模型基编码的运动参数估计及误差准则

在人脸序列的图像编码中 ,模型基编码方法可以获得高的主观图像质量和低的码率 ,而受到广泛重视。但是 ,其运动参数的可靠估计还是一个难点 ,而且也没有一个较好的适合视觉特性的误差准则。本文提出了基于特征点的运动参数估计算法 ,并根据边沿 ,亮度和端点特性来自动提取特征点及自适应调整点的数目。提出用重建的图像的质量来估价运动参数误差 ,并给出了误差面积和轮廓转折率误差二个函数。这二个函数较好地反映了运动参数误差引入的图像几何失真。     

基于单目的手持式视觉测量方法研究

提出一种基于单目视觉和惯性传感器的视觉测量方法,当手持移动摄像头时,利用惯性传感器获取摄像头轨迹,再根据多视角测量原理,测量被测物体的大小、位置等信息;利用图像特征点的移动信息抑制加速度传感器的累积误差。实验证明测量结果误差在2%以内,且该方法不需要任何摄像机外参数的先验知识及定标参照物,可满足实际测量需求。     

运动视觉误差分析的模型设计与实现

针对运动目标模型三维建模中,视觉误差导致建模的准确性不好的问题,提出一种基于运动视觉误差补偿的三维模型设计方法。采用全息投影方法进行三维运动模型图形采集,结合边缘像素特征提取方法进行三维模型的体绘制,根据运动视觉误差补偿方法构建图像重构的三维数据场,进行运动模型的边缘轮廓特征提取和Harris角点检测,实现运动模型的三维重建和视景仿真重构。仿真结果表明,采用该方法进行运动模型重建,输出三维模型的噪点较小,轮廓特征配准精度较高,运动图像识别的视觉误差收敛到零,提高成像质量。     

视觉SLAM在动态场景下的图像处理方法

SLAM一直是机器人领域的研究热点,近年来取得了万众瞩目的进步,但很少有SLAM算法考虑到动态场景的处理。针对视觉SLAM场景中动态目标的处理,提出一种在动态场景下的图像处理方法。将基于深度学习的语义分割算法引入到ORB_SLAM2方法中,对输入图像进行分类处理的同时剔除人身上的特征点。基于已经剔除特征点的图像进行位姿估计。在TUM数据集上与ORB_SLAM2进行对比,在动态场景下的绝对轨迹误差和相对路径误差精度提高了90%以上。在保证地图精度的前提下,改善了地图的适用性。     

基于IEKF视觉运动分析递归算法的研究

本文提出基于图象序列上特征点的图象平面轨迹进行运动参数估计，以提取运动物体的姿态、速度以及外部环境内所感兴趣点的位置参数，由于图象特征点轨迹与待估计的参数有关，因此能够组合长序列图象内的信息并利用ＩＥＫＦ递归地估计未知的运动及结构参数。     

基于动态特征剔除的图像与点云融合的机器人位姿估计方法

针对动态物体影响传感器进行机器人位姿估计的问题,本文提出了一种基于动态特征剔除点云与图像融合的位姿估计方法。首先,YOLOv4和PointRCNN分别被用于识别图像和点云中的潜在运动目标并提取候选框。其次,在视觉定位方面,双目视觉与稀疏光流被用于路标点的构建与追踪,并根据候选框剔除动态特征点,随后构建重投影误差函数,通过基于RANSAC剔除的非线性优化方法求解相机位姿;在激光定位方面,提取前后帧的直线与平面特征点,并根据候选框进行筛选,基于特征点到直线或平面的距离构建误差函数,进而求解激光雷达位姿。为使系统不再局限于单一传感器的使用环境限制,通过自适应加权方法,有效融合了两种位姿结果。最后,通过KITTI数据集和动态场景采集的数据进行定量实验对比,验证了剔除动态特征后的位姿估计的精确性以及融合算法的有效性。     

移动机器人轨迹跟踪的模糊PID-P型迭代学习控制

本文针对移动机器人轨迹跟踪控制问题的研究,提出了一种基于移动机器人运动模型的模糊开闭环PID-P型非线性离散迭代学习控制方法,给出了PID-P型迭代学习的收敛条件及其证明过程,并采用模糊控制的原理整定PID三个学习增益矩阵的参数.该控制方法提高了移动机器人对特定轨迹的重复跟踪能力,具有算法实现简单的特点.实验仿真结果表明,采用模糊开闭环PID-P型迭代学习控制算法对轨迹跟踪是可行有效的.     

