一种极线校正方法及装置

1.本发明涉及图像匹配技术领域，具体涉及一种极线校正方法及装置。


背景技术：

2.双目立体视觉的匹配在目前是一项研究的大热门方向，其拥有广泛的实际应用，目标大多数的匹配算法都是基于这样一个假设前提：双目立体视觉系统获得的两幅图像对应的特征点在同一条扫描线上。这样就将匹配的搜索范围从二维降到了一维，加快了匹配速度和匹配精度。但现实情况中，由于相机结构，制作工艺的影响，很难保证相机的主轴是平行的，那么双目系统也就不再平行。所以就出现对双目系统进行校正使其平行的方法，即为极线校正。
3.现有技术中的极线校正方法大多数是基于投影变换矩阵的方法，该方法是一种完全依赖基础矩阵的方法，其存在以下技术问题：过分依赖基础矩阵的精度，当存在误匹配时，会使极线校正结果不准确，使图像出现较大的图像畸变，降低匹配精度。
4.因此，急需提出一种极线校正方法及装置，用于提高基础矩阵的准确率，从而提高极线校正准确率。


技术实现要素：

5.有鉴于此，有必要提供一种极线校正方法及装置，用以解决现有技术中存在的当基础矩阵的匹配精度不高时，导致极线校正准确率较低的技术问题。
6.一方面，本发明提供了一种极线校正方法，包括：
7.基于双目视觉系统获取第一图像和第二图像；
8.基于图像像素点灰度值确定所述第一图像中的多个第一特征点和所述第二图像中的多个第二特征点；
9.将所述多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对；
10.基于归一化八点算法、随机一致性算法以及所述多个初始匹配点对确定目标基础矩阵；
11.基于所述目标基础矩阵和极线约束确定第一极点和第二极点，并基于所述第一图像的中心点、所述第一极点和所述第二极点确定第一投影矩阵和第二投影矩阵；
12.基于所述第一投影矩阵、所述第二投影矩阵对所述第一特征点和所述第二特征点进行投影变换，获得校正图像。
13.在一些可能的实现方式中，所述基于图像像素点灰度值确定所述第一图像中的多个第一特征点和所述第二图像中的多个第二特征点，包括：
14.对所述第一图像和所述第二图像进行平滑处理，对应获得第一平滑图像和第二平滑图像；
15.对所述第一平滑图像和所述第二平滑图像进行多尺度分解，对应获得第一高斯金字塔和第二高斯金字塔；
16.基于预设的划分规则划分所述第一高斯金字塔和所述第二高斯金字塔，对应获得多个第一子图像块和多个第二子图像块；
17.根据所述第一子图像块或所述第二子图像块构建局部滑动窗口，并根据所述局部滑动窗口、所述多个第一子图像块确定所述多个第一特征点，根据所述局部滑动窗口和所述多个第二子图像块确定所述多个第二特征点。
18.在一些可能的实现方式中，所述第一高斯金字塔包括多个第一图像层，所述基于预设的划分规则划分所述第一高斯金字塔，获得多个第一子图像块，包括：
19.将所述多个第一图像层中各第一图像层进行划分，获得多个第一图像区域；
20.将所述多个第一图像区域中各第一图像区域进行划分，获得多个第一子图像块。
21.在一些可能的实现方式中，所述多个第一图像层包括当前第一图像层和与所述当前第一图像层相邻的第一相邻图像层和第二相邻图像层，所述多个第一子图像块包括当前第一子图像块和与所述当前第一子图像块相邻的多个相邻第一子图像块；所述根据所述局部滑动窗口、所述多个第一子图像块确定所述多个第一特征点，包括：
22.获取所述局部滑动窗口中的所述当前第一子图像块的原始图像灰度；
23.移动所述局部滑动窗口遍历所述当前第一子图像块，并获取移动后的所述局部滑动窗口中的所述当前第一子图像块的当前图像灰度；
24.基于所述原始图像灰度和所述当前图像灰度确定灰度差异和；
25.当所述灰度差异和大于或等于差异阈值时，将所述当前第一子图像块中灰度值最大的像素点作为关键点；
26.确定所述第一相邻图像层中与所述关键点对应的第一相邻点以及所述第二相邻图像层中与所述关键点对应的第二相邻点；
27.当所述关键点的灰度值大于所述第一相邻点的灰度值，所述关键点的灰度值大于所述第二相邻点的灰度值，且所述关键点的灰度值大于所述多个相邻第一子图像块中各像素点的灰度值时，所述关键点为所述第一特征点。
28.在一些可能的实现方式中，所述将所述多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对，包括：
29.确定所述多个第一特征点中各第一特征点与所述多个第二特征点中各第二特征点之间的欧式距离；
30.判断所述欧式距离是否大于预设距离，当所述欧式距离大于所述预设距离时，所述第一特征点和所述第二特征点为所述初始匹配点对。
