基于立体视觉的目标姿态测量技术

基于动态场景分析的计算机视觉系统尤其是对运动目标的运动参数测量已成为计算机视觉研究的热点;建立了基于双目立体视觉的目标姿态测量系统,使用两个摄像机在不同视角对同一目标进行拍摄,采用DLT方法对摄像机标定;对拍摄到的图像进行去噪、滤波,通过立体图像匹配得到特征点在两幅图像中的同名点,姿态参数求解结合DLT算法和立体图像匹配算法,实现了对目标姿态参数的测量,得到了目标的三维姿态信息;实验结果表明,该测量系统结构简单,计算量小,具有较高的测量精度.     

基于视觉检测技术的浮球姿态测量

给出一种基于图像信息估计被测浮球及其中心轴孔空间姿态的视觉检测方法.若相机焦距已知,且给定空间球与圆特征的形状参数,则可由单视方法估计该球心与圆特征中心位置及其法向方向.基于该算法,可实现对被测球体中心轴端面法线方向的估计,同时还可估计出被测球体及端面中心的位置,从而实现对目标浮球位置及姿态的非接触测量.数值仿真及实际图像处理结果表明了该算法的有效性.     

基于有向分维的海面运动目标自动检测方法

在分析分形理论在目标检测领域应用的基础上,提出了一种基于有向分维参数的海面运动目标自动检测算法.该算法与传统的分形参数计算相比,具有检测准确、计算快速和易于并行处理的特点.根据图像纹理的方向特性,选取相应方向的邻域像素来计算有向分维参数,根据其数值的不同来确定目标的位置.具体实现步骤是,首先利用传统边缘检测方法得到海面运动舰船的航迹位置,再沿着运动航迹方向计算有向分维参数,对所得图像二值化处理,最终通过分析二值图像获得目标位置.该算法适用于具有方向特性的自然背景下运动目标的检测,实验表明能够有效检测出图像中目标所在的位置.     

大面积平面网格尺寸快速检测方法及系统

为实现对密集网孔尺寸的快速测量,提出一种大面积高精度平面网格尺寸快速自动化检测方法及系统。首先利用高、低双放大倍率光学同轴成像系统同时获取被测网格图像;并由图像中同名网孔计算出高、低倍图像尺寸转换比例系数,进而得到低倍图像中所有网孔的尺寸;最后通过三维运动平台实现不同位置网孔的自动化测量。实验证明该系统大幅提升了密集网孔的测量效率,最高精度达1μm,可用于试验筛检测并可实现对筛网面质量的客观综合评价。     

基于通道对消处理的 SAR 快速运动目标检测技术研究磁

论文深入研究了基于通道对消处理的 SAR 快速运动目标检测、定位和速度估计技术。基于双通道杂波对消对快速运动目标信号的的影响,提出将通道对消后的残差 SAR 图像反变换回距离压缩方位时域,通过 Radon 变换计算距离走动的斜率,得到径向速度估计,再利用 keystone 变换完成运动目标的距离走动校正。基于图像熵最小化准则,采用参数搜索法实现方位向聚焦,同时获得切向速度估计值,在实现二维聚焦的基础上完成快速运动目标检测,最后对所提出的快速运动目标检测方法进行了仿真验证。     

主动式立体全景视觉技术的研究

为了解决立体视觉测量中的快速匹配问题,文中通过集成全景彩色结构光发生器和全方位视觉传感器构建一种主动式立体全景视觉传感器;通过分析图像像素的颜色和投射角之间的映射关系估算全景图像上各像素息对应的投射角,利用三角关系计算对应物点的深度信息;实验结果表明该方法能快速地得到场景的全景深度信息。     

一种新的基于散焦图像的深度恢复算法

由散焦图像求深度是计算机视觉中一个非常重要的课题。散焦图像中点的模糊程度随物体的深度而变化,因此可以利用散焦图像估计物体的深度信息,该方法不存在立体视觉和运动视觉中对应点的匹配问题,具有很好的应用前景。研究了一种基于散焦图像空间的深度估计算法：将散焦成像描述成热扩散过程,借助形变函数将两幅散焦图像扩张成一个散焦空间,再估计出形变参数,进而恢复物体的深度信息。最后利用实验验证了算法的有效性。     

