基于点线特征联合的全景图像位姿解算方法

# 点-线特征联合：全景图像位姿解算的新思路 在全景图像的定位与姿态解算中，点特征一直是主流方案。但真实场景里，建筑物轮廓、杆状地物这类线特征几乎无处不在，却很少被真正用起来。这不得不说是个遗憾——尤其是在点特征不足的环境下，线特征往往能成为破局的关键。 那么，如何把点和线这两类特征有效结合起来？这里提出一种点-线特征联合的全景图像位姿解算方法，核心思路很直接：点特征负责计算位置和姿态参数，线特征则对姿态参数施加额外约束。两者协同，不仅能应对点特征缺失的极端场景，在点特征充足的常规情况下，也能显著提升解算精度和稳健性。 ## 方法流程 整个方法的实现路径如图1所示。关键创新在于线特征的表达方式：用线上的任意两点来表示，而且不要求全景图像和三维场景中同名线上的选点具备一一对应关系。这意味着选点过程极其灵活，实用性大幅提升。

图1 本文方法流程

### 点-线特征联合的位姿解算模型 **基于点特征的模型**。球面全景图像采用等角投影成像，竖直角(v)和水平角(h)分别对应图像的行列坐标（图2）。点模型通过直接线性变换构建，待求解矩阵 **X** 包含11个参数，理论上至少需要6对同名特征点。计算出 **X** 后，便可反解出姿态矩阵和位置参数。

图2 全景图像的位置和姿态参数

点模型表达式为：

各参数含义如下：

其中，r、c为地物点p (x, y, z)在全景图像上的行、列坐标。 **基于线特征的模型**。三维空间直线上任意两点p1、p2与成像位置( XS, YS, ZS )天然满足共面条件。利用这一几何约束，将全景图像中对应直线（或曲线）上的任意两点代入，即可构建线模型：

代入后得到：

其中：

于是线模型可写成：

**联合模型**。将点模型和线模型组合在一起，便得到点-线特征联合的全景图像位姿解算模型：

这里p对同名点和t对同名线共同参与解算。平差求解出 **X** 后，即可得到姿态矩阵 **R** 和位置参数 ( XS, YS, ZS )。 针对实际场景中常见的垂直线（Δx=Δy=0）和水平线（Δz=0），模型可以进一步简化： 垂直线：

水平线：

其中vi为水平线的斜率：

**精度评价**。求解出 **X** 后，通过检查点在全景图像中的真实坐标与投影坐标之差，计算模型误差和中误差，以此作为联合模型的精度评价指标：

## 仿真分析：适用性与容差性 为了验证联合模型的真实表现，首先用仿真道路场景点云生成虚拟全景图像，然后从多个维度进行测试。 **特征点与线的不同组合**。在特征点和线数量都取最小值的前提下，测试了4种组合：2点+7线、3点+5线、4点+3线、5点+1线。结果非常干脆——所有组合的模型误差均为0像素。这说明联合模型在不同配比下都具备良好的适用性，也意味着在点特征严重缺失时，线特征完全可以顶上。

图3 特征点和线的不同组合方式

**大姿态角情况**。用2点+7线的组合，检验了4种大姿态角场景（图4）。结果再次一致：模型误差为0像素。这表明联合模型对极端姿态角不敏感，适用性非常宽泛。

图4 不同情况的大姿态角分析

**容差性分析**。通过人工引入不同类型和量级的误差——包括全景图像坐标误差（一类误差）和三维场景坐标误差（二类误差），从多控制点、均控制点、少控制点三种情况验证模型的稳定性。表1给出了垂直线辅助下的具体结果。

表1 垂直线辅助的联合模型精度与可靠性分析

从试验数据中可以提炼出几个关键结论： 1. 在多控制点的情况下，点模型和联合模型都能高精度解算位姿参数，差别不大。 2. 垂直线的加入显著提升了解算的精度和稳健性。 3. 垂直线不仅能弥补控制点缺失的问题，而且多条垂直线的优化效果和稳健性远优于单条线。 4. 无论加入多少条垂直线，都能有效改善一类误差（0.5~5.0像素量级）的解算结果。 5. 二类误差对精度的影响只取决于误差本身的大小，与点和线的数量无关。 6. 综合来看，联合模型在精度、稳健性和容差性上全面优于单纯的点模型。 ## 真实场景应用：全景图像与激光点云融合 理论分析再漂亮，最终还是要落地。使用真实场景的车载激光点云和两幅全景图像进行试验，将点-线特征联合方法应用于全景图像与激光点云的融合。对比结果清晰表明：联合方法的精度和鲁棒性均优于纯点特征方法，尤其在纹理稀疏或者遮挡较多的区域，线特征发挥了不可替代的作用。 ## 结论 综合理论推导、仿真验证和真实数据测试，可以确认以下几点： （1）用线上的任意两点表示线特征，且不要求选点有对应关系，这使得线特征提取极其便捷，实用性突出。 （2）该方法适用于任意姿态角下的全景成像位姿解算，适用性极强。 （3）在精度、稳健性和容差性方面，点-线特征联合方法全面优于传统的纯点特征方法。 全景图像的位姿解算，不该只盯着点特征。线特征这柄利器，值得更广泛的关注和应用。