摘要 : 目的全局式从运动恢复结构(structure from motion,SfM)通过运动平均一次性恢复所有相机的绝对位姿,效率相对较高。运动平均中的平移平均主要负责解算相机在世界坐标系下的绝对位置,其求解过程因尺度歧义性、估计敏感性和求解不确定性的影响而较为困难... 展开 目的全局式从运动恢复结构(structure from motion,SfM)通过运动平均一次性恢复所有相机的绝对位姿,效率相对较高。运动平均中的平移平均主要负责解算相机在世界坐标系下的绝对位置,其求解过程因尺度歧义性、估计敏感性和求解不确定性的影响而较为困难。本文提出了一种基于增量尺度估计的平移平均方法,在消除尺度歧义性的同时提升了求解鲁棒性与准确性。方法本文将平移平均问题解耦为3个子问题:1)局部绝对尺度的增量式估计;2)全局绝对尺度的增量式估计;3)基于L1优化的尺度已知的绝对位置估计。结果在1DSfM数据集上进行对比实验,基线解算精度明显提升,解算相机百分比的均值达到96%。当引入两种不同的绝对旋转进行计算时,其绝对位置中值误差仅略差于BATA(bilinear angle-based translation averaging)与CReTA(correspondence reweighted translation averaging),排名第3,均值误差改善更为明显,分别排名第1和第2。相较于原始方法,本文方法在相机解算数量与位置解算精度上均有较大提升。结论本文方法综合了尺度分离思想与增量式参数估计思想,既消除了尺度歧义性,又保证了鲁棒性与高效性,求解所得的相机绝对位置稳定可靠。 收起