一种物体正反面翻转影像的自动分组方法和系统与流程

1.本发明涉及图像处理技术领域，具体涉及一种通过运动(three-dimensional motion)分析的物体正反面翻转影像的自动分组方法和系统。


背景技术：

2.摄影测量是一种利用光学摄影机获取的像片，经过处理以获取被摄物体的形状、大小、位置、特性及其相互关系一种技术，其被广泛应用于地形测绘、地表三维模型构建、工程测量、考古和文物保护等领域。在生成小物体的三维模型时，为了保证模型的完整性，需要对所研究的物体进行正反面翻转并拍摄。然而，对于传统的基于摄影测量的三维重建方法而言，其往往假定场景(物体)在拍摄时处于静止状态。正反面翻转物体后得到影像数据并不符合该方法的数学原理，因此在实际生产时，不能得到令人满意的模型结果。
3.为了实现通过正反面翻转物体来得到其完整模型，目前的普遍做法包括以下两类：“背景置空法”和人工修补法。(1)“背景置空法”是指，设置背景单一的拍摄环境，例如：背景为纯色幕布或者白墙等。其核心是避免影像数据中背景部分对传统三维重建方法的影响，进而将正反面翻转物体等效为“静止物体”。然而，构造上述拍摄环境需要耗费一定的人力、物力。同时，在户外场景下，上述环境要求难以快速满足。(2)人工修补法是指，对由翻转影像生成的三维模型进行人工处理，进而得到理想的物体模型。然而，较大的修补难度与较高的时间成本，制约着完整物体模型的生成。因此，自动化的处理算法是实现高效、准确得获取翻转物体完整模型的关键。
4.如今，直接针对物体翻转影像三维重建的相关方法几乎空白。与之相似的动态场景重建问题，大多致力于运动物体和静止背景的精细分割。无论是像素的颜色、位置特征，还是像素的运动、语义信息，都是实现分割物体和背景的重要依据。然而，目前的动场景态重建问题只关注包含运动物体的视频数据。在由视频得到的影像中，基于物体的连续运动和背景的相似性，通常采用光流跟踪、背景高斯混合模型等方法来简化动态场景三维重建问题。然而，上述思路却无法将直接应用到物体翻转影像的完整三维模型重建问题中。
5.综上，为了得到物体完整的三维模型，将物体正反面翻转虽然能得到该物体的所有影像数据，但却导致人工处理复杂化、缺乏自动化处理算法两大问题。因此，需要提出一种物体正反面翻转影像的自动分组方法，将物体翻转前后的影像区分开，以此来解决传统的摄影测量三维重建方法的痛点，并为后续的三维重建处理流程做准备。


技术实现要素：

6.为了解决现有的正反面翻转影像能保证物体模型的完整性，但其中涉及的物体翻转问题给基于摄影测量的自动化三维重建算法提出了新的挑战的问题，本发明构建了一种物体正反面翻转影像的自动分组方法和系统，将物体翻转前后的影像区分开，以此来解决传统的摄影测量三维重建方法的痛点。
7.本发明采用以下技术方案实现：
8.一种物体正反面翻转影像的自动分组方法，包括以下步骤：
9.获取物体正反面翻转影像集，并提取所述影像集中所有影像的特征像素点；
10.将所述影像集中所有影像组合，生成影像对，并对所述影像对的特征点进行匹配；
11.选择特征点匹配符合要求的影像对，得到有效影像对集合；
12.计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心；
13.基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反面翻转影像集进行分组。
14.作为本发明的进一步方案，所述影像集中所有影像的特征像素点采用尺度不变特征变换(scale invariant feature transform，sift)提取，将所述影像集中所有影像组合时采用穷举式组合。
15.进一步的，将所有影像穷举式组合，对影像对的特征点进行匹配时，匹配的方法为k-最近邻，k-最近邻匹配的计算公式为：
[0016][0017][0018]
式中，m
ij
、m
ij'
分别表示影像对中的左影像中第i个特征点与右影像中第j、j’个特征点构成的特征点匹配对；τ为阈值参数。
[0019]
进一步的，对所述影像对的特征点进行匹配时，还包括：剔除特征点匹配的粗差，基于网格的运动统计(grid-based motion statistics，gms)，对中心网格的邻域网格进行配对，将全局一致的配对模式修改为局部自适应的配对模式，剔除错误特征点匹配后，在物体翻转影像对中，影像对中的物体及背景仍存在有效的特征匹配。
[0020]
作为本发明的进一步方案，选择影像对得到有效影像对集合的方法为：
[0021]
