单目视觉定位方法研究综述

根据单目视觉定位所用图像帧数不同把定位方法分为基于单帧图像的定位和基于双帧或多帧图像的定位两类。单帧图像定位常利用已知的点特征、直线特征或曲线特征与其在图像上的投影关系进行定位,其中用点特征和直线特征的定位方法简单有效而应用较多;基于双帧或多帧图像的定位方法因其操作复杂、精度不高而研究的还较少。通过对各方法的介绍和评述,为单目视觉定位问题的研究提供参考。     

基于视觉的地理定位中PnP算法的精度评估方法

近年来,基于地理位置服务的需求的飞速增长催生了定位技术的发展。基于视觉的方法利用多幅图像的拍摄参数关系能够恢复较精确的相机位姿,但目前并没有统一的评估方法对其性能进行定量评价。现今主流的相机位姿精度评估方法是与GPS进行比较,由于照片自带的GPS标签存在噪声,且不同坐标系之间的转换存在误差,将照片标签中的GPS作为真实值评估恢复的相机位姿精度不够客观。通过计算得到的位姿来建立参考平面,将PnP算法得到的相机位姿通过相同方法投影至参考平面进行评估,该精度评估方法客观可行。     

基于全景与前向视觉的足球机器人定位方法研究

针对足球机器人比赛中要求快速准确获取目标位置信息的特点,设计了由全景视觉和前向视觉共同构建而成的机器人视觉系统.对于单一视觉传感器,采用图像坐标系转换求反正切法、分段比例法及针孔摄像机成像模型的方法,以blob面积为优选条件选择定位方式,从而得到精度较高的定位结果.实验结果证明了该视觉系统设计的合理性及定位方法的有效性.     

基于视觉的空中加油定位技术研究

空中加油作为增加飞行器续航能力的一种有效手段,正受到越来越多的关注和研究,而具有低成本、无源性等优点的视觉导航技术为自动空中加油的实现提供了可靠的解决方案。首先介绍了空中加油的基本概念,包括软、硬两种不同方式以及从交会到脱离的过程;然后以加油锥套、受油接口、飞行器机体三种不同的研究主体为切入点,梳理了针对自动空中加油问题的视觉定位解决方案,着重阐述了其中基于视觉的检测跟踪和位姿估计过程,总结了其中可用的视觉定位算法;最后讨论了当前该领域待解决的问题,并展望未来的研究方向。     

基于LSD检测的无人机视觉着陆定位算法

针对复杂电磁干扰和拒止环境下固定翼无人机自主着陆的应用场景,提出了一种基于LSD的无人机视觉着陆定位算法,通过检测跑道的左右边线以及起始线对无人机进行定位;根据机场跑道的形态学特征,构建机场跑道数据模型,并对实验所用相机进行标定,采用灰度化和高斯滤波对采集到的图像进行预处理,采用LSD直线检测算法以提取跑道的直线特征,设计几何滤波策略从直线特征中提取出跑道的三条边线,采用蒙版技术以提高检测算法的抗干扰能力;根据相机成像原理推导出基于线检测的PNP定位算法,通过检测得到的机场跑道线在像素坐标系下的位置信息求出无人机相对于跑道的三维位置;分别在视景仿真环境和真实机场环境进行检测和定位解算,结果满足无人机着陆定位实时性和准确性的要求,从而验证了视觉着陆定位算法的有效性。     

移动机器人编队视觉定位方法研究

该文提出一种基于视觉的移动机器人编队定位方法。该方法采用基于纹理的图象对机器人进行标识,然后使用纹理中的特征点对机器人的位置和姿态进行估计,使用最小二乘算法使估计结果误差最小。实验证明该方法能够有效地对编队的移动机器人定位,同时对环境干扰具有鲁棒性。     

工业机器人装配中基于相机位姿估计算法的单目视觉定位研究

为了提升工业机器人在装配作业中的效率和精准度,结合软指派算法进行研究,构建基于相机位姿估计算法的单目标视觉定位系统,并对其进行仿真验证。实验结果显示,在参数对成功率的影响实验中实验成功率最低为92.5%,在图像噪声对成功率的影响实验中成功率最高达到了97.5%,位置估计误差最大值不超过4 mm,旋转误差在伪特征点的数量为最大时得到了最大值7°。     

