SFM模型的全局一致性尺度恢复方法与流程

本申请涉及增强现实领域，特别是涉及一种sfm模型的全局一致性尺度恢复方法、系统、计算机设备和计算机可读存储介质。

背景技术：

1、目前，已经出现一些以图像作为主要数据来源来构建点云地图的方法，例如：通过运动恢复结构(sfm，structure from motion)进行“无真实尺度”的三维重建。

2、由于通过sfm算法建立的模型不具备真实尺度，在相关技术中，通常使用传感器(如gps)得到轨迹节点的地理位置，并将其转换到参考坐标系作为真实尺度参考，或者，利用相机到地面的高度作为真实尺度参考，或者，在场景中预先放置已知尺寸的真实物体，通过该真实物体提供真实尺度信息，以标定板为例，在sfm模型重建完成之后，检测标定板并根据标定板的尺度信息进行sfm模型的尺度恢复。

3、然而，上述方法1中完全信任传感器的输出结果，没有对异常值进行过滤，或者仅采用简单的均值过滤策略；方法2中相机到地面的高度作为尺度参考则可能存在较大的误差，因此，方法1和方法2均会导致真实尺度恢复的可靠性较差；方法3虽然能保障尺度恢复的精度，但是制作、放置标定板的过程步骤复杂，实现过程非常不便。

4、目前，针对相关技术中sfm模型的尺度恢复方法可靠性、便捷性较差的问题，尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了一种sfm模型的全局一致性尺度恢复方法、系统、计算机设备和计算机可读存储介质，以至少解决相关技术中sfm模型的尺度恢复方法准确性较差的问题。