对所述物体正反面翻转影像集中所有影像组合生成的影像对的特征点进行匹配；
[0022]
分析所述影像对特征点匹配的数量和空间分布，并计算衡量影像对有效性的指数；
[0023]
选择与所述特征点的数量和空间分布对应的指数数值大于设定阈值的影像对，得到最终的有效影像对集合。
[0024]
进一步的，所述空间分布是指：特征点匹配是否有效得同时分布在物体及背景中。
[0025]
进一步的，所述衡量影像对有效性的指数a的计算公式为：
[0026][0027][0028]
式中，表示影像对(i,j)中左或右影像中第n个网格中特征点匹配的数量；δ为阈值参数。当x≥0时，(x)＝1；当x《0时，(x)＝0。|gb|表示网格区块中包含的网格数，其中物
体所占图像网格区块(gb
fo
)和背景所占图像网格区块(gbb)，由二者的位置先验确定。
[0029]
进一步的，选择特征点匹配符合要求的影像对，得到有效影像对集合时，借助最小生成树(minimum spanning tree，mst)及类似方法，保证选择的有效影像对能构建无向连通的“影像图”，最小生成树及类似方法包括以下步骤：
[0030]
根据衡量影像对有效性的指数a，构造cost指数，其中，cost＝a-1
；
[0031]
利用最小生成树mst，选择部分影像对s1；
[0032]
根据局部阈值τi，选择与第i个特征点相关的影像对(i,j)，其中，影像对(i,j)的指数a
ij
》局部阈值τi，得到最终的有效影像对集合s2。
[0033]
作为本发明的进一步方案，得到所述视点运动集合的聚类中心的方法，包括：
[0034]
获取有效影像对集合中选择的影像对；
[0035]
综合分析特征点匹配的质量、空间分布，抽取一定数目的特征点匹配；
[0036]
根据共线方程，多次利用随机抽样一致算法，抽取特征点匹配，计算得到影像对间视点运动集合；
[0037]
通过聚类，得到所述视点运动集合的聚类中心。
[0038]
作为本发明的进一步方案，基于聚类中心判断视点运动的一致性时，定义影像对间视点运动不一致性指数f；基于不一致性指数f将物体正反面影像集进行多次划分，计算每次划分得到的影像分组结果的合理性，选择最佳的分组方式，得到最终的分组结果。
[0039]
进一步的，定义影像对间视点运动不一致性指数diff的计算公式为：
[0040][0041]
式中，m、n分别表示聚类中心标识符，σi、σj分别为影像i,j的对应的调节因子。
[0042]
本发明还包括一种物体正反面翻转影像的自动分组系统，所述物体正反面翻转影像的自动分组系统采用前述物体正反面翻转影像的自动分组方法将物体翻转前后的影像区分开；所述物体正反面翻转影像的自动分组系统包括影像预处理模块、影像对选择模块、视点运动聚类分析模块以及影像分组模块。
[0043]
所述影像预处理模块，用于提取获取的物体正反面翻转影像集中所有影像的特征像素点，并对生成的影像对的特征点进行匹配，剔除特征点匹配的粗差；
[0044]
所述影像对选择模块，用于分析影像对特征点匹配的数量和空间分布并计算衡量影像对有效性的指数，选择特征点匹配符合要求的影像对，得到有效影像对集合；
[0045]
所述视点运动聚类分析模块，用于计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心；
[0046]
所述影像分组模块，用于基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反面翻转影像集进行分组。
[0047]
本发明还包括一种计算机设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的物体正反面翻转影像的自动分组方法。
[0048]
本发明还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述的物体正反面翻转影像的自动分组方
法。
[0049]
本发明提供的技术方案，具有如下有益效果：
[0050]
1、本发明提出采用分组的方式，将物体翻转影像进行自动划分，有效地避免传统摄影测量三维重建原理中场景(物体)静态假设对模型完整性的制约。
[0051]
2、本发明将影像间视点运动的一致性，用于区分物体是否翻转，并实现影像分组，逻辑清晰，操作简单。
[0052]
3、本发明采用自适应影像组别数目的影像划分方法，保证分组结果的有效性；同时该方法对运动一致性分析具有容错性，进而保证本发明方法的鲁棒性。
[0053]
