双目立体视觉匹配技术综述

立体视觉匹配技术是立体视觉研究的核心问题。立体匹配方法在不同的应用领域有着不同的应对策略。介绍了双目视觉立体匹配技术的原理和一些研究关键点。通过总结现有各种算法的优缺点,对基于区域的立体匹配算法和基于全局的立体匹配算法进行了深入论述和研究,最后对立体匹配算法的未来发展做了展望。对研究者选择立体匹配算法有一定参考意义。     

基于Yolov5的快速双目立体视觉测距研究

针对传统双目测距方法存在的需要对摄像头进行标定、立体匹配算法时间复杂度高等问题,本文主要对快速双目立体视觉测距进行研究.给出了双目测距原理,提出了一种基于Yolov5的目标检测算法和径向基函数神经网络相结合的双目测距方法,建立了基于径向基函数神经网络的距离预测模型,并采用神经网络中的径向基函数神经网络进行距离预测.实验...     

基于单目视觉的彩色目标跟踪

提出一种基于HSV颜色空间的单目视觉跟踪算法。该方法利用目标在HSV空间的颜色信息提取出场景中的运动目标,在此基础上,对目标进行滤波和形态学处理,从而实现了目标的检测与定位。最后,利用单目视觉跟踪算法有效地实现了运动目标跟踪。实验结果表明,该算法有效地实现了目标定位与跟踪,并具有一定的实时性和抗干扰性。     

基于汇聚立体视觉的图像校正算法

通过分析汇聚立体视觉系统立体图像间的几何关系,提出了一种简单快速的图像校正算法,该算法利用矩阵的ＬＵ分解法,直接求解校正的转移关系矩阵．将立体视觉中对极几何的匹配关系变为图像扫描线的一一对应关系,从而将沿对极线搜索匹配点的过程变为沿图像行搜索的过程．实验表明该算法简单有效,具有较强的实用价值．     

基于立体视觉的三维空间入侵检测

针对平面视频监控无法感知运动物体深度的缺点,提出了基于立体视觉进行三维空间入侵检测的理论和方法。采用双目平行摄像系统,基于立体校正后的左右图像进行视差计算,并在视差图的基础上直接对运动物体做入侵判别;同时,设计了三维敏感区域的设置和报警策略。为了加快计算速度,采用一种基于下采样块匹配的方法来计算代价空间,最后用快速的局部动态规划输出视差图。在计算某目标的实际视差时,与目标的运动区域检测相结合,以减小计算误差。实际测试结果表明,该方法可以有效地探测到三维空间的运动目标入侵。     

基于显微双目立体视觉系统的研究

对显微双目立体视觉系统中的图像预处理、特征提取、立体匹配三个方面进行了深入的研究.在图像预处理方面,采用了高斯平滑和图像增强处理,有效的抑制了随机噪声对图像处理的影响,为后续工作提供了良好的图像信息.在特征提取方面,采用Canny算子进行边缘特征提取与采用census变换提取邻域特征相结合的原则.在立体匹配方面,应用三个匹配约束条件,采用Hamming距离检测的方法作为灰度相关测度.本论文采用Visual C++6.0高级语言,进行试验,以深度图形式给出了最终的立体匹配结果图像.     

基于双目视觉的船舶跟踪与定位

设计了基于双目视觉的船舶跟踪与定位系统,并且完成对应算法设计.算法分为摄像机标定、目标跟踪、立体匹配、视差定位4个模块,其中,跟踪模块以目标窗口的形式给出跟踪结果,匹配模块在跟踪结果中进行左右目立体匹配,定位模块根据左右目匹配点对的像素位置计算其在物理空间的坐标,减少了匹配时间.实验结果表明,该方式可实现实时跟踪目标并给出目标的准确位置,满足应用要求.该定位系统可同时完成动态目标跟踪和定位,提供三维图像的丰富信息,具有很强的推广应用价值.     

