基于TOF相机的非合作矩形目标三维位姿测量方法

针对目前空间非合作矩形目标位姿测量过程中提取像素级特征点误差大、距离测量值不稳定等导致的测量精度不高的问题,提出一种基于TOF（Time-of-Flight）相机的非合作矩形目标三维位姿测量方法。首先对灰度图像进行修正的FAST特征点提取,然后分别计算提取出的特征点在相机坐标系和目标坐标系下的三维坐标,最后检测矩形目标亚像素级角点并融合30帧距离信息后再计算姿态角。实验结果表明,对于1m距离范围内边长为50mm的非合作矩形目标,Z轴、X轴、Y轴方向位置测量的绝对误差平均值分别为2.65mm、1.28mm、0.60mm。姿态角γ测量的绝对误差平均值降为0.52°。相对于传统的基于点云配准的位姿测量方法,姿态角测量的绝对误差降低了48.0%,显著地提高了非合作目标三维位姿测量的精度和稳定性,具有广泛的应用前景。     

增强现实环境下复杂板材的三维位姿跟踪方法

针对增强现实(AR)技术在实际工业生产场景应用中遇到的实时目标监测、复杂场景识别等问题,提出基于线特征求解板材三维位姿变化量的目标位姿跟踪方法,在单目摄像头环境下即可实现复杂表面板材的位姿监测与拟合。在利用头顶摄像头检测工件状态后,首先将当前帧图像进行降采样,再在HSV空间对进行图像预处理,并利用形态学梯度和改进的直线分割检测(LSD)直线算法提取边缘直线,然后结合模板图像的边缘直线以及利用多项式回归拟合关系曲线的方法求解出天线板的位姿变化量。实验结果表明:所提的基于改进的LSD算法提取线特征位姿监测方法相比基于ORB特征点和纹理特征位姿跟踪方法具有求解速度快、鲁棒性好等优点。     

基于立体视觉的非合作目标位姿测量

非合作航天器间相对位姿(位置和姿态)测量,是实现非合作目标的交会与捕获等在轨服务的前提。本文研究一种基于立体视觉的位姿测量方法,包括图像采集、图像滤波、边缘检测、特征提取、目标识别、3D重建、相对位姿计算等步骤,并分别进行计算机仿真和在自制物理平台上的验证实验。仿真实验结果验证了该方法的准确性和有效性。     

基于点线特征融合的视觉惯性SLAM算法

针对目前视觉SLAM方法鲁棒性差、耗时高,使系统定位不够精确的问题,提出了一种基于点线特征融合的视觉惯性SLAM算法。首先通过短线剔除和近似线段合并策略改进LSD（line segment detection）提取质量,以提高线特征检测的速率和准确度;然后在后端优化中有效融合了点、线和IMU数据,建立最小化目标函数进行优化,得到更精确的相机位姿;最后在EuRoC数据集和现实走廊场景进行了实验验证。实验表明,所提算法可以有效提升线特征提取的质量和速度,同时有效提高了SLAM系统的定位精度,获得更为丰富的点线结构地图。     

空间机器人捕获非合作目标的测量与规划方法

提出了基于立体视觉的空间机器人捕获非合作目标的测量与规划方法,包括图像处理与特征提取、3D 重构及位姿测量、自主规划与控制等．同时,还建立了一套仿真系统,可进行包括图像采集、位姿测量、追踪星 GNC、空间机器人规划与控制、航天器动力学计算等在内的闭环仿真．仿真结果验证了算法的有效性．     

基于结构光的星箭对接环相对位姿测量方法

空间非合作目标位姿测量是空间在轨维护的前提。面向空间机械手对空间载体自动抓捕的应用需求，提出了基于结构光的空间非合作目标视觉测量方法。该方法以双套双线结构光测量装置作为测量传感器，以空间载体上普遍存在的星箭对接环作为抓捕目标。根据对接环的共同特点，选择直线特征和点特征相结合作为相对位姿的求解特征；基于直线特征求解圆环平面法向量，基于点特征求解圆环圆心坐标，进而得到机械手工具坐标系与对接环坐标系间的相对位姿关系；基于多重几何约束实现了不同光照条件下图像上目标直线的鲁棒识别。建立了演示验证实验系统，在大量演示实验的基础上，进行了实验结果分析。     