4、本发明通过筛选有效影像对的方式，仅对部分影像对进行后续分析，降低问题的复杂度与计算量。
[0054]
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0055]
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍，附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0056]
图1为本发明的一种物体正反面翻转影像的自动分组方法的流程图。
[0057]
图2为本发明的一种物体正反面翻转影像的自动分组方法的gms算法中a、b的邻域网格配对模式一致时的原理示意图。
[0058]
图3为本发明的一种物体正反面翻转影像的自动分组方法的改进gms算法中a、b的邻域网格配对模式自适应时的原理示意图。
[0059]
图4为本发明的一种物体正反面翻转影像的自动分组方法中选择影像对得到有效影像对集合的流程图。
[0060]
图5为本发明的一种物体正反面翻转影像的自动分组方法中得到视点运动集合的聚类中心的流程图。
[0061]
图6为本发明的一种物体正反面翻转影像的自动分组方法中物体未发生翻转的影像对聚类结果的视点运动聚类结果图。
[0062]
图7为本发明的一种物体正反面翻转影像的自动分组方法中物体发生翻转的影像对聚类结果的视点运动聚类结果图。
[0063]
图8为本发明的一种物体正反面翻转影像的自动分组方法中将物体翻转前后的影像区分开的流程图。
[0064]
图9为本发明的一个实施例中物体正反面翻转影像的自动分组系统的系统框图。
具体实施方式
[0065]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0066]
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0067]
下面将结合本发明示例性实施例中的附图，对本发明示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性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作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。
[0068]
本发明提供的一种物体正反面翻转影像的自动分组方法和系统，通过分析影像间视点的运动，讨论“视点-物体”运动与“视点-背景”运动的一致性，并据此将影像分为多个视点运动一致的影像组。上述影像分组的结果与物体正反面翻转情况相符，进而达到了将物体翻转前后的影像区分的目的。本发明处理的基本步骤是：
[0069]
(1)提取影像特征点并匹配；
[0070]
(2)分析影像特征点匹配的数量、分布特征；
[0071]
(3)选择特征点匹配符合要求的影像对；
[0072]
(4)计算影像对间视点运动的集合；
[0073]
(5)聚类分析运动集合，得到聚类中心；
[0074]
(6)根据聚类中心判断视点运动的一致性；
[0075]
(7)根据视点运动的一致性对物体正反面翻转影像进行分组。
[0076]
本发明提出的一种物体正反面翻转影像的自动分组方法和系统，将物体翻转前后的影像区分开，以此来解决传统的摄影测量三维重建方法的痛点，并为后续的三维重建处理流程做准备。
[0077]
下面结合具体实施例对本发明的技术方案作进一步的说明：
[0078]
参阅图1所示，图1为本发明提供的一种物体正反面翻转影像的自动分组方法的流程图。本发明的一个实施例提供了一种物体正反面翻转影像的自动分组方法，包括以下步骤：
[0079]
s1：获取物体正反面翻转影像集，并提取所述影像集中所有影像的特征像素点。
[0080]
需要特别说明的是，作为影像预处理过程，首先提取所有影像的特征像素点，在本发明中，提取的方法包括但不限于尺度不变特征变换(scale invariant feature transform，sift)，所述影像集中所有影像的特征像素点采用尺度不变特征变换提取。
[0081]
s2：将所述影像集中所有影像组合，生成影像对，并对所述影像对的特征点进行匹配。
[0082]
需要特别说明的是，将所有影像穷举式组合，对影像对的特征点进行匹配。其中，在本实施例中，匹配的方法包括但不限于k-最近邻(k-nearest neighbor，knn)。将所有影像穷举式组合，对影像对的特征点进行匹配时，匹配的方法为k-最近邻，k-最近邻匹配的计算公式为：
