1.一种全景图特征匹配精度优化的方法,其特征是,包括如下步骤:
步骤(1):输入两幅全景图像:参考全景图像和目标全景图像;
步骤(2):每幅全景图像均提取若干个虚拟普通图像;
步骤(3):建立L层图像金字塔;
步骤(4):若干个虚拟普通图像作为输入,运行三维重建软件PMVS,得到相机参数和原始特征匹配结果;
步骤(5):从第L层图像金字塔开始,基于PMVS得到的3D点云,进行目标全景图像的特征匹配优化;
步骤(6):判断是否所有3D点都经过处理,若是就进入步骤(7);若否就返回步骤(5);
步骤(7):判断是否所有L层图像金字塔都迭代完,若是就采用光束平差法改善相机参数,进入步骤(8);若否,则L=L-1,返回步骤(5);
步骤(8):判断主循环次数是否等于设定次数,若是就将优化后的pij投影到目标全景图像上,最终获得精确的特征匹配;若否就返回步骤(4)。
2.如权利要求1所述的方法,其特征是,所述步骤(2)的虚拟普通图像就是虚拟的普通图像,虚拟的普通图像通过全景图像投影得到的,包括位置的坐标和代表颜色信息的矩阵。
3.如权利要求1所述的方法,其特征是,所述步骤(2)的步骤为:
(21)首先找到虚拟普通图像上的点与球面上点的投影关系;
(22)得到普通图像与球形模型之间的投影关系后,普通图像上每一点的颜色即是该点所对应的球面坐标处的颜色值,为普通图像上每一个坐标填充颜色,就将普通图像提取出来。
4.如权利要求3所述的方法,其特征是,步骤(21)的步骤为:
(211)忽略图像旋转,假设虚拟普通图像的中心在X轴上,且虚拟普通图像相切于球面;
(212)将虚拟普通图像上的一点p′影到单位球上,为m′;
(213)通过视角α和β,计算出旋转矩阵R;
(214)最终m的坐标为m=Rm′。
5.如权利要求1所述的方法,其特征是,所述步骤(3)的步骤为:对参考全景图像、目标全景图像、若干个虚拟普通图像均建立L层图像金字塔,第L层表示当前的图像是原图像的1/2L。
6.如权利要求1所述的方法,其特征是,所述步骤(4)的相机参数包括焦距和相机中心。
7.如权利要求1所述的方法,其特征是,所述步骤(5)的步骤为:
步骤(51):从第L层图像金字塔开始,以每一个3D点Pi为中心构造一个长方形3D区域Qi,按照设定步长对长方形3D区域Qi进行采样,使长方形3D区域Qi投影到任意2D普通图像上产生n*n的色块qij;i的参数含义是第i个点,j的参数含义是第j幅图像;
步骤(52):将色块qij投影到对应的参考全景图像和目标全景图像上;
步骤(53):通过对比投影到参考全景图像的2D纹理Wr(i,j)和投影到目标全景图像上的2D纹理Wt(i,j),修改目标全景图像上的特征坐标点pij;给每个目标全景图像上的色块一个偏移量Wtar(i+Δi,j+Δj),通过NCC算法搜索目标全景图像上与参考全景图像的2D纹理Wr(i,j)最为匹配的位置。
8.如权利要求7所述的方法,其特征是,所述步骤(52)的步骤为:
将色块qij投影到对应的参考全景图像上,得到坐标,然后根据坐标采用双线性差值得到当前坐标的颜色值,并将当前坐标的颜色值存储到n*n*3的W(i,j)矩阵中,得到参考全景图像的2D纹理Wr(i,j);
将色块qij投影到对应的目标全景图像上,得到坐标,然后根据坐标采用双线性差值得到当前坐标的颜色值,并将当前坐标的颜色值存储到n*n*3的W(i,j)矩阵中,得到目标全景图像上的2D纹理Wt(i,j)。
9.如权利要求7所述的方法,其特征是,所述普通图像就是RGB图像。
10.一种全景图特征匹配精度优化的统,其特征是,包括:
输入模块:输入两幅全景图像:参考全景图像和目标全景图像;
提取模块:每幅全景图像均提取若干个虚拟普通图像;
图像金字塔建立模块:建立L层图像金字塔;
原始特征匹配获取模块:若干个虚拟普通图像作为输入,运行三维重建软件PMVS,得到相机参数和原始特征匹配结果;
特征匹配优化模块:从第L层图像金字塔开始,基于PMVS得到的3D点云,进行目标全景图像的特征匹配优化;
第一判断模块:判断是否所有3D点都经过处理,若是就进入第二判断模块;若否就返回特征匹配优化模块;
第二判断模块:判断是否所有L层图像金字塔都迭代完,若是就采用光束平差法改善相机参数,进入第三判断模块;若否,则L=L-1,返回特征匹配优化模块;
第三判断模块:判断主循环次数是否等于设定次数,若是就将优化后的pij投影到目标全景图像上,最终获得精确的特征匹配;若否就返回原始特征匹配获取模块。