标有关的像素之间的视差。由于目标检测是在静态摄像机获取的图像中进行的,所以将其匹配像素的搜索范围限制在PTZ摄像机获取图像的相应极线上（如图15.3）。对于静态摄像机所获取图像I_s中的目标像素,以任一目标像素为中心形成一个奇数维的小窗口,并使之固定不动,该小窗口与PTZ摄像机所获取图像I_d上的某一窗口进行比较,并计算它们之间的相似度,注意I_d上的窗口可以沿着相应的水平扫描线（极线）移动。利用归一化的SSD测度,来比较窗口之间的相似性,归一化的SSD测度度量图像灰度之间的差：

图15.3 改进的立体匹配方法(www.xing528.com)

其中,ξ∈[-n,n],η∈[-m,m],像素（x,y）的视差估计值使得SSD的误差达到最小：

d₀（x,y）=argminC（x,y,d）

然而,注意到,对于每个视差,平方差仅需要计算一次,当窗口移动一个像素的时候,不需要对窗口重新求和。当目标在左右图像上的位置之间的视差d被计算出来以后,目标Z_w沿着光轴到摄像机的距离可以使用以下公式计算出来：

其中,f_r是校正后图像对的焦距,B表示基线距离。将静态摄像机所获取图像上的目标位置表示为（x_s,y_s）,该位置能以摄像机的光轴为基准,统一表示为

一旦估计出目标的三维位置后,即可利用式（15.5）在测试图上进行定位。下一节,不同情况下的实验结果说明了该架构的可用性。