[0083][0084][0085]
式中，m
ij
、m
ij'
分别表示影像对中的左影像中第i个特征点与右影像中第j、j’个特征点构成的特征点匹配对；τ为阈值参数。
[0086]
在本发明的一个实施例中，对所述影像对的特征点进行匹配时，还包括：剔除特征点匹配的粗差，基于网格的运动统计(grid-based motion statistics，gms)，对中心网格的邻域网格进行配对，将全局一致的配对模式修改为局部自适应的配对模式，剔除错误特征点匹配后，在物体翻转影像对中，影像对中的物体及背景仍存在有效的特征匹配。
[0087]
在剔除特征点匹配的粗差时，本实施例通过基于网格的运动统计(grid-based motion statistics，gms)方法，在对中心网格的邻域网格进行配对时，将原算法的全局一致的配对模式改为局部自适应的配对模式。该改进保证在物体翻转影像对中，剔除错误特征点匹配后，物体及背景仍存在有效的特征匹配。参见图2和图3所示，为中心网格的邻域网格配对的原理图，图2为gms算法中，a、b的邻域网格配对模式一致时的原理示意图，图3为a、b的邻域网格配对模式自适应产生，无需保持一致的原理示意图。
[0088]
s3：选择特征点匹配符合要求的影像对，得到有效影像对集合。
[0089]
需要特别说明的是，作为影像对选择过程，参见图4所示，选择影像对得到有效影像对集合的方法为：
[0090]
s301、对所述物体正反面翻转影像集中所有影像组合生成的影像对的特征点进行匹配；
[0091]
s302、分析所述影像对特征点匹配的数量和空间分布，并计算衡量影像对有效性的指数；
[0092]
s303、选择与所述特征点的数量和空间分布对应的指数数值大于设定阈值的影像对，得到最终的有效影像对集合。
[0093]
在本发明中，所述空间分布是指：特征点匹配是否有效得同时分布在物体及背景中。
[0094]
在进行影像对选择时分为两个过程：
[0095]
(1)分析影像对特征点匹配的数量和空间分布并计算衡量影像对有效性的指数a。所述衡量影像对有效性的指数a的计算公式为：
[0096][0097][0098]
式中，表示影像对(i,j)中左或右影像中第n个网格中特征点匹配的数量；δ为阈值参数。当x≥0时，(x)＝1；当x《0时，(x)＝0。|gb|表示网格区块中包含的网格数，其中物体所占图像网格区块(gb
fo
)和背景所占图像网格区块(gbb)，由二者的位置先验确定。
[0099]
(2)选择特征点数量较多、空间分布良好(a指数数值较高)的影像对。其中，本发明借助最小生成树(minimum spanning tree，mst)及类似方法，保证选择的有效影像对能构建无向连通的“影像图”。在本实施例中，最小生成树及类似方法包括以下步骤：
[0100]
根据衡量影像对有效性的指数a，构造cost指数，其中，cost＝a-1
；
[0101]
利用最小生成树mst，选择部分影像对s1；
[0102]
根据局部阈值τi，选择与第i个特征点相关的影像对(i,j)，其中，影像对(i,j)的指数a
ij
》局部阈值τi，得到最终的有效影像对集合s2。
[0103]
s4：计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心。
[0104]
需要特别说明的是，作为视点运动聚类分析过程，在本实施例中，参见图5所示，得到所述视点运动集合的聚类中心的方法，包括：
[0105]
s401、获取有效影像对集合中选择的影像对；
[0106]
s402、综合分析特征点匹配的质量、空间分布，抽取一定数目的特征点匹配；
[0107]
s403、根据共线方程，多次利用随机抽样一致算法，抽取特征点匹配，计算得到影像对间视点运动集合；
[0108]
s404、通过聚类，得到所述视点运动集合的聚类中心。
[0109]
在本实施例中，视点运动聚类分析分为以下四个过程：
[0110]
(1)针对选择的影像对，综合分析特征点匹配的质量、空间分布，抽取一定数目的特征点匹配。其中，分别在gb
fo
和gbb中进行抽取，抽取方法包括但不限于非极大值抑制(non-maximum suppression，nms)。
[0111]
(2)根据共线方程，多次利用随机抽样一致算法(random sample consensus，ransac)抽取特征点匹配，计算得到多个可能的视点运动。其中，运动的表示形式包括但不限于旋转单位四元数q＝(w,x,y,z)。
