32、基于图像的相机网络分布式定位算法解析

基于图像的相机网络分布式定位算法解析

1. 引言

近年来，硬件创新催生了可配备小型相机的低功耗传感器节点，这些节点能组成无线相机传感器网络（CSNs），广泛应用于监控、安全、智能环境、灾区监测、太空探索和机器人协调等领域。

在诸多应用场景中，节点在三维空间中任意分布，需交换关于同一场景量（如物体姿态）的信息。由于每台相机只能基于自身参考系估计物体姿态，所以要确定物体在全局参考系下的姿态，就需先找到相机间的相对变换，进而确定相机在全局参考系下的姿态。理论上，视野重叠的两台相机可通过标准计算机视觉算法，利用图像中的二维对应点来确定相对姿态。然而，受图像测量噪声和二维点匹配误差的影响，这些局部估计的相对姿态可能不一致。

为实现 CSN 的一致定位，一种方法是将各节点的图像数据或二维点传输至一个节点进行集中处理，但这对通信和计算资源要求较高，在 CSN 中可能难以实现。另一种方法是部分相机进行局部特征提取和匹配，所有相机协作融合局部估计，以实现全局定位。分布式共识算法是将局部相对姿态测量结果整合为全局一致定位的理想选择，但经典的平均共识算法主要适用于低维欧几里得数据，而物体和相机定位问题涉及从二维图像估计的非欧几里得量（物体/相机姿态）。

2. 平均共识算法回顾

平均共识算法在分布式系统的合作与信息融合中备受关注。在基本的平均共识设置中，传感器网络用有向图 $G = (V, E)$ 表示，其中顶点 $V = {1, …, N}$ 代表网络节点，边 $(i, j) \in E$ 表示节点间的通信链路或相机视野重叠关系。假设网络和视野图已知且等价，图为对称图。节点 $i$ 的邻居集记为 $N_i = {j \in V | (i, j) \in E}