应用于校正扩展视场偏差的红外成像测量方法

介绍了一种可扩展视场红外光学系统的工作原理,针对系统初始化后由于楔形镜装配误差引起的视场偏差对成像的影响,设计了一种校正该光学系统视场偏差的红外成像测量方法。通过计算机视觉技术在目标运动轨迹测量中的应用,把该技术与红外成像系统进行结合;用红外成像系统对运动目标成像,将目标的运动轨迹视为序列离散点,利用计算机视觉技术对这些离散点进行轨迹检测,并采集这些目标连续运动过程中的离散点图像。后期通过对采集的目标运动轨迹原始图像进行像图像处理,运用编程仿真构造目标的实际运动轨迹,最终完成了可扩展视场红外光学系统视场偏差的校正。结果表明,基于计算机视觉技术的红外成像测量方法能够很好地实现运动目标的轨迹测量。     

基于视觉SLAM的动态图像处理方法研究

为解决动态图像处理方法误差大、处理精确性差的问题,以热门的SLAM为目标,对动态图像的处理做进一步的研究,提出基于视觉SLAM的动态图像处理方法。通过设计的ORB-SLAM线程和动态场景下结合PSP网络,实现目标运作的图像切割技术。实现了对ORB-SLAM和图像分割的完美融合。同时剔除目标的动态点,通过将数据集与传统的动态图像处理方法进行对比,得到相应的误差分析数据。实验证明,相较于传统的动态图像处理方法,在动态场景下的绝对轨迹误差、相对路径误差的精度均稳定提高,间接证明了提出的动态图像处理方法的实用性。     

动态场景下融合YOLOv5s的视觉SLAM算法研究

为了解决视觉同步定位与建图(Simultaneous Localization and Mapping, SLAM)系统在动态场景下容易受到动态物体干扰,导致算法定位精度和鲁棒性下降的问题,提出了一种融合YOLOv5s轻量级目标检测网络的视觉SLAM算法。在ORB-SLAM2的跟踪线程中添加了目标检测和剔除动态特征点模块,通过剔除图像中的动态特征点,提高SLAM系统的定位精度和鲁棒性。改进了YOLOv5s的轻量化目标检测算法,提高了网络在移动设备中的推理速度和检测精度。将轻量化目标检测算法与ORB特征点算法结合,以提取图像中的语义信息并剔除先验的动态特征。结合LK光流法和对极几何约束来剔除动态特征点,并利用剩余的特征点进行位姿匹配。在TUM数据集上的验证表明,提出的算法与原ORB-SLAM2相比,在高动态序列下的绝对轨迹误差(Absolute Trajectory Error, ATE)和相对轨迹误差(Relative Pose Error, RPE)均提高了95%以上,有效提升了系统的定位精度和鲁棒性。相对当前一些优秀的SLAM算法,在精度上也有明显的提升,并且具有更高的实时性,在移...     

基于三维激光点云的运动图像动态目标识别方法

当前的动态目标识别方法在场景复杂的图像中,因为无法采集足够多的特征信息,导致识别结果应用性受限。基于三维激光点云提出一种运动图像动态目标识别方法。利用三维扫描系统获取运动点云图像特征,在不影响有效信息采集的情况下,进行图像预处理;引入地平面方程,将图像背景点云与被识别目标点云通过欧式聚类法分割,提取处理后的被识别目标关键点,并采用Freeman链码检测边缘特征,完成运动图像动态目标识别。试验对比结果表明,所研究基于三维激光点云的运动图像动态目标识别方法,对动态目标有良好的鉴别能力及较好的识别精度,且所需动态目标识别时间较短。     

基于模糊图像合成的微结构平面运动测量技术

动态测试技术在MEMS研发过程中具有极为重要的作用。本文在机器微视觉的MEMS动态测试系统的基础上 ,基于模糊图像合成技术对MEMS谐振器的运动特性如谐振器的运动幅度、谐振频率 f及品质因数Q等重要参数进行了测试 ,并给出了实验结果。     

基于全方位视觉的移动机器人运动目标检测*

针对移动机器人动态背景下运动目标的检测,提出一种基于全方位视觉的检测算法。首先,改进了SIFT算法中的特征点提取方法,在将图像划分为若干网格后,再根据特征点所在位置的局部区域熵对每个网格中的候选特征点进行筛选;其次,在SIFT点匹配后采用RANSAC算法去除误匹配点,以提高背景补偿的精度;最后用帧差法检测出运动目标。实验表明,该算法减少了SIFT点的获取时间,并具有良好的鲁棒性,能准确地在机器人运动过程中检测出运动目标。     

一种基于迭代运动估计的全景稳像系统

提出一种图像全景补偿输出的实时稳像系统.首先,提出了基于子区域运动迭代的全局运动估计算法,来快速有效地求取图像平面的仿射运动参数:在求取各子区域运动时,采用灰度投影相关的三点自适应搜索策略,结合大小搜索步长,进行由粗到细的搜索定位;然后将各子区域运动带人6参数仿射运动模型,通过最小二乘迭代,去除误差较大块即误匹配或前景运动块,从而提高全局运动估计精度.其次,对原始运动矢量序列进行滤波处理,以提取抖动参数:采用Kalman滤波器,一方面较好地平滑运动矢量以降低视频抖动,另一方面有效跟随摄像系统的有意扫描运动.最后,提出图像全景补偿方法,有效改善图像边界信息缺失带来的视觉误差.实验结果表明该系统可以实时处理视频序列的平移旋转等抖动,而且输出全景视频图像保持视觉的完整流畅.     