31.在一些可能的实现方式中，所述基于归一化八点算法、随机一致性算法以及所述多个初始匹配点对确定目标基础矩阵，包括：
32.步骤一、从所述多个初始匹配点对中随机确定八个第一初始匹配点对，并根据所述八个第一初始匹配点对确定初始基础矩阵和极线；
33.步骤二、确定所述多对初始匹配点中出所述第一初始匹配点对之外的多个第二初始匹配点对与所述极线之间的距离；
34.步骤三、判断所述距离是否大于阈值距离，当所述距离小于阈值距离时，所述第二初始匹配点对为内点，当所述距离大于或等于所述阈值距离时，所述第二初始匹配点对为外点；
35.步骤四、判断所述内点的个数与所述多个初始匹配点对的个数的比值是否大于阈值比值以及迭代次数是否大于最大迭代次数，若所述内点的个数与所述多个初始匹配点对的个数的比值大于阈值比值，或迭代次数是否大于最大迭代次数，则所述初始基础矩阵为目标基础矩阵，若所述内点的个数与所述多个初始匹配点对的个数的比值小于或等于阈值比值，且迭代次数是否小于或等于最大迭代次数，则重复步骤一～步骤四。
36.在一些可能的实现方式中，所述基于所述第一图像的中心点、所述第一极点和所述第二极点确定第一投影矩阵和第二投影矩阵，包括：
37.将所述第一图像的中心点进行齐次变换及简化，获得初始平移变换矩阵；
38.将所述第一图像和所述第二图像进行旋转映射，对应获得第一旋转矩阵和第二旋转矩阵；
39.将所述第一极点和所述第二极点投影至水平方向无穷远点，对应获得第一标准投影变换矩阵和第二标准投影变换矩阵；
40.将所述第一图像和所述第二图像进行平移变换，获得目标平移变换矩阵；
41.基于所述初始平移变换矩阵、所述第一旋转矩阵、所述第一标准投影变换矩阵以及所述目标平移变换矩阵确定所述第一投影矩阵；
42.基于所述初始平移变换矩阵、所述第二旋转矩阵以及所述第二标准投影变换矩阵确定所述第二投影矩阵。
43.在一些可能的实现方式中，所述极线校正方法还包括：
44.基于优化模型对所述第一投影矩阵和所述第二投影矩阵进行优化，获得第一优化投影矩阵和第二优化投影矩阵；
45.所述基于所述第一投影矩阵、所述第二投影矩阵对所述第一特征点和所述第二特征点进行投影变换，获得校正图像，具体为：
46.基于所述第一优化投影矩阵、所述第二优化投影矩阵对所述第一特征点和所述第二特征点进行投影变换，获得校正图像。
47.在一些可能的实现方式中，所述初始匹配点对包括第一匹配点和第二匹配点，所述优化模型为：
[0048][0049]
式中，s为优化目标；h0为第一投影矩阵；h1为第二投影矩阵；u
0i
为第一匹配点的坐标值；u
1i
为第二匹配点的坐标值；n为初始匹配点对的个数。
[0050]
另一方面，本发明还提供了一种极线校正装置，包括：
[0051]
图像获取单元，用于基于双目视觉系统获取第一图像和第二图像；
[0052]
特征点确定单元，用于基于图像像素点灰度值确定所述第一图像中的多个第一特征点和所述第二图像中的多个第二特征点；
[0053]
匹配点确定单元，用于将所述多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对；
[0054]
基础矩阵确定单元，用于基于归一化八点算法、随机一致性算法以及所述多个初始匹配点对确定目标基础矩阵；
[0055]
投影矩阵确定单元，用于基于所述目标基础矩阵和极线约束确定第一极点和第二
极点，并基于所述第一图像的中心点、所述第一极点和所述第二极点确定第一投影矩阵和第二投影矩阵；
[0056]
图像校正单元，用于基于所述第一投影矩阵、所述第二投影矩阵对所述第一特征点和所述第二特征点进行投影变换，获得校正图像。
[0057]
采用上述实施例的有益效果是：本发明提供的极线校正方法，通过设置基于归一化八点算法、随机一致性算法以及多个初始匹配点对确定目标基础矩阵，可剔除多个初始匹配点对中的误匹配点，提高获得的目标基础矩阵的精度，从而提高极线校正的准确率。并且，由于随机一致性算法是随机过程，具有鲁棒性，能从多个初始匹配点对中估计出高精度的目标基础矩阵，可进一步提高极线校正的准确率。
[0058]
进一步地，本发明通过设置基于图像像素点灰度值确定第一图像中的多个第一特征点和第二图像中的多个第二特征点，可提高第一特征点和第二特征点的获取速度，从而提高极线校正效率。
[0059]
更进一步地，本发明通过基于归一化八点算法确定目标基础矩阵，由于归一化八点算法是线性求解，运算速度快，可提高获得目标基础矩阵的效率，从而提高极线校正的效率。
附图说明