2、第一方面，本申请实施例提供了一种sfm模型的全局一致性尺度恢复方法，其特征在于，所述方法包括：

3、分别构建各个轨迹数据集对应的全连接图，其中，所述全连接图包括所述轨迹集中各个位置节点组成的第一向量；

4、获取所述第一向量对应在sfm模型中的第二向量，根据所述第一向量和所述第二向量确定多组尺度观测；

5、基于所有尺度观测组成的观测数据集，进行全局一致性求解，得到全局最优尺度，并根据所述全局最优尺度对所述sfm模型进行尺度恢复。

6、在其中一些实施例中，基于所有尺度观测组成的观测数据集，进行全局一致性求解，包括：

7、基于所述观测数据集进行全局一致性投票，得到所有尺度观测之间的重合区间以及所述重合区间对应的的一致性票数；

8、对所述重合区间进行异常值过滤，得到内点尺度观测区间；

9、基于所述内点尺度观测区间，以及所述内点尺度观测区间对应的一致性票数，进行加权平均运算，得到所述全局最优尺度。

10、在其中一些实施例中，所述基于所述观测数据集进行全局一致性投票，得到所有尺度观测之间的重合区间以及所述重合区间对应的的一致性票数：

11、构建所述尺度观测对应的尺度元组，其中，所述尺度元组的首位元素是所述尺度观测，所述尺度元组的第二位元素，用于表示尺度元组相对于基数的类别；

12、根据各个尺度元组的首个元素，对所述尺度元组中进行升序排序；

13、根据所述升序排序之后的元组的第二位元素，通过o(n)复杂度函数，对所述重合区间进行投票，得到所述重合区间的一致性票数。

14、在其中一些实施例中，根据所述一致性票数，对所述重合区间进行异常值过滤，包括：

15、按照尺度观测由小到大的顺序，对所述重合区间进行排序，并根据排序结果确定四分位尺度以及四分位尺度距；

16、根据所述四分位尺度和所述四分位尺度距，确定异常观测范围；

17、在所述重合区间中，滤除所述异常观测范围内的重合区间，得到所述内点尺度观测区间。

18、在其中一些实施例中，所述方法还包括：获取所述内点尺度观测区间在所述尺度观测中的占比，根据所述占比信息确定所述sfm模型的建图尺度一致性。

19、在其中一些实施例中，所述分别构建各个轨迹数据集对应的全连接图之前，所述方法还包括：

20、通过跟踪系统对目标场景进行数据采集，得到所述轨迹数据集；

21、采集目标场景的图像数据，基于所述图像数据进行运动结构恢复，得到所述目标场景对应的sfm模型。

22、第二方面，本申请实施例提供了一种sfm模型的全局一致性尺度恢复系统，所述系统包括：确定模块和处理模块，其中

23、所述确定模块用于，分别构建各个轨迹数据集对应的全连接图，其中，所述全连接图包括所述轨迹集中的位置节点以及所述位置节点组成的第一向量，以及

24、确定所述第一向量对应在sfm模型中的第二向量，根据所述第一向量和所述第二向量确定多组尺度观测；

25、所述处理模块用于，基于所有尺度观测组成的观测数据集，进行全局一致性求解，得到全局最优尺度，并根据所述全局最优尺度对所述sfm模型进行尺度恢复。

26、在其中一些实施例中，所述处理模块包括预处理模块和尺度恢复模块，其中，

27、所述预处理模块用于，基于所述观测数据集进行全局一致性投票，得到所有尺度观测之间的重合区间以及所述重合区间对应的的一致性票数，以及对所述重合区间进行异常值过滤，得到内点尺度观测区间；

28、所述尺度恢复模块用于，基于所述内点尺度观测区间，以及所述内点尺度观测区间对应的一致性票数，进行加权平均运算，得到所述全局最优尺度。

29、第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。

30、第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。

31、相比于相关技术，本申请实施例提供的sfm模型的全局一致性尺度恢复方法，分别构建各个轨迹数据集对应的全连接图，其中，全连接图包括轨迹集中各个位置节点组成的第一向量；获取第一向量对应在sfm模型中的第二向量，根据第一向量和第二向量确定多组尺度观测；基于所有尺度观测组成的观测数据集，进行全局一致性求解，得到全局最优尺度，并根据全局最优尺度对sfm模型进行尺度恢复。通过本申请，相比较于采用简单的均值过滤策略的方法，通过本申请方案，将所有轨迹数据的向量标量观测放在一起，进行全局一致性求解，可以得到全局一致性更优的尺度结果，将该全局最优尺度用于sfm模型的尺度恢复，能够得到更加可靠的尺度恢复效果。

技术特征：

1.一种sfm模型的全局一致性尺度恢复方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，基于所有尺度观测组成的观测数据集，进行全局一致性求解，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述观测数据集进行全局一致性投票，得到所有尺度观测之间的重合区间以及所述重合区间对应的的一致性票数包括：

4.根据权利要求2所述的方法，其特征在于，根据所述一致性票数，对所述重合区间进行异常值过滤，包括：

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：获取所述内点尺度观测区间在所述尺度观测中的占比，根据所述占比信息确定所述sfm模型的建图尺度一致性。

6.根据权利要求1所述的方法，其特征在于，所述分别构建各个轨迹数据集对应的全连接图之前，所述方法还包括：

7.一种sfm模型的全局一致性尺度恢复系统，其特征在于，所述系统包括：确定模块和处理模块，其中

8.根据权利要求7所述的系统，其特征在于，所述处理模块包括预处理模块和尺度恢复模块，其中，

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的方法。

技术总结本申请涉及一种SFM模型的全局一致性尺度恢复方法，其中，该方法包括：分别构建各个轨迹数据集对应的全连接图，其中，全连接图包括轨迹集中各个位置节点组成的第一向量；获取第一向量对应在SFM模型中的第二向量，根据第一向量和第二向量确定多组尺度观测；基于所有尺度观测组成的观测数据集，进行全局一致性求解，得到全局最优尺度，并根据全局最优尺度对SFM模型进行尺度恢复。通过本申请方案，将所有轨迹数据的标量观测放在一起，进行全局一致性求解，可以得到全局一致性更优的尺度结果，将该全局最优尺度用于SFM模型的尺度恢复，能够得到更加可靠尺度恢复效果。技术研发人员：王成,贺飏,丛林受保护的技术使用者：杭州易现先进科技有限公司技术研发日：技术公布日：2024/7/29