基于Kinect的改进移动机器人视觉SLAM

针对传统ICP（iterative closest points,迭代最近点算法）存在易陷入局部最优、匹配误差大等问题,提出了一种新的欧氏距离和角度阈值双重限制方法,并在此基础上构建了基于Kinect的室内移动机器人RGB-D SLAM（simultaneous localization and mapping）系统。首先,使用Kinect获取室内环境的彩色信息和深度信息,通过图像特征提取与匹配,结合相机内参与像素点深度值,建立三维点云对应关系;然后,利用RANSAC（random sample consensus）算法剔除外点,完成点云的初匹配;采用改进的点云配准算法完成点云的精匹配;最后,在关键帧选取中引入权重,结合g2o（general graph optimization）算法对机器人位姿进行优化。实验证明该方法的有效性与可行性,提高了三维点云地图的精度,并估计出了机器人运行轨迹。     

基于合成数据的水下机器人视觉定位方法

针对水下场景水下机器人(AUV)位姿数据集难以获取、现有的基于深度学习的位姿估计方法无法应用的问题,提出了一种基于合成数据的AUV视觉定位方法。首先基于Unity3D仿真搭建虚拟水下场景,通过虚拟相机获取仿真环境下已知的渲染位姿数据。其次,通过非配对图像转换工作实现渲染图片到真实水下场景下的风格迁移,结合已知渲染图片的位姿信息得到了合成的水下位姿数据集。最后,提出一种基于局部区域关键点投影的卷积神经网络(CNN)位姿估计方法,并基于合成数据训练网络,预测已知参考角点的2维投影,产生2D-3D点对,基于随机一致性采样的Perspective-n-Point(PnP)算法获得相对位置和姿态。本文在渲染数据集以及合成数据集上进行了定量实验,并在真实水下场景进行了定性实验,论证了所提出方法的有效性。实验结果表明,非配对图像转换能够有效消除渲染图像与真实水下图像之间的差距,所提出的局部区域关键点投影方法可以进行更有效的6D位姿估计。     

机器视觉应用于混凝土加料的对接定位方法

混凝土装载机进行成品料卸料前的出料口位置视觉校准是进行混凝土装载的重要的一步，目的是通过计算机视觉系统，保证处于空间位置的出料口中心和处于固定位置的运输车装料口中心重合。研究出一种采用人机交互的方法。实验结果证明该方法可实现装／卸料口的准确定位，缩短了图像处理的时间，提高了混凝土卸料的速度。     

一种基于单目视觉的微型无人机姿态算法

针对无人机在连续飞行过程中的姿态求取问题,提出一种基于单目视觉的微型无人机姿态算法。基于无人机摄像机获得序列图像,利用图像尺度不变特性变换获取特征点信息,结合对极几何约束关系,运用随机采样一致性原理求解载体位姿变换信息,从而获得载体的导航信息。实验结果表明,通过单目序列图像获得的姿态角度变化精度优于0.1°,在180°旋转情况下的误差累加值小于1°。     

基于扩展卡尔曼滤波的实时视觉SLAM算法

单目视觉同步定位与地图创建(SLAM)算法的计算复杂度较高,难以满足实时处理的要求。为解决该问题,提出一种SLAM的优化算法。使用 FAST 特征点提取环境特征,对于每一个特征点构造 BRIEF 描述子,以提高算法执行效率,通过引入1-point随机抽样一致算法对算法的框架进行改进,降低算法的计算复杂度,实现视觉SLAM算法的实时处理。实验结果表明,在相机速度为30 f/s的情况下,该算法能满足实时性要求。     

基于ASIFT的无缝图像拼接方法

传统图像拼接方法对尺度、视差和光照变化较大的图像配准效果不佳。为此,提出一种基于仿射-尺度不变特征转换(ASIFT)算法的无缝图像拼接方法。采用能够抵抗强仿射情况的ASIFT算法检测特征点,并对特征点进行提取与匹配。利用随机抽样一致算法反复迭代,找到精确的变换矩阵初始值,根据变换矩阵进行2幅图像之间的统一坐标变换,使用加权平滑算法完成图像的无缝拼接。实验结果表明,与基于SIFT特征的拼接方法相比,该方法的图像拼接效果较好。     

一种基于几何约束的RANSAC改进算法

图像拼接技术中消除特征点误匹配是一项重要环节,针对传统的消除误匹配的RANSAC算法迭代次数多,计算复杂度较大且不能完全消除误匹配等缺点,提出了一种基于几何约束的RANSAC改进算法。该算法将几何约束法应用到RANSAC算法中,对图像特征匹配点进行聚类分组,根据每条匹配点对连接线的斜率应该相等、长度也应该相等这两个几何关系建立预判断模型,对匹配点对集合进行预提纯。实验证明,该算法相较于传统的RANSAC算法,误匹配基本消除,迭代次数减少,计算效率提高,从而提高了图像匹配算法的效率。     