基于DSP与FPGA的靶标动态检测跟踪技术

针对靶场目标测试面临的测量目标小、距离远、目标与背景对比度低等实际问题,提出了基于DSP（Digital Signal Processing）与FPGA（Field Programmable Gate Array）的数字视频图像信息进行目标动态检测跟踪的方法。该方法采用了图像分割检测方法与目标跟踪算法,精确并快速地定位靶标十字的中心,从而实现复杂环境下运动靶标检测跟踪,提高了检测效率和精度。     

基于RANSAC算法的立体视觉图像匹配方法

针对大尺寸立体视觉测量中存在较大视差和透镜畸变等因素导致极线约束匹配率低的问题,提出了将图像校正与随机采样算法相结合的立体视觉图像匹配方法.对立体图像对进行线性校正,建立初始匹配点集;采用随机采样算法估计图像对之间的基本矩阵,恢复原始图像对之间的对极几何约束关系,剔除初始匹配点集中未匹配和误匹配的特征点,从而获得精确的匹配点集.该方法已应用于合成孔径雷达(SAR)大型可展开微波天线网面的实际测量,匹配率高于96%.     

一种基于图像融合的多线结构光立体视觉测量方法

针对现有线结构光立体视觉测量系统在实际应用中,由于图像遮挡、反射等原因造成的缺陷导致精度降低和测量错误,提出一种基于多摄像机的图像融合的测量方法.在现有的多线结构光立体视觉测量系统的硬件平台上,经由提取光带图像,图像特征匹配,以立体视觉测量原理匹配光带图像和产生光带图像的线结构光刀,通过坐标转换和图像的重新采样插值将光带图像转换到同一个摄像机的成像平面进行图像融合,经试验得到的图像能够大幅降低由于图像缺陷导致的精度降低和测量错误.     

基于策略梯度的目标跟踪方法

针对目标跟踪过程中的遮挡、形变和快速运动等问题,提出基于策略梯度的目标跟踪方法. 该方法利用策略梯度算法训练策略网络. 该策略网络能够根据当前跟踪结果的可靠性进行动作决策,以避免错误的模板更新或者重新检测丢失的目标. 在决策过程中,通过计算加权置信度差值分析当前跟踪结果的鲁棒性和准确性,使得策略网络能够更准确地评估跟踪结果. 在重检测过程中,提出有效的重检测方法,对大量的搜索区域进行过滤,大大提高了搜索效率,利用决策模块检验重检测结果,确保重检测结果的准确性. 利用提出的算法在OTB数据集及LaSOT数据集上进行评估. 实验结果表明,提出的跟踪算法在原算法的基础上提高了2.5%~4.0%的性能.     

基于立体视觉的轴距左右差检测新方法

针对国标中规定的轴距差检测要求,提出了基于立体视觉的轴距左右差检测新方法。建立了轴距差检测数学模型。根据图像处理技术,确定了车轮图像中心坐标的识别方案。建立了轴距左右差检测的实验系统,标定了双摄像机的内外参数,并对检测系统进行了系统误差分析。建立了车轮坐标三维重建理论模型,论述了轮毂中心坐标的计算过程。应用实验系统进行实车检测,结果表明,本文建立的理论模型正确,实验系统具有很高的检测精度。     

基于多特征组合的协方差目标跟踪方法

基于多特征组合的协方差矩阵表征目标的方法,研究用协方差矩阵来描述跟踪的感兴趣区域(ROI),从而提出基于速度预测和前景的协方差目标跟踪方法.因为积分图方法可以加快协方差的计算速度,在提出的协方差跟踪方法中使用了积分图快速算法,进一步提高算法的效率.结合目标速度的预测和前景提取缩小搜索范围,加快了匹配速度,使所提出的协方差目标跟踪方法能更进一步提高跟踪效率和准确性.通过背景强干扰、光照变化和相同颜色遮挡情况下的目标跟踪实验,结果表明基于速度预测和前景的协方差的跟踪方法在复杂场景下跟踪的准确性很高,跟踪的鲁棒性和快速性有明显提高.     

