Active Exposure Control for Robust Visual Odometry in HDR Environment
摘要
作者提出了一种主动主动曝光的控制方法,以提高视觉里程计在高动态范围(HDR)环境下的鲁棒性。作者的方法是在通过最大化鲁棒的基于梯度的图像质量度量来评估适当的曝光时间。利用相机的光度响应函数进行优化。作者的曝光控制方法在不同的真是环境下进行了评估,并优于相机内置的自动曝光功能。为了验证这种方法的好处,还采用了最先进的视觉里程计(SVO)来处理不同的曝光时间,并在具有挑战的HDR环境中使用他们的曝光控制方法来展示改进的性能。
We propose an active exposure control method to improve the robustness of visual odometry in HDR (high dynamic range) environments. Our method evaluates the proper exposure time by maximizing a robust gradient-based image quality metric. The optimization is achieved by exploiting the photometric response function of the camera. Our exposure control method is evaluated in different real world environments and outperforms the built-in auto -exposure function of the camera. To validate the benefit of our approach, we adapt a state-ofthe-art visual odometry pipeline (SVO) to work with varying exposure time and demonstrate improved performance using our exposure control method in challenging HDR environments.
引言
相关工作
光度响应函数
在本文中作者使用了1中所提出的光度响应函数。
(1) I = f ( X ) = f ( E Δ t ) I = f(X) = f(E \Delta t ) \tag{1} I=f(X)=f(EΔt)(1)
对每个像素而言,辐照度(irradiance) E E E描述了每个单位时间命中像素的能量。曝光 X X X是在曝光时间 Δ t \Delta t Δt内这个像素接收到的能量总数。光度响应函数 f f f表示了曝光 X X X和图像中的亮度 I I I之间的关系。
值得注意的是 f ( ⋅ ) f(\cdot ) f(⋅)是可逆的,因为亮度应该随着曝光的增加而单调增加。然后,为了方便,我们可以定义逆响应函数:
g ′ = l n f − 1 g ~ ( I ) = l n E + l n Δ t g' = ln f^{-1} \\ \widetilde{g}(I) = lnE+ln \Delta t g′=lnf−1g
(I)=lnE+lnΔt
图像质量指标
因为图像质量的度量标准高度依赖于应用。在VO应用中,梯度信息对于基于特征的方法和直接的方法都是非常重要的。在这部分,作者介绍了几个基于梯度的度量标准,然后将它们与实际数据进行比较。
基于梯度的指标
G ( I , u , Δ t ) = ∣ ∣ ∇ I ( u , Δ t ) ∣ ∣ 2 Δ I ( ⋅ ) = [ ∂ I ∂ x , ∂ I ∂ y ] T G(I,u,\Delta t) = ||\nabla I(u, \Delta t)||^2 \\ \Delta I(\cdot ) = [\frac{\partial I}{\partial x}, \frac{\partial I}{\partial y}]^T G(I,u,Δt)=∣∣∇I(u,Δt)∣∣2ΔI(⋅)=[∂x∂I,∂y∂I]T
- M s u m = ∑ u i ∈ I G ( u i ) M_{sum} = \sum_{u_i\in I}G(u_i) Msum=ui∈I∑G(ui)
- M s h i m = ∑ u i ∈ I m u i m u i = { 1 N log ( λ ( G ~ ( u i ) − σ ) + 1 ) , G ( u i ) ≥ σ 0 , G ( u i ) < σ M_{shim} = \sum_{u_i\in I}m_{u_i} \\ m_{\mathbf{u}_{i}}=\left\{\begin{array}{ll}{\frac{1}{N} \log \left(\lambda\left(\tilde{G}\left(\mathbf{u}_{i}\right)-\sigma\right)+1\right),} & {G\left(\mathbf{u}_{i}\right) \geq \sigma} \\ {0,} & {G\left(\mathbf{u}_{i}\right)<\sigma}\end{array}\right. Mshim=ui∈I∑muimui={ N1log(λ(G~(ui)−