基于手眼视觉的两种目标位姿测量法仿真分析

空间机器人手眼视觉系统利用合作目标物体上的合作特征点对目标物体进行位姿估计,以完成跟踪捕捉任务。针对空间机器人实时性的要求,给出了两种实时性较好的4个特征点的位姿测量算法,并且在相同仿真环境下对两种P4P位姿算法进行了分析比较。仿真结果表明:四面体体积测量的位姿测量算法对特征点的像点量化误差更加敏感,位姿测量结果偏差较大;坐标变换的位姿测量算法稳定,精度较高。后者在实际应用中,可以达到更高的精度。     

基于直线段检测和LT描述符的矿井图像线特征匹配算法

图像匹配是同步定位与地图构建（SLAM）技术中极为重要的一环,用于根据图像之间的变换关系确定相机位姿。基于线特征的图像匹配方法具有较强的鲁棒性和抗噪能力,更加适用于井下图像匹配,基于深度学习的线描述符对线段遮挡等场景具有较高的鲁棒性,性能优于传统描述符,但卷积神经网络架构的描述符将可变长度线段抽象为固定维进行描述,不利于线段长度及视差变化较大图像的匹配。针对上述问题,提出一种基于直线段检测和线描述符的矿井图像线特征匹配算法。在频域利用单参数同态滤波降低图像的照射分量,并增强反射分量,提升亮度及对比度;在YUV空间利用对比度受限的自适应直方图均衡化（CLAHE）算法对亮度分量进行均衡,使亮度分布更加均匀;变换至RGB空间提取直线段检测（LSD）线,引入一种基于Transformer架构的LT描述符构建LSD线的特征向量,最后完成线特征匹配。实验结果表明：该算法结合了同态滤波和CLAHE算法的优点,增强后图像的亮度适中,对比度良好,灰度分布均匀,增强效果优于单参数同态滤波算法、EnlightenGAN算法;该算法提取的线特征数较原图平均提升了32.92%,在不同相似纹理占比、不同程度旋转与...     

基于特征匹配的单目相机姿态解算

本文采用了一种基于AKAZE特征检测和PnP算法的单目视觉测量方法对相机的相对姿态进行解算,用于快速准确地确定空间中两个目标间的位姿关系.采集合作目标的模板图像,提取附加到合作目标上的4个特征点的像素坐标,利用AKAZE关键点对模板图像和待测图像进行匹配并计算映射矩阵,通过映射矩阵得到4个特征点在待测图像中的像素坐标,然后结合合作目标的尺寸信息求解基于4个共面特征点的PnP问题,解算相机与合作目标的相对位置.实验分析表明该方法计算的实时图像相机位姿与真实结果接近,验证了本文方法的有效性.     

基于特征跟踪的空间交会接近目标位姿测量研究

基于模拟航天器交会对接的地面实验系统,提出一种相对位姿测量算法,在保证测量精度的基础上,对特征提取具有稳健性,同时计算效率更高。首先使用自适应阈值方法对特征进行判断和提取,然后采用倒序搜索的算法,对第一帧在全局范围内进行搜索,后续的图像利用Kalman滤波器进行预测估计搜索,极大地提高了搜索效率和抗干扰能力,再由提取到的特征点信息利用P3P等算法进行追踪航天器和目标航天器的相对位姿计算,将此结果传递给控制系统以使控制系统发出相应的指令。实验结果显示,可缩小搜索区间范围至2像素,计算精度为0.001 m和0.001°,同时计算速度提高63.2%。     

融合点线特征的视觉惯性SLAM算法

为使移动机器人在昏暗场景中获得更高的定位精度以实现更好的建图效果,针对特征点稀疏、相机移动过快所导致的SLAM算法初始化困难、定位精度较低等问题,提出了一种融合点线特征的视觉惯性SLAM算法。通过EDLines线特征提取匹配算法来引入丰富的线特征,进而提升特征跟踪的鲁棒性;利用惯性传感器和视觉传感器的互补优势,通过视觉惯性分步联合初始化方法在初始化阶段分三步进行优化,进而提升初始化的精度和速度。实验表明,该算法所使用的线特征提取匹配算法相比传统的LSD算法具有了更快的匹配速度和更低的误匹配率,并且该算法在视觉惯性数据集中相机位姿的估计精度更高、鲁棒性更强。     