[0060]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061]
图1为本发明提供的极线校正方法的一个实施例流程示意图；
[0062]
图2为本发明图1中s102的一个实施例流程示意图；
[0063]
图3为本发明图2中s203的一个实施例流程示意图；
[0064]
图4为本发明图2中s204的一个实施例流程示意图；
[0065]
图5为本发明图1中s103的一个实施例流程示意图；
[0066]
图6为本发明图1中s104的一个实施例流程示意图；
[0067]
图7为本发明图1中s105的一个实施例流程示意图；
[0068]
图8为本发明提供的极线校正装置的一个实施例结构示意图；
[0069]
图9为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
[0070]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的
指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
[0072]
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
[0073]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0074]
本发明实施例提供了一种极线校正方法及装置，以下分别进行说明。
[0075]
图1为本发明提供的极线校正方法的一个实施例流程示意图，如图1所示，极线校正方法包括：
[0076]
s101、基于双目视觉系统获取第一图像和第二图像；
[0077]
s102、基于图像像素点灰度值确定第一图像中的多个第一特征点和第二图像中的多个第二特征点；
[0078]
s103、将多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对；
[0079]
s104、基于归一化八点算法、随机一致性算法以及多个初始匹配点对确定目标基础矩阵；
[0080]
s105、基于目标基础矩阵和极线约束确定第一极点和第二极点，并基于第一图像的中心点、第一极点和第二极点确定第一投影矩阵和第二投影矩阵；
[0081]
s106、基于第一投影矩阵、第二投影矩阵对第一特征点和第二特征点进行投影变换，获得校正图像。
[0082]
与现有技术相比，本发明实施例提供的极线校正方法，极线校正方法，通过设置基于归一化八点算法、随机一致性算法以及多个初始匹配点对确定目标基础矩阵，可剔除多个初始匹配点对中的误匹配点，提高获得的目标基础矩阵的精度，从而提高极线校正的准确率。并且，由于随机一致性算法是随机过程，具有鲁棒性，能从多个初始匹配点对中估计出高精度的目标基础矩阵，可进一步提高极线校正的准确率。
[0083]
进一步地，本发明实施例通过设置基于图像像素点灰度值确定第一图像中的多个第一特征点和第二图像中的多个第二特征点，可提高第一特征点和第二特征点的获取速度，从而提高极线校正效率。
[0084]
更进一步地，本发明实施例通过基于归一化八点算法确定目标基础矩阵，由于归一化八点算法是线性求解，运算速度快，可提高获得目标基础矩阵的效率，从而提高极线校正的效率。
[0085]
在本发明的一些实施例中，如图2所示，步骤s102包括：
[0086]
s201、对第一图像和第二图像进行平滑处理，对应获得第一平滑图像和第二平滑图像；
[0087]
s202、对第一平滑图像和第二平滑图像进行多尺度分解，对应获得第一高斯金字塔和第二高斯金字塔；
[0088]
s203、基于预设的划分规则划分第一高斯金字塔和第二高斯金字塔，对应获得多
个第一子图像块和多个第二子图像块；
[0089]
s204、根据第一子图像块或第二子图像块构建局部滑动窗口，并根据局部滑动窗口、多个第一子图像块确定多个第一特征点，根据局部滑动窗口和多个第二子图像块确定多个第二特征点。
[0090]
本发明实施例通过对第一图像和第二图像进行平滑处理，可使获得的第一平滑图像和第二平滑图像更为稳定，提高获取的第一平滑图像和第二平滑图像的鲁棒性，从而提高极线校正方法的鲁棒性。
[0091]
其中，步骤s201具体为：先利用形态学开运算的方法对第一图像和第二图像进行先腐蚀后膨胀，初步滤除第一图像和第二图像中存在的噪声，再采用高斯滤波进一步滤除第一图像和第二图像中的噪声点，得到较为稳定的第一平滑图像和第二平滑图像。
[0092]