[0112]
(3)针对视点运动的集合，综合运动表现形式的特点，本发明重新定义待聚类数据(视点运动)的“距离”测度。具体为：
[0113]dmn
＝2*cos-1
(|qm*q
n-1
|)
[0114]
(4)通过聚类，得到该集合的聚类中心。其中，聚类的实现方法包括但不限于快速搜寻密度峰值的聚类算法(clustering by fast search and find of density peak，cfsfdp)。其核心原理为：聚类中心同时具有较高的局部密度和较大的到具有更高局部密度的点的距离，具体计算过程为：
[0115][0116][0117]
式中，dc表示截断距离阈值；n表示待聚类数据的数目(视点运动数目)。
[0118]
通过本发明的方法，物体发生翻转的影像对和未发生翻转的影像对的视点运动聚类结果如图6和图7所示，图6表示物体未发生翻转的影像对聚类结果的视点运动聚类结果图。图7表示物体发生翻转的影像对聚类结果的视点运动聚类结果图。
[0119]
s5：基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反
面翻转影像集进行分组。
[0120]
需要特别说明的是，作为影像划分过程，在本发明中，基于聚类中心判断视点运动的一致性时，定义影像对间视点运动不一致性指数f；基于不一致性指数f将物体正反面影像集进行多次划分，计算每次划分得到的影像分组结果的合理性，选择最佳的分组方式，得到最终的分组结果。
[0121]
在本发明中，定义影像对间视点运动不一致性指数f的计算公式为：
[0122][0123]
式中，m、n分别表示聚类中心标识符，σi、σj分别为影像i,j的对应的调节因子。
[0124]
在本实施例中，影像划分包括以下三个过程：
[0125]
(1)基于得到的聚类中心，定义影像对间视点运动不一致性指数f；
[0126][0127]
式中，m、n分别表示聚类中心标识符，σi、σj分别为影像i,j的对应的调节因子。
[0128]
(2)基于不一致性指数f，本发明采用包括但不限于谱聚类(spectral clustering)的方法，将物体正反面影像集进行多次划分。
[0129]
(3)计算每次划分得到的影像分组结果的合理性，选择最佳的分组方式，得到最终的分组结果，其中分组结果的合理性包括但不限于类间距、类内距等。
[0130]
本发明提供了一种物体正反面翻转影像的自动分组方法将物体翻转前后的影像区分开，流程参见图8所示，本发明提出采用分组的方式，将物体翻转影像进行自动划分，有效地避免传统摄影测量三维重建原理中场景(物体)静态假设对模型完整性的制约。将影像间视点运动的一致性，用于区分物体是否翻转，并实现影像分组，逻辑清晰，操作简单。采用自适应影像组别数目的影像划分方法，保证分组结果的有效性；同时该方法对运动一致性分析具有容错性，进而保证本发明方法的鲁棒性。通过筛选有效影像对的方式，仅对部分影像对进行后续分析，降低问题的复杂度与计算量。
[0131]
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0132]
在一个实施例中，如图9所示，提供了一种物体正反面翻转影像的自动分组系统，包括影像预处理模块100、影像对选择模块200、视点运动聚类分析模块300以及影像分组模块400。其中：
[0133]
所述影像预处理模块100，用于提取获取的物体正反面翻转影像集中所有影像的特征像素点，并对生成的影像对的特征点进行匹配，剔除特征点匹配的粗差。首先提取所有影像的特征像素点，然后将所有影像穷举式组合，对影像对的特征点进行匹配，匹配的方法包括但不限于k-最近邻，剔除错误特征点匹配后，在物体翻转影像对中，影像对中的物体及背景仍存在有效的特征匹配。
[0134]
所述影像对选择模块200，用于分析影像对特征点匹配的数量和空间分布并计算
衡量影像对有效性的指数，选择特征点匹配符合要求的影像对，得到有效影像对集合。分析影像对特征点匹配的数量和空间分布并计算衡量影像对有效性的指数a，选择特征点数量较多、空间分布良好(a指数数值较高)的影像对。选择与所述特征点的数量和空间分布对应的指数数值大于设定阈值的影像对，得到最终的有效影像对集合。
[0135]
所述视点运动聚类分析模块300，用于计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心。具体的，获取有效影像对集合中选择的影像对；综合分析特征点匹配的质量、空间分布，抽取一定数目的特征点匹配；根据共线方程，多次利用随机抽样一致算法，抽取特征点匹配，计算得到影像对间视点运动集合；通过聚类，得到所述视点运动集合的聚类中心。