用于线段特征提取的改进Hough变换

线段是符号的一个具有旋转、平移和尺度不变的稳定性特征,正确提取符号的线段特征对于提高符号识别系统的识别率有很重要的意义。针对已有的基于Hough变换的线段提取算法的缺点,该文提出了一种用于线段特征提取的改进Hough变换算法。通过采用“多对一”映射;将Hough变换的投票过程和线段参数的检测过程融为一体;动态管理算法所需的临时存储空间等手段,使该算法具有较好的计算复杂度和空间复杂度。针对数字图像的量化特点,精心设计了用于检测在直线上点的条形区域,从而大大地降低了噪声对线段参数检测的影响,使该算法具有较好的检测性能和鲁棒性。实验表明,该文算法能正确提取出线段的端点坐标及其长度。     

动态环境下基于深度学习的语义SLAM算法

针对应用场景中存在的运动物体会降低视觉同步定位与地图构建（SLAM）系统的定位精度和鲁棒性的问题,提出一种基于语义信息的动态环境下的视觉SLAM算法。首先,将传统视觉SLAM前端与YOLOv4目标检测算法相结合,在对输入图像进行ORB特征提取的同时,对该图像进行语义分割;然后,判断目标类型以获得动态目标在图像中的区域,剔除分布在动态物体上的特征点;最后,使用处理后的特征点与相邻帧进行帧间匹配来求解相机位姿。实验采用TUM数据集进行测试,测试结果表明,所提算法相较于ORB-SLAM2在高动态环境下在位姿估计精度上提升了96.78%,同时该算法的跟踪线程处理一帧的平均耗时为0.065 5 s,相较于其他应用在动态环境下的SLAM算法耗时最短。实验结果表明,所提算法能够实现在动态环境中的实时精确定位与建图。     

基于点线特征融合的低纹理单目视觉同时定位与地图构建算法

当图像因相机快速运动造成模糊或者处在低纹理场景时,仅使用点特征的同步定位与地图构建（SLAM）算法难以跟踪提取足够多的特征点,导致定位精度和匹配鲁棒性较差。而如果造成误匹配,甚至系统都无法工作。针对上述问题,提出了一种基于点线特征融合的低纹理单目SLAM算法。首先,加入了线特征来加强系统稳定性,并解决了点特征算法在低纹理场景中提取不足的问题;然后,对点、线特征提取数量的选择引入了加权的思想,根据场景的丰富程度,对点线特征的权重进行了合理分配。所提算法是在低纹理场景下运行的,因而设置以线特征为主、点特征为辅。在TUM室内数据集上的实验结果表明,与现有的点线特征算法相比,所提算法有效地提高了线特征的匹配精度,使得轨迹误差减小了大约9个百分点,也使得特征提取时间减少了30个百分点,使加入的线特征在低纹理场景中发挥出积极有效的作用,提高了数据整体的准确度和可信度。     

改进YOLO V2的6D目标姿态估计算法

针对目标的三维姿态估计,结合基于深度学习的目标检测模型,提出一种基于改进YOLO V2的6D目标姿态估计算法。通过卷积神经网络提取一幅RGB图像中目标的特征信息;在2D检测的基础上将目标的位置信息映射到三维空间;利用点到点的映射关系在三维空间匹配并计算目标的自由度,进而估计目标的6D姿态。该算法不仅能检测单幅RGB图像中的目标,还可以预测目标的6D姿态,同时不需要额外的后处理过程。实验表明,该算法在LineMod和Occlusion LineMod数据集上的性能优于最近提出的其他基于CNN的方法,在Titan X GPU上的运行速度是37?frame/s,适合实时处理。     

一种基于极坐标变换的点模式匹配算法

点模式匹配是目标识别、图像配准与匹配、姿态估计等计算机视觉与模式识别应用方向的基础问题之一。提出了一种新的利用点特征进行匹配的算法,该算法根据点集的分布与点位置信息,构建了点的特征属性图,通过极坐标变换得到对数极坐标的特征图,并利用几何不变矩方法对特征图进行描述。由特征描述向量的比较,获得粗匹配结果,然后通过几何约束迭代的方法获取最终的点集匹配结果。本文贡献如下:一,构建了一种点的极坐标变换特征,并运用不变矩进行描述,使所提特征具有旋转与平移的不变性;二,提出了利用点特征与整体点集几何约束结合的匹配算法,能有效克服出格点与噪声带来的不利影响。最终实验说明了算法的有效性和鲁棒性。     