具体地，高斯滤波函数为：
[0093][0094]
式中，g(x,y)为第一平滑图像或第二平滑图像中各像素点的像素值；x为第一图像或第二图像中的像素点的横坐标；y为第一图像或第二图像中的像素点的纵坐标；σ为第一图像或第二图像中各像素点的像素标准差。
[0095]
需要说明的是：第一高斯金字塔包括多个第一图像层，第二高斯金字塔包括多个第二图像层，其中，多个第一图像层和多个第二图像层是模仿人类视线远近而导致的不同尺度空间，多个第一图像层间和多个第二图像层间的尺度一致。由于随着尺度增大，图像层中的像素点减少，因此，第一高斯金字塔包括6个第一图像层，第二高斯金字塔包括6个第二图像层。
[0096]
还需要说明的是：步骤s204中的局部滑动窗口包括但不限于矩形窗口、高斯窗口等。
[0097]
在本发明的一些实施例中，如图3所示，步骤s203包括：
[0098]
s301、将多个第一图像层中各第一图像层进行划分，获得多个第一图像区域；
[0099]
s302、将多个第一图像区域中各第一图像区域进行划分，获得多个第一子图像块。
[0100]
在本发明的具体实施例中，步骤s301具体为：将各第一图像层划分为3*3的九宫格区域，获得9个第一图像区域。步骤s302具体为：将各第一图像区域分割成4*4的小区域，获得多个第一图像块。
[0101]
应当理解的是：第二子图像块的获取方式与第一子图像块的获取方式相同，详见步骤s301-s302，在此不做赘述。
[0102]
在本发明的一些实施例中，多个第一图像层包括当前第一图像层和与当前第一图像层相邻的第一相邻图像层和第二相邻图像层，多个第一子图像块包括当前第一子图像块和与当前第一子图像块相邻的多个相邻第一子图像块，则如图4所示，步骤s204包括：
[0103]
s401、获取局部滑动窗口中的当前第一子图像块的原始图像灰度；
[0104]
s402、移动局部滑动窗口遍历当前第一子图像块，并获取移动后的局部滑动窗口中的当前第一子图像块的当前图像灰度；
[0105]
s403、基于原始图像灰度和当前图像灰度确定灰度差异和；
[0106]
s404、当灰度差异和大于或等于差异阈值时，将当前第一子图像块中灰度值最大
的像素点作为关键点；
[0107]
s405、确定第一相邻图像层中与关键点对应的第一相邻点以及第二相邻图像层中与关键点对应的第二相邻点；
[0108]
s406、当关键点的灰度值大于第一相邻点的灰度值，关键点的灰度值大于第二相邻点的灰度值，且关键点的灰度值大于多个相邻第一子图像块中各像素点的灰度值时，关键点为第一特征点。
[0109]
具体地，步骤s403中的灰度差异和为：
[0110]
e(u,v)＝∑
x,y
w(x,y)[i(x+u,y+v)-i(x,y)]2[0111]
式中，e(u,v)为灰度差异和；w(x,y)为窗口函数；(u,v)为局部滑动窗口移动量；i(x+u,y+v)为当前图像灰度；i(x,y)为原始图像灰度。
[0112]
需要说明的是：步骤s404中的差异阈值可根据实际应用场景进行调整或设置，在此不做具体限定。
[0113]
应当理解的是：第二特征点的获取方式与第一特征点的获取方式相同，详见步骤s401-s406，在此不做赘述。
[0114]
在本发明的一些实施例中，如图5所示，步骤s103包括：
[0115]
s501、确定多个第一特征点中各第一特征点与多个第二特征点中各第二特征点之间的欧式距离；
[0116]
s502、判断欧式距离是否大于预设距离，当欧式距离大于预设距离时，第一特征点和第二特征点为初始匹配点对。
[0117]
需要说明的是：预设距离可根据实际应用场景进行设置或调整，在此不做具体限定。
[0118]
在本发明的一些实施例中，如图6所示，步骤s104包括：
[0119]
s601、从多个初始匹配点对中随机确定八个第一初始匹配点对，并根据八个第一初始匹配点对确定初始基础矩阵和极线；
[0120]
s602、确定多对初始匹配点中出第一初始匹配点对之外的多个第二初始匹配点对与极线之间的距离；
[0121]
s603、判断距离是否大于阈值距离，当距离小于阈值距离时，第二初始匹配点对为内点，当距离大于或等于阈值距离时，第二初始匹配点对为外点；
[0122]
s604、判断内点的个数与多个初始匹配点对的个数的比值是否大于阈值比值以及迭代次数是否大于最大迭代次数，若内点的个数与多个初始匹配点对的个数的比值大于阈值比值，或迭代次数是否大于最大迭代次数，则初始基础矩阵为目标基础矩阵，若内点的个数与多个初始匹配点对的个数的比值小于或等于阈值比值，且迭代次数是否小于或等于最大迭代次数，则重复步骤s601～步骤s604。