利用团块模型进行目标跟踪

提出了一种基于局部特征的目标跟踪算法．通过多尺度分析方法,根据颜色和空间上的相似性将目标分割为多个区域,每个区域由一个团块表示,团块包含了该区域所有像素的颜色均值、形状和位置．根据团块特征构造目标的外观模型,定义团块的匹配准则,通过团块匹配进行目标跟踪．由于目标模型是基于局部特征的,并且包含目标的全局空间结构,因此该算法在局部遮挡和目标尺度变化的情况下,依然能够进行准确地跟踪．实验表明该算法能够有效实现复杂场景下的目标跟踪,性能优于Mean-shift算法．     

基于概率图模型目标建模的视觉跟踪算法

提出了一种视觉跟踪任务中基于局部特征和概率图模型的目标建模方法,将目标表示为一组具有仿射不变性的区域特征,并通过概率图模型描述特征之间的空间约束关系。在目标跟踪过程中,首先在空域上利用信任传播算法,推断概率图模型中各个特征的状态,然后根据推断的结果设计改进的重要性采样函数,采用粒子滤波算法在时间域上对目标进行跟踪。为了适应目标在运动中的变化,模型根据特征的稳定程度自适应地进行更新。实验结果表明,该方法具有较强的鲁棒性,能够有效实现复杂场景下的目标跟踪。     

和声搜索粒子滤波视觉跟踪

为了降低粒子滤波精度对精确重要性采样函数的依赖性,提高粒子滤波的视觉跟踪效果,将和声搜索引入到粒子滤波框架中,提出了一种基于和声搜索的粒子滤波视觉跟踪算法.通过记忆考虑、基因变异、随机变异等和声搜索算子结合当前观测信息,改善了粒子滤波视觉跟踪算法的重要性采样函数,增强了重要性采样函数对系统状态转移模型的鲁棒性.同时,对和声搜索参数进行了优化,平衡了视觉跟踪实时性和精确性的要求,并对粒子的权重进行了补偿,使其符合粒子滤波的理论基础贝叶斯估计.实验结果表明:优化的和声搜索参数,比常见参数更适合和声搜索粒子滤波;与基于粒子滤波、和声搜索、Mean-Shift改进的粒子滤波、分布场、多示例学习等视觉跟踪算法相比,和声搜索粒子滤波视觉跟踪算法能够在光线变化、遮挡等复杂场景下获得了更精确的视觉跟踪效果.和声搜索粒子滤波算法较好地结合当前观测与历史信息,获得鲁棒的视觉跟踪性能.     

基于校正神经网络的视频追踪算法

针对现有基于深度学习的视频追踪算法关注深层特征而忽略浅层特征以及追踪网络没有对每帧追踪结果进行检测的问题,提出基于校正神经网络的视频追踪算法。该算法包含追踪网络和校正网络。在追踪网络中,考虑到深层特征和浅层边缘特征的融合,设计一个多输入的残差网络,学习目标和对应的高斯响应图之间的关系,从而获得目标对象的位置信息。在校正网络中,设计浅层链式判别网络,将两个网络的追踪结果进行比较,根据比较结果对追踪网络进行在线更新。本算法既考虑了深层特征,又避免了细节信息的丢失;同时,对追踪结果进行评判,防止网络更新中延续错误信息。对比试验说明本研究所提的追踪算法比现有的一些追踪方法取得更好的追踪结果。     

基于空间颜色模型的目标跟踪方法

为了克服颜色直方图对目标定位不准确的问题,提出了基于空间颜色模型和粒子滤波的目标跟踪方法。结合目标区域的颜色和空间信息,采用空间颜色直方图对目标建模,通过计算候选目标和参考目标空间颜色直方图的Bhattacharyya距离,建立基于空间颜色模型的观测似然函数。实验表明,与基于颜色直方图的跟踪算法相比,新算法提高了跟踪的准确性和鲁棒性。     

基于差分盒维数的彩色烟雾图像识别

提出了利用差分盒维数与颜色特征相结合的图像识别方法来将彩色烟雾图像从森林背景中识别出来。该方法首先用差分盒维数算法来计算整幅图像的分形维数值并基于该值对图像进行分割,再以RGB空间的烟雾颜色特征为依据,对差分盒维数方法分割出的区域进行判别,识别出烟雾区域。为改善算法的计算精度,提高算法运算速度,提出了减少子窗口内盒子的覆盖数量、改变子窗口内灰度等级的改进算法。仿真实验结果表明,基于改进的差分盒维数方法,不仅运算速度提高近50％,而且能够更好地反映图像表面的纹理信息。再结合颜色特征能从森林背景中准确的识别出烟雾。该方法可用于森林火灾的预警。