[0136]
针对选择的影像对，综合分析特征点匹配的质量、空间分布，抽取一定数目的特征点匹配。根据共线方程，多次利用随机抽样一致算法抽取特征点匹配，计算得到多个可能的视点运动。针对视点运动的集合，综合运动表现形式的特点。通过聚类，得到该集合的聚类中心。聚类的实现方法包括但不限于快速搜寻密度峰值的聚类算法。
[0137]
所述影像分组模块400，用于基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反面翻转影像集进行分组。基于聚类中心判断视点运动的一致性时，定义影像对间视点运动不一致性指数f；基于不一致性指数f将物体正反面影像集进行多次划分，计算每次划分得到的影像分组结果的合理性，选择最佳的分组方式，得到最终的分组结果。
[0138]
在本实施例中，物体正反面翻转影像的自动分组系统在执行时采用如前述的一种物体正反面翻转影像的自动分组方法的步骤，因此，本实施例中对物体正反面翻转影像的自动分组系统的运行过程不再详细介绍。
[0139]
在一个实施例中，在本发明的实施例中还提供了一种计算机设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述的物体正反面翻转影像的自动分组方法，该处理器执行指令时实现上述各方法实施例中的步骤：
[0140]
获取物体正反面翻转影像集，并提取所述影像集中所有影像的特征像素点；
[0141]
将所述影像集中所有影像组合，生成影像对，并对所述影像对的特征点进行匹配；
[0142]
选择特征点匹配符合要求的影像对，得到有效影像对集合；
[0143]
计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心；
[0144]
基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反面翻转影像集进行分组。
[0145]
在一个实施例中，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行所述的物体正反面翻转影像的自动分组方法，步骤为：
[0146]
获取物体正反面翻转影像集，并提取所述影像集中所有影像的特征像素点；
[0147]
将所述影像集中所有影像组合，生成影像对，并对所述影像对的特征点进行匹配；
[0148]
选择特征点匹配符合要求的影像对，得到有效影像对集合；
[0149]
计算所述有效影像对集合中影像对间视点运动集合，通过聚类分析视点运动集合，得到所述视点运动集合的聚类中心；
[0150]
基于聚类中心判断视点运动的一致性，并根据视点运动的一致性对物体正反面翻转影像集进行分组。
[0151]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机指令表征的计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。
[0152]
非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。
[0153]
综上所述，本发明提供的技术方案具有以下优点：
[0154]
1、本发明提出采用分组的方式，将物体翻转影像进行自动划分，有效地避免传统摄影测量三维重建原理中场景(物体)静态假设对模型完整性的制约。
[0155]
2、本发明将影像间视点运动的一致性，用于区分物体是否翻转，并实现影像分组，逻辑清晰，操作简单。
[0156]
3、本发明采用自适应影像组别数目的影像划分方法，保证分组结果的有效性；同时该方法对运动一致性分析具有容错性，进而保证本发明方法的鲁棒性。
[0157]
4、本发明通过筛选有效影像对的方式，仅对部分影像对进行后续分析，降低问题的复杂度与计算量。
[0158]
本发明已在实际实验中得到充分验证，实现将不同背景、多种物体正反面翻转的影像进行分组的目标，能够通过分析影像间视点的运动，讨论“视点-物体”运动与“视点-背景”运动的一致性，并据此将影像分为多个视点运动一致的影像组。上述影像分组的结果与物体正反面翻转情况相符，进而达到了将物体翻转前后的影像区分的目的。
[0159]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。