基于模糊图像合成的微结构平面运动测量技术

动态测试技术在MEMS研发过程中具有极为重要的作用.本文在机器微视觉的MEMS动态测试系统的基础上,基于模糊图像合成技术对MEMS 谐振器的运动特性如谐振器的运动幅度、谐振频率f及品质因数Q等重要参数进行了测试,并给出了实验结果.     

基于模糊图像合成的微结构平面运动测量技术

动态测试技术在MEMS研发过程中具有极为重要的作用。本文在机器微视觉的MEMS动态测试系统的基础上,基于模糊图像合成技术对MEMS谐振器的运动特性如谐振器的运动幅度、谐振频率f及品质因数Q等重要参数进行了测试,并给出了实验结果。     

基于优选特征轨迹的全分辨率视频稳定

该文提出一种基于优选特征轨迹的视频稳定算法。首先,采用改进的Harris角点检测算子提取特征点,通过K-Means聚类算法剔除前景特征点。然后,利用帧间特征点的空间运动一致性减少错误匹配和时间运动相似性实现长时间跟踪,从而获取有效特征轨迹。最后,建立同时包含特征轨迹平滑度与视频质量退化程度的目标函数计算视频序列的几何变换集以平滑特征轨迹获取稳定视频。针对图像扭曲产生的空白区,由当前帧定义区与参考帧的光流作引导来腐蚀,并通过图像拼接填充仍属于空白区的像素。经仿真验证,该文方法稳定的视频,空白区面积仅为Matsushita方法的33%左右,对动态复杂场景和多个大运动前景均具有较高的有效性并可生成内容完整的视频,既提高了视频的视觉效果,又减轻了费时的边界修复任务。     

视觉注意驱动的基于混沌分析的运动检测方法

提出了视觉注意驱动的基于混沌分析的运动检测方法(MDSA)。MDSA首先基于视觉注意机制提取图像的显著区域,而后对显著区域进行混沌分析以检测运动目标。算法技术路线为:首先根据场景图像提取多种视觉敏感的底层图像特征;然后根据特征综合理论将这些特征融合起来得到一幅反映场景图像中各个位置视觉显著性的显著图;而后对显著性水平最高的图像位置所在的显著区域运用混沌分析的方法进行运动检测;根据邻近优先和返回抑制原则提取下一最显著区域并进行运动检测,直至遍历所有的显著区域。本文对传统的显著区域提取方法进行了改进以减少计算量:以邻域标准差代替center-surround算子评估图像各位置的局部显著度,采用显著点聚类的方法代替尺度显著性准则提取显著区域;混沌分析首先判断各显著区域的联合直方图（JH）是否呈现混沌特征,而后依据分维数以一固定阈值对存在混沌的JH中各散点进行分类,最后将分类结果对应到显著区域从而实现运动分割。MDSA具有较好的运动分割效果和抗噪性能,对比实验和算法开销分析证明MDSA优于基于马塞克的运动检测方法（MDM）。      

红外运动目标轨迹重构动态仿真平台

提出了一种红外热成像视频中运动目标识别追踪以及轨迹重构的动态仿真方法。通过仿真环境中虚拟红外图像的生成方式与成像的基本模型,对得到的图像进行一系列预处理。以空对空场景搭建了基于Gazebo与OpenCV的动态仿真平台,利用平滑约束算法对追踪目标进行实时动态轨迹重构,提出了误差分析模型,并分析出轨迹重构算法的性能以及仿真平台的效能。实验结果表明,该方法针对空对空场景下的红外运动目标轨迹重构具有较好的精度与鲁棒性,对目标的运动模型基本没有约束,同时仿真平台具有较高的运行效能与实时性,普通家用电脑即可实现高于60 fps的实时动态仿真,满足轨迹重构算法性能测试与训练的需求,其核心算法亦可迁移至机载计算平台实现真实场景下的实时轨迹重构。所提出的单路热成像视频中运动目标轨迹重构动态仿真方法对空间目标三维轨迹重建与动态测距定位的研究具有重要意义。     

动态图像跟踪优化算法的研究与仿真

传统图像跟踪算法中,跟踪的图像搜索过程需要历遍所有特质,在图像场景较为复杂的情况下,在"无用"匹配点上耗费大量计算时间,跟踪过程误差较大。提出一种适用于复杂场景下动态图像跟踪优化算法,选择在复杂场景下鲁棒性较强的参数,以增加复杂场景下目标描述的信息量和稳定性;引入一种MAD(平均绝对差)匹配算法:在进行动态图像跟踪过程中采用MAD算法和鲁棒性参数相结合,通过动态帧图像和静态帧对比量即MCD(最多临近点),设定跟踪阈值,通过选取后的图像实现动态图像的运动目标跟踪。仿真实验结果表明,提出方法的跟踪精度对比传统方法有明显提高。