[0123]
应当理解的是：阈值距离、阈值比值和最大迭代次数均可根据实际应用场景进行设置或调整，在本发明的具体实施例中，阈值比值为95％。
[0124]
在本发明的一些实施例中，步骤s105中的基于目标基础矩阵和极线约束确定第一极点和第二极点，具体为：
[0125]
由极线约束可知：
[0126]
fe0＝0 f
t
e1＝0
[0127]
式中，f为目标基础矩阵；e0为第一极点，e1为第二极点。
[0128]
则根据上述极线约束和目标基础矩阵即可获得第一极点和第二极点。
[0129]
在本发明的一些实施例中，如图7所示，步骤s105包括：
[0130]
s701、将第一图像的中心点进行齐次变换及简化，获得初始平移变换矩阵；
[0131]
s702、将第一图像和第二图像进行旋转映射，对应获得第一旋转矩阵和第二旋转矩阵；
[0132]
s703、将第一极点和第二极点投影至水平方向无穷远点，对应获得第一标准投影变换矩阵和第二标准投影变换矩阵；
[0133]
s704、将第一图像和第二图像进行平移变换，获得目标平移变换矩阵；
[0134]
s705、基于初始平移变换矩阵、第一旋转矩阵、第一标准投影变换矩阵以及目标平移变换矩阵确定第一投影矩阵；
[0135]
s706、基于初始平移变换矩阵、第二旋转矩阵以及第二标准投影变换矩阵确定第二投影矩阵。
[0136]
其中，步骤s701具体为：将第一图像的中心点坐标齐次变换至(a0，b0，1)，为避免不必要的麻烦，将(a0，b0,1)简化至(0，0，1)，则初始平移变换矩阵t为：
[0137][0138]
步骤s702具体为：将第一极点和第二极点投影至无穷远处，先对第一图像和第二图像进行旋转映射，旋转交底分别为α0和α1，让第一极点和第二极点落在x轴上，则第一旋转矩阵r0和第二旋转矩阵r1分别为：
[0139][0140][0141]
步骤s703中的第一标准投影变换矩阵m0和第二标准投影变换矩阵m1分别为：
[0142][0143][0144]
式中，f1为第一图像的图像透视变形量；f2为第二图像的图像透视变形量。
[0145]
由于经过步骤s703之后，极线已经平行，但还不在同一条扫描线，存在垂直时差，所以还需要将第一图像和第二图像进行平移变换，设纵坐标的移动分量为l，则步骤s704中的目标平移变换矩阵为：
[0146][0147]
则步骤s705中的第一投影矩阵h0为：
[0148]
h0＝nm0r0t
[0149]
步骤s706中的第二投影矩阵h1为：
[0150]
h1＝m1r1t
[0151]
通过上述第一投影矩阵和第二投影矩阵即可对第一特征点和第二特征点进行校正，获得校正图像。
[0152]
为了进一步提高校正精度，在本发明的一些实施例中，在步骤s105之后，极线校正方法还包括：
[0153]
基于优化模型对第一投影矩阵和第二投影矩阵进行优化，获得第一优化投影矩阵和第二优化投影矩阵；
[0154]
则步骤s106具体为：基于第一优化投影矩阵、第二优化投影矩阵对第一特征点和第二特征点进行投影变换，获得校正图像。
[0155]
本发明实施例通过对第一投影矩阵和第二投影矩阵进行优化，可进一步提高第一投影矩阵和第二投影矩阵的精度，从而可进一步提高获得的校正图像的精度。
[0156]
在本发明的具体实施例中，初始匹配点对包括第一匹配点和第二匹配点，所述优化模型为：
[0157][0158]
式中，s为优化目标；h0为第一投影矩阵；h1为第二投影矩阵；u
0i
为第一匹配点的坐标值；u
1i
为第二匹配点的坐标值；n为初始匹配点对的个数。
[0159]
具体优化过程为：使优化目标最小，即s＝0，并利用校正后的匹配点纵坐标相同的约束条件求解上述优化模型，获得第一优化投影矩阵和第二优化投影矩阵。
[0160]
为了更好实施本发明实施例中的极线校正方法，在极线校正方法基础之上，对应的，本发明实施例还提供了一种极线校正装置，如图8所示，极线校正装置800包括：
[0161]
图像获取单元801，用于基于双目视觉系统获取第一图像和第二图像；
[0162]
特征点确定单元802，用于基于图像像素点灰度值确定第一图像中的多个第一特征点和第二图像中的多个第二特征点；
[0163]
匹配点确定单元803，用于将多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对；
[0164]
基础矩阵确定单元804，用于基于归一化八点算法、随机一致性算法以及多个初始匹配点对确定目标基础矩阵；
