视觉基础矩阵估计方法的性能比较与分析（完整版）实用资料(可以直接使用，可编辑完整版实用资料，欢迎下载）万方数据万方数据万方数据万方数据5.2数值仿真实验(1实验方法模拟透视成像摄像机,其内参数为K=被观测目标是200个3D点,随机分布在边长为360单位的立方体中,立方体中心距离摄像机光心600个单位。两台摄像机相对运动参数为:平移向量t=[40,o,o]7、旋转轴方向为Eo,0,1]7、旋转角度为10。。根据摄像机成像模型,将3D点投影到两个成像平面上,然后叠加零均值高斯噪声,其方差o(noisesigma从0到1变化,步长0.1,同时错误数据所占百分比r(outlierratio从o%到50%变化,步长10%。(2实验结果将几种典型方法计算结果的误差分布曲面显示在图3中。图3基础矩阵计算的仿真实验5.3真实图像实验(1实验方法图4真实图像对和初始特征点匹配首先.采用改进的Harris角点检测算法分别在左右两幅图像中检测特征点,然后,使用零均值相关系数(ZNCC匹配方法获得初始匹配;最后,将匹配结果作为输入数据计算两幅图像的基础矩阵。(2实验结果这里给出3组图像的实验结果。其中,Mars为室外自然景物(512X512,图4(a,Inria为室外人造建筑(512×256,图4(b,Desk为室内人造物(800X600,图4(c。图4中显示了初始匹配特征点及其视差向量。图中还显示了通过LMedS+MEst方法得到的部分极线。为便于比较,将数值仿真实验结果同真实图像的实验结果一并在表1中列出。表1基础矩阵计算的实验结果1-LinEig・2一LinLS,3-IterEig,4一herLS。5-GradEig。6-GradLS,7-NonParam.8-M—Est,9-RANSAC,10一LMedS,1卜M-Est+LMedSd=10o.00001000置:o.9931.0160.989r=u.J422=10‘.吉1.885f!?’36.55435.50232.07232.08144.45532.08131.3672.142o.990I.8861.839Man13.11313.20512.68612.88712.69112.88712.9000.8540.7590.872o.692Inria5.9795.9688.9317.4258.7717.4255.960Desk31.56829.88233.03830.41731.27739.4】629671l】9501178366613636分析与结论以仿真实验以及真实图像实验结果为依据,本文对不同的F矩阵计算方法有如下分析和结论。(1线性方法:如果特征点定位较精确并且没有错误匹配,那么可以得到很好的结果。但是,这类方法对错误匹配的鲁棒性非常差。(2非线性迭代方法:在一定程度上能够处理定位噪声的影响,但是实验结果表明改善效果不明显,同时,当存在错误匹配时,效率很低。(3参数空间优化方法:比线性方法和迭代方法好,但是同样不能处理错误匹配问题。(4鲁棒方法:能够同时处理数据噪声和错误匹配。当存在错误匹配时,M.Kstimator方法的性能有所降低,特别是对于Desk图像,由于初始匹配错误率较大导致聊s较大。这一现象证实了M—Estimator对定位噪声是鲁棒的,但是对错误数据的鲁棒性较差。相比之下,RANSAC和LMedS体现出较好的品质。(5如果使用LMedS方法预先剔除错误匹配,然后使用M—Estimator,可以得到最好的结果。(6同线性最dx_-乘优化方法比较,基于特征分析技术的优化方法效果更好。(下转・247・●印√叫j筋弱●OO∞O∞OO陌一万方数据Ｇｒａｐｈｉｃｓ，１９８４，１８（３）：卜１０２２３—２３１［５］ＰｒｕｓｉｎｋｉｅｗｉｃｚｏｆＰ，ＬｉｎｄｅｎｍｅｙｅｒＡ・ｅｔａ１．ＴｈｅＡｌｇｏｒｉｔｈｍｉｃＢｅａｕｔｙ［１１３ＨａｎｒａｈａｎＰ，ＬａｗｓｏｎＪ．Ａｌａｎｇｕａｇｅｆｏｒｓｈａｄｉｎｇａｎｄｌｉｇｈｔｉｎｇｃａｌ—Ｐｌａｎｔｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ．１９９０ｅｕｌａｔｉｏｎｓ［Ｊ］．Ｃｏｍｐｕｔｅｒ［１２］ＰｈａｒｒＧｒａｐｈｉｃｓ，１９９０，２４（４）：２８９—２９８［６］王辉．基于Ｌ系统的虚拟园林观赏树木生长建模研究［Ｄ］．长沙：中南林业科技大学，２００６：７－９Ｍ，ＨａｎｒａｈａｎＰ．Ｇｅｏｍｅｔｒｙｃａｃｈｉｎｇｆｏｒｒａｙ—ｔｒａｄｎｇｄｉｓ一Ｗｏｒｋｓｈｏｐｐｌａｃｅｍｅｎｔｍａｐｓ［Ｃ］∥Ｐｒｏｃ．ｏｆｔｈｅ７ｔｈＥｕｒｏｇｒａｐｈｉｃｓ［７３［８３ＨｅａｍＤ．ＢａｋｅｒＭＰ．计