基于视觉定位的脑外科机器人坐标变换问题研究

视觉定位脑外科手术机器人是近年来发展起来的一种新型医疗机器人。该文首先介绍了整个视觉定位脑外科手术机器人系统的构成和手术过程,随后在传统的通过机器人机械臂点取病人头部四个标记点来建立机器人坐标系与患者头部仿射坐标系之间转换关系的基础上,引入视觉定位功能,通过双目视觉建立起机器人坐标系与患者仿射坐标系之间的关系,从而在根本上提高了系统的机器人坐标系,患者仿射坐标系,3维模型坐标系以及世界坐标系之间的转换精度,有利于进一步的机器人精确手术实现。     

智能手机camera应用的设计与实现

当前主流的智能手机平台有Symbian UIQ和Microsoft Windows Mobile,除了以上两种,还有其他一些平台,本文给出了在一种开源平台:linux Qtopia上如何来实现camera应用。Linux Qtopia相对其他平台的优势有两个:一个是开源,需要时你可以对源代码进行的裁剪和修改;另一个是费用低廉,这对企业提高竞争力也有很大的帮助。     

校靶镜检定装置设计与图像处理技术研究

根据校靶镜的检定需求,研究了校靶镜检定装置,可完成不同口径的校靶镜检定,扩展了检定范围。采用外调焦平行光管提供20m、50m、100m以及无穷远四种模拟目标,以满足不同目标距离的校靶镜的检定需要。同时采用CCD摄像系统与图像判读程序替代人眼读数,由于数字化图像传感器克服了人眼分辨力的不足,因此简化了校靶过程,校靶精度得到提高,检定时间得到缩短。     

图像检测技术在液态试剂浓度检测中的研究与应用

该文通过设计并实现了针对实验室检测环境的一类图像检测系统研究了利用图像检测技术分析液态试剂浓度的可行性。该系统通过彩色摄像头采集检测图像,然后通过图像的颜色特征获取检测物的含量信息。该文针对检测图像的颜色特征和空间结构信息,采用颜色直方图、基于颜色的阈值分割技术、区域增长分割方法实现检测图像分割处理和统计特征的提取。最后,该文以一组荧光试剂含量检测为例,验证了本图像检测系统的可行性。     

多视角几何Rao-Blackwellised SLAM算法

低成本传感器、高精度定位是机器人同步定位与地图构建的热点研究问题。采用单视觉传感器来获取多个图像视觉信息,通过因式分解求解多幅图像的空间关系;利用多视角几何理论获得环境深度信息。机器人的同步定位与地图构建是通过对观测模型进行一阶泰勒近似,以及Rao-Blackwellised粒子滤波迭代进行的。在MT-R移动机器人研究平台进行实验,实验结果表明所提出的方法在定位精度指标优于经典的EKF-SLAM方法,并且只需要单个摄像头。     

基于CMOS摄像头的智能寻迹车的设计与实现

分析了自动寻迹智能车的几个关键实现技术,给出了一种采用CMOS摄像头检测方式的智能车的电路设计、控制算法和软件流程.测试结果表明该车能够准确跟踪引导线运行.     

俯视深度头肩序列行人再识别

目的 行人再识别是指在一个或者多个相机拍摄的图像或视频中实现行人匹配的技术,广泛用于图像检索、智能安保等领域。按照相机种类和拍摄视角的不同,行人再识别算法可主要分为基于侧视角彩色相机的行人再识别算法和基于俯视角深度相机的行人再识别算法。在侧视角彩色相机场景中,行人身体的大部分表观信息可见;而在俯视角深度相机场景中,仅行人头部和肩部的结构信息可见。现有的多数算法主要针对侧视角彩色相机场景,只有少数算法可以直接应用于俯视角深度相机场景中,尤其是低分辨率场景,如公交车的车载飞行时间（time of flight,TOF）相机拍摄的视频。因此针对俯视角深度相机场景,本文提出了一种基于俯视深度头肩序列的行人再识别算法,以期提高低分辨率场景下的行人再识别精度。方法 对俯视深度头肩序列进行头部区域检测和卡尔曼滤波器跟踪,获取行人的头部图像序列,构建头部深度能量图组（head depth energy map group,HeDEMaG）,并据此提取深度特征、面积特征、投影特征、傅里叶描述子和方向梯度直方图（histogram of oriented gradient,HOG）特征。计算行人之间头部深度能量图组的各特征之间的相似度,再利用经过模型学习所获得的权重系数对各特征相似度进行加权融合,从而得到相似度总分,将最大相似度对应的行人标签作为识别结果,实现行人再识别。结果 本文算法在公开的室内单人场景TVPR （top view person re-identification）数据集、自建的室内多人场景TDPI-L （top-view depth based person identification for laboratory scenarios）数据集和公交车实际场景TDPI-B （top-view depth based person identification for bus scenarios）数据集上进行了测试,使用首位匹配率（rank-1）、前5位匹配率（rank-5）、宏F1值（macro-F1）、累计匹配曲线（cumulative match characteristic,CMC）和平均耗时等5个指标来衡量算法性能。其中,rank-1、rank-5和macro-F1分别达到61%、68%和67%以上,相比于典型算法至少提高了11%。结论 本文构建了表达行人结构与行为特征的头部深度能量图组,实现了适合低分辨率行人的多特征表达;提出了基于权重学习的相似度融合,提高了识别精度,在室内单人、室内多人和公交车实际场景数据集中均取得了较好的效果。     

智能手机camera应用的设计与实现

当前主流的智能手机平台有Symbian＋UIQ和MicrosoftWindowsMobile,除了以上两种,还有其他一些平台,本文给出了在一种开源平台：linux＋Qtopia上如何来实现camera应用。Linux＋Qtopia相对其他平台的优势有两个：一个是开源,需要时你可以对源代码进行的裁剪和修改;另一个是费用低廉,这对企业提高竞争力也有很大的帮助。     

基于深度学习的真实尺度运动恢复结构方法

传统的多视图几何方法获取场景结构存在两个问题：一是因图片模糊和低纹理带来的特征点误匹配,从而导致重建精度降低;二是单目相机缺少尺度信息,重建结果只能确定未知的比例因子,无法获取准确的场景结构。针对这些问题本文提出一种基于深度学习的真实尺度运动恢复结构方法。首先使用卷积神经网络获取图片的深度信息;接着为了恢复单目相机的尺度信息,引入惯性传感单元(IMU),将IMU获取的加速度和角速度与ORB-SLAM2获取的相机位姿进行时域和频域上的协同,在频域中获取单目相机的尺度信息;最后将图片的深度图和具有尺度因子的相机位姿进行融合,重建出场景的三维结构。实验表明,使用Depth CNN网络获取的单目图像深度图解决了多层卷积池化操作输出图像分辨率低和缺少重要特征信息的问题,绝对值误差达到了0.192,准确率高达0.959;采用多传感器融合的方法,在频域上获取单目相机的尺度能够达到0.24 m的尺度误差,相比于VIORB方法获取的相机尺度精度更高;重建的三维模型与真实大小具有0.2 m左右的误差,验证了本文方法的有效性。