一种基于RANSAC的点云特征线提取算法

点云中提取的特征线在点云处理中具有重要的应用价值,已被应用于对称性检测、表面重建及点云与图像之间的注册等。然而,已有的点云特征线提取算法无法有效地处理点云中不可避免的噪声、外点和数据缺失,而随机采样一致性RANSAC由于具有较高的鲁棒性,在图像和三维模型处理中具有广泛的应用。为此,针对由建筑物或机械部件等具有平面特征的物体扫描得到的点云,提出了一种基于RANSAC的特征线提取算法。本算法首先基于RANSAC在点云中检测出多个平面,然后将每个平面参数化域的边界点作为候选,在这些候选点上再应用基于全局约束的RANSAC得到最终的特征线。实验结果表明,该算法对点云中的噪声、外点和数据缺失具有很强的鲁棒性。     

三维重建系统下的特征点处理与位姿恢复优化算法

基于SIFT算法原理,构建了一个全新的算法框架,使用FCN（fully convolutional networks,全卷积神经网络）和BP（back propagation,反向传播）神经网络,综合考虑图像主目标的语义分割、图像灰度共生矩阵等方面的影响,实现了自适应的特征点检测范围、数量调整,并在特征点匹配阶段利用相机位姿偏移稳定性剔除误匹配,同时采用基于图优化的方法对位姿恢复结果进行非线性优化,得到了更加精确的相机位姿。最后与现有主流算法进行分析比对,实验结果验证了该算法的有效性,提高了特征点检测的场景自适应程度与特征点匹配、位姿恢复的精度,实现了更加高效的三维重建。     

肌骨超声图像特征检测及拼接

目的 肌骨超声宽景图像易出现解剖结构错位、断裂等现象,其成像算法中的特征检测影响宽景图像的质量,也是超声图像配准、分析等算法的关键步骤,但目前仍未有相关研究明确指出适合提取肌骨超声图像特征点的算法。本文利用结合SIFT （scale invariant feature transform）描述子的FAST（features from accelerated segment test）算法以及SIFT、SURF（speeded-up robust features）、ORB（oriented FAST and rotated binary robust independent elementary features（BRIEF））算法对肌骨超声图像序列进行图像拼接,并对各算法的性能进行比较评估,为肌骨超声图像配准、宽景成像提供可参考的特征检测解决方案。方法 采集5组正常股四头肌的超声图像序列,每组再采样10幅图像。利用经典的图像拼接算法进行肌骨图像的特征检测以及图像拼接。分别利用上述4种算法提取肌骨超声图像的特征点;对特征点进行特征匹配,估算出图像间的形变矩阵;对所有待拼接的图像进行坐标变换以及融合处理,得到拼接全景图,并在特征检测性能、特征匹配性能、图像配准性能以及拼接效果等方面对4种算法进行评估比较。结果 实验结果表明,与SIFT、SURF、ORB算法相比,FAST-SIFT算法所提取的特征点分布更均匀,可以检测到大部分肌纤维的端点,且特征点检测时间最短,约4 ms,其平均匹配对数最多,是其他特征检测算法的25倍,其互信息和归一化互相关系数均值分别为1.016和0.748,均高于其他3种特征检测算法,表明其图像配准精度更高。且FAST-SIFT算法的图像拼接效果更好,没有明显的解剖结构错位、断裂、拼接不连贯等现象。结论 与SIFT、SURF、ORB算法相比,FAST-SIFT算法是更适合提取肌骨超声图像特征点的特征检测算法,在图像配准精度等方面都具有一定的优势。     

基于灰度直方图的运动目标特征检测算法

为提高运动目标的检测效果和指导性，提出一种基于灰度直方图分析的运动目标特征检测算法。采用视觉成像技术进行运动目标图像采集和视觉特征分析，提取运动目标的动态视觉特征量。根据运动目标边缘差分变换和空间位置关系进行运动图像的特征分离，提取运动目标图像的边缘轮廓特征量。采用统计形状模型进行运动目标图像的二值化分离，构建运动目标图像的灰度直方图。根据灰度直方图中的统计信息进行目标特征检测和动态特征提取，实现运动目标图像的视觉检测和动态识别，有效提取运动目标的关键特征，实现目标特征检测。仿真结果表明，采用该方法进行运动目标图像的特征检测性能较好，对运动目标的动态识别能力较强。