所筛选出的带有深度值的像素点位置进行优化，将优化后的带有深度值的像素点 加入地图中。
[0032] 进一步的优选方案，所述一种无人机实时地图重建方法，其特征在于:在无人机实 时地图重建过程中，通过卫星定位信号获得每一帧时刻下，无人机在世界坐标系下的轨迹 信息X n，n表示的是第η帧;并在无人机实时地图重建过程中，得到每一帧对应的相机在局部 坐标系下的位置Xn ;通过优化函数
[0033]
^ n=l
[0034] 得到优化函数取最小值对应的变换矩阵δ，其中N为无人机实时地图重建过程中的 总帧数，Τ(χη，δ)表示从局部坐标系到世界坐标系的投影转换函数，δ为从局部坐标系到世 界坐标系的变换矩阵;根据得到的变换矩阵S对应的投影转换函数，将重建得到的地图转换 到世界坐标系下。
[0035] 进一步的优选方案，所述一种无人机实时地图重建方法，其特征在于：当卫星定位 信号频率小于帧频时，对于每一个卫星定位信号采集时刻^，得到无人机在世界坐标系下 的轨迹信息Χ η;并用采集时刻^前后各一帧对应的相机在局部坐标系下的位置插值得到采 集时刻^下相机在局部坐标系下的位置χ η;通过优化函数
[0036]
[0037]得到优化函数取最小值对应的变换矩阵δ，其中Ν为卫星定位信号的总采集点数，Τ (Xn，S)表示从局部坐标系到世界坐标系的投影转换函数J为从局部坐标系到世界坐标系 的变换矩阵;根据得到的变换矩阵δ对应的投影转换函数，将重建得到的地图转换到世界坐 标系下。
[0038] 有益效果
[0039] 本发明提出的方法与诸多现有方法相比，无论是位置漂移量、角度漂移量还是绝 对误差都处于中上水平，本方法获取环境较多信息，而且与全稠密的方法相比，本方法的实 验精度依然能够达到使用标准，而且能够直接在CHJ上运行，不用要求GPU，实时性好。
[0040] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0041] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：
[0042]图1:三角化投影确定像素深度示意图；
[0043]图2:直接图像对齐方法示意图；
[0044]图3:失败重建示意图；
[0045]图4:图优化方法示意图；
[0046]图5:拟合卫星导航数据示意图；
[0047]图6:相机获取的一帧原始图像；
[0048]图7:实时重建的三维点云图；
[0049] 图8:使用无人机实时重建的地图；
[0050] 图9:拼接后的地图。
【具体实施方式】
[0051] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0052]本实施例中的无人机实时地图重建方法包括以下步骤：
[0053]步骤1:对相机获取的第一帧图像进行如下处理：
[0054]步骤1.1:用事先获取的标定数据对第一帧图像进行去畸变处理，得到去畸变后的 第一帧图像，用于后续处理。
[0055]步骤1.2:对去畸变后的第一帧图像进行深度初始化:根据设定的灰度梯度阈值， 筛选出去畸变后的第一帧图像中灰度梯度大于灰度梯度阈值的像素点，并赋予所筛选出的 像素点随机深度值;这样的随机处理并不会影响后面的重建精度，因为通过几十帧的处理 后，深度地图会逐渐趋近于一个准确的模型。
[0056]步骤1.3:根据相机参数将步骤1.2中赋予深度值的像素点反投影回三维环境，得 到初始化后的地图；
[0057]步骤1.4:将去畸变后的第一帧图像设置为关键帧；提取并存储关键帧中的特征 点。对于特征点检测的方法有:① SIFT、②SURF、③fast-corner(快速角点检测:通过高斯过 滤，再角点检测)等，由于本发明旨在应用于实时生成环境三维地图，程序注重实时性，而前 两种虽然精度高、效果好，但是其所需要的时间很长，不适合实时运行的情形，因此本步骤 以及后续步骤中都采用fast-corner来检测特征点。
[0058]步骤2:对相机实时获得的第i帧图像进行如下处理，i = 2,3,4……：
[0059]步骤2.1:对第i帧图像进行去畸变处理，得到去畸变后的第i帧图像。
[0060]步骤2.2:当第i帧图像数据加载进来后，系统以当前关键帧为基准（即跟踪基础）， 进行去畸变后的第i帧图像与基准的图像对齐操作，得到第i帧到当前关键帧的位姿变化。 [0061]由于帧率较高，相邻帧的差别（时间、空间）不是很大，在此假设在两帧这么小的时 间间隔内，同一个像素的光度值不发生改变(变化很小，忽略不计）。本文直接通过比较两幅 图像的光度值，通过最小化光度误差获得两帧间的位姿变化，即完成图像对齐操作：
[0062]先设定第i帧到当前关键帧的位姿变化的初始值。
[0063]根据第i帧到当前关键帧的位姿变化，将当前关键帧中筛选出的灰度梯度大于灰 度梯度阈值的像素点反投影到三维环境，再从三维环境投影到去畸变后的第i帧图像上，得 到投影点;并在去畸变后的第i帧图像上找到，当前关键帧中筛选出的灰度梯度大于灰度梯 度阈值的像素点的对应点;计算投影点与对应点的光度值残差和;迭代变化第i帧到当前关 键帧的位姿变化，使光度值残差和最小。
[0064]由于帧率较高，导致了两帧间的位姿变化量在一个小区域内是近似不变的，因此 可以采用第i_l帧到当前关键帧的位姿变化作为第i帧到当前关键帧的位姿变化的初始值。 [0065]利用相机的参数矩阵将像素点反投影到三维环境中是为了通过三角化，算出当前 帧（即第i帧）与当前关键帧的姿态变化，即SE(3)变换：SE(3)是一个4 X 4的矩阵，表示位置 和姿态变化(在相机投影方程中又称为外参矩阵）：
[0066]
[0067]这个矩阵主要分为两大部分，其中从aoo到a22为S0(3)，表示三维空间中姿态（角 度）的变化，从To到T2表示位置的变化，即（x，y，z)的变化量。SHO由SE(3)加上Scale参数组 成，S0(3)*s即可将SE(3)变成sno:
[0068]
[0069] s表示Scale参数，用于仿射变换。
[0070] 步骤2.3:根据当前关键帧对应的相机姿态，以及步骤2.2得到的第i帧到当前关键 帧的位姿变化，得到第i帧对应的相机姿态和相机在局部坐标下的位置。
[0071 ]步骤2.4:根据设定的灰度梯度阈值，筛选出去畸变后的第i帧图像中灰度梯度大 于灰度梯度阈值的像素点，并根据相机参数和步骤2.3得到的第i帧对应的相机姿态，将筛 选出的像素点反投影回三维环境，得到