[0165]
投影矩阵确定单元805，用于基于目标基础矩阵和极线约束确定第一极点和第二
极点，并基于第一图像的中心点、第一极点和第二极点确定第一投影矩阵和第二投影矩阵；
[0166]
图像校正单元806，用于基于第一投影矩阵、第二投影矩阵对第一特征点和第二特征点进行投影变换，获得校正图像。
[0167]
上述实施例提供的极线校正装置800可实现上述极线校正方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述极线校正方法实施例中的相应内容，此处不再赘述。
[0168]
如图9所示，本发明还相应提供了一种电子设备900。该电子设备900包括处理器901、存储器902及显示器903。图9仅示出了电子设备900的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0169]
处理器901在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器902中存储的程序代码或处理数据，例如本发明中的极线校正方法。
[0170]
在一些实施例中，处理器901可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器901可为本地的或远程的。在一些实施例中，处理器901可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
[0171]
存储器902在一些实施例中可以是电子设备900的内部存储单元，例如电子设备900的硬盘或内存。存储器902在另一些实施例中也可以是电子设备900的外部存储设备，例如电子设备900上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0172]
进一步地，存储器902还可既包括电子设备900的内部储存单元也包括外部存储设备。存储器902用于存储安装电子设备900的应用软件及各类数据。
[0173]
显示器903在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器903用于显示在电子设备900的信息以及用于显示可视化的用户界面。电子设备900的部件901-903通过系统总线相互通信。
[0174]
在本发明的一些实施例中，当处理器901执行存储器902中的极线校正程序时，可实现以下步骤：
[0175]
基于双目视觉系统获取第一图像和第二图像；
[0176]
基于图像像素点灰度值确定第一图像中的多个第一特征点和第二图像中的多个第二特征点；
[0177]
将多个第一特征点和多个第二特征点进行匹配，获得多个初始匹配点对；
[0178]
基于归一化八点算法、随机一致性算法以及多个初始匹配点对确定目标基础矩阵；
[0179]
基于目标基础矩阵和极线约束确定第一极点和第二极点，并基于第一图像的中心点、第一极点和第二极点确定第一投影矩阵和第二投影矩阵；
[0180]
基于第一投影矩阵、第二投影矩阵对第一特征点和第二特征点进行投影变换，获得校正图像。
[0181]
应当理解的是：处理器901在执行存储器902中的极线校正程序时，除了上面的功
能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
[0182]
进一步地，本发明实施例对提及的电子设备900的类型不做具体限定，电子设备900可以为手机、平板电脑、个人数字助理(personal digitalassistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备900也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
[0183]
相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的极线校正方法中的步骤或功能。
[0184]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件(如处理器，控制器等)来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0185]
以上对本发明所提供的极线校正方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。