基于RANSAC和Kalman滤波的足球机器人球速估计算法

针对中型组足球机器人如何有效地估计足球速度的问题,提出了一种基于Kalman滤波和RANSAC算法的新方法。首先对存储的若干帧足球位置信息作Kalman滤波,接着利用这些足球位置信息,建立若干个可能的足球速度模型并运用随机采样一致(RANSAC)算法选出最优的速度模型作为速度值。实验结果验证了该算法的有效性,同时由于RANSAC算法可以有效地去除外点的干扰,因此当足球位置信息具有较大噪声时,该方法可以较准确地估计足球的速度,较以往球速估计的算法具有更高的鲁棒性。     

具有全局速度约束的惯性／编码器／视觉／激光融合定位方法：IEVL-Fusion

针对卫星拒止环境中移动机器人高精度定位需求,提出一种基于误差状态扩展卡尔曼滤波（ES-EKF）的激光定位子系统／视觉定位子系统／全局速度测量子系统松耦合融合定位方法,并设计了一个误差低漂移的组合定位系统。首先,根据向量加法和矩阵乘法对系统状态的误差进行最小表示,建立误差形式的卡尔曼滤波模型,以误差状态的最优估计对系统状态的估计值进行补偿。然后,针对激光和视觉定位子系统位姿不确定度未知的问题,将位姿输出依时间戳转化为位姿增量,并建立位姿增量观测模型。其次,针对组合定位系统缺少全局速度约束的问题,利用姿态航向参考系统（AHRS）和正向运动学模型构建全局速度测量子系统,并建立全局速度观测模型。最后,在街道和野外两个场景中进行测试,本文算法的相对定位误差小于0.4%,相较于仅受局部速度约束的EKF和ES-EKF融合定位算法降低了约40%。实验结果表明,所提出的算法有效提升了定位系统的精度。     

Hough变换空间中基于直线的模板匹配

现有算法精度低,且线段被完全遮挡时会出现误匹配甚至无法匹配等情况,为此提出改进的直线匹配算法。该算法在 匹配阶段改进搜索方法,通过删除缺失目标直线对应的模板图像直线,建立新的模板图像轮廓再进行匹配,解决直线段缺失时无法匹配问题;在 匹配阶段引入RANSAC算法剔除误匹配直线对,解决误匹配问题。实验表明,该方法能解决目标直线被遮挡问题,并提高匹配精度。     

基于时空信息的多运动目标跟踪算法

利用帧差法和基于Sampson距离的随机抽样一致性（RANSAC）匹配算法,实现基于时空信息的多运动目标跟踪。采用帧差法获知运动目标大概位置,运用Harris算法提取每帧视频图像中运动目标的角点,并对其进行归一化处理,利用RANSAC算法对角点进行匹配,使用闽值分割法确定运动目标位置。实验结果表明,该方法能准确跟踪相似目标,其实时性较高。     

基于边的自适应实时三维跟踪

针对缺乏纹理特征的物体,提出了一种基于边的自适应实时三维跟踪方法。在已知物体三维模型的情况下,通过基于历史运动信息的物体边缘检测与跟踪,可以有效准确地求解出摄像机的外参。基于并扩展了现有的基于边的实时跟踪算法,其主要工作体现在以下三个方面： 1）提出自适应阈值和基于历史信息估计当前帧的运动趋势的方法,从而提高边匹配算法在快速运动时的稳定性;2）提出一种基于随机抽样一致性（RANSAC）的边匹配策略,可以有效剔除误匹配的边,从而提高复杂模型的跟踪稳定性;3）利用抽取轮廓边的算法将边跟踪算法从CAD模型扩展到一般的面片模型。实验结果证明了该方法的鲁棒高效,能够满足增强现实、虚拟装配等应用需求。     

基于结构并行的MRBP算法

BP(back propagation)算法是一种常用的神经网络学习算法,而基于Hadoop集群MapReduce编程模型的BP(MapReduce back propagation, MRBP)算法在处理大数据问题时,表现出良好的性能,因而得到了广泛应用.但是,由于该算法缺乏神经节点之间细粒度结构并行的能力,当遇到数据维度较高、网络节点较多时,性能还显不足.另一方面,Hadoop集群计算节点通信不能由用户直接控制,现有基于集群系统的结构并行策略不能直接用于MRBP算法.为此,提出一种适合于Hadoop集群的结构并行MRBP (structure parallelism based MapReduce back propagation, SP-MRBP)算法,该算法将神经网络各层划分为多个结构,通过逐层并行-逐层集成(layer-wise parallelism,layer-wise ensemble, LPLE)的方式,实现了MRBP算法的结构并行.同时,推导出了SP-MRBP算法和MRBP算法计算时间解析表达式,以此分析了2种算法时间差和SP-MRBP算法最优并行规模.据了解,这是首次将结构并行策略引入MRBP算法中.实验表明,当神经网络规模较大时,SP-MRBP较之原算法,具有较好的性能.