基于最小平方中值定理的立体视觉里程计

提出了一种基于最小平方中值定理（LMedS）的立体视觉里程计方法。利用图像中尺度不变的SIFT特征点作为路标,基于KD树的最邻近点搜索算法来实现左右图像对特征点的匹配和前后帧间特征点跟踪。通过特征点的三维重建,基于最小平方中值定理估计出机器人的运动距离和方向信息。实验表明该方法在不同图像间匹配、三维路标跟踪和机器人运动估计中具有很强的鲁棒性。     

基于立体视觉的目标检测与轨迹预测研究综述

目前基于立体视觉信息的运动目标识别定位、跟踪及轨迹预测是机器视觉领域的研究热点.通过归纳整理相关文献,从双目立体视觉技术、运动目标检测技术、运动目标轨迹预测技术三个方面对基于立体视觉的运动目标检测及轨迹预测进行了概述,分别阐述了相机标定的常见方法、图像特征提取及立体匹配不同算法的适用场景、各运动目标检测方法的优缺点、常...     

基于遮挡区域建模和目标运动估计的动态遮挡规避方法

对于运动视觉目标，如何对遮挡区域进行规避是视觉领域一个具有挑战性的问题.本文提出了一种新颖的基于运动视觉目标深度图像利用遮挡信息实现动态遮挡规避的方法.该方法主要利用遮挡区域最佳观测方位模型和视觉目标运动估计方程，通过合理规划摄像机的观测方位逐渐完成对遮挡区域的观测.主要贡献在于:1）提出了深度图像遮挡边界中关键点的概念，利用其构建关键线段对遮挡区域进行快速建模；2）基于关键线段和遮挡区域建模结果，提出了一种构建遮挡区域最佳观测方位模型的方法；3）提出一种混合曲率特征，通过计算深度图像对应的混合曲率矩阵，增加了图像匹配过程中提取特征点的数量，有利于准确估计视觉目标的运动.实验结果验证了所提方法的可行性和有效性.     

基于深度学习的多旋翼无人机单目视觉目标定位追踪方法

针对无人机对目标的识别定位与跟踪,本文提出了一种基于深度学习的多旋翼无人机单目视觉目标识别跟踪方法,解决了传统的基于双目摄像机成本过高以及在复杂环境下识别准确率较低的问题。该方法基于深度学习卷积神经网络的目标检测算法,使用该算法对目标进行模型训练,将训练好的模型加载到搭载ROS的机载电脑。机载电脑外接单目摄像机,单目摄像头检测目标后,自动检测出目标在图像中的位置,通过采用一种基于坐标求差的优化算法进行目标位置准确获取,然后将目标位置信息转化为控制无人机飞行的期望速度和高度发送给飞控板,飞控板接收到机载电脑发送的跟踪指令,实现对目标物体的跟踪。试验结果验证了该方法可以很好的进行目标识别并实现目标追踪     

散焦模糊量估计的相机加权标定方法

相机标定在计算机视觉领域中有着至关重要的作用.绝大多数相机标定方法假设相机为针孔模型,且需要良好聚焦的图像来保证相机内外参估计的准确性.然而,这些条件会受到相机景深的影响.在薄透镜相机模型假设下,提出了一种加权相机标定的方法,其权重考虑了控制点的模糊量信息.首先对棋盘格标定物上的每一个角点进行散焦模糊量估计,在标定过程中,将散焦模糊量的大小作为一个权重加入到标定能量函数最小化过程中,使得标定精度得到提高.该方法简单高效,不需要额外的数码设备或者特别定做的标定物.在Intel Core i7处理器的计算机下,使用合成数据以及真实数据上进行的实验结果表明,文中方法能够有效减小重投影误差,提高张正友标定方法的标定精度.     

一种基于成像光路的图像匹配技术

图像匹配是计算机视觉领域的一个关键技术。针对图像匹配过程中特征提取运算量大、速度慢、匹配精度低的问题,提出一种基于成像光路的图像匹配技术。建立一种基于双目视觉的摄像机模型,根据该摄像机模型的成像光路确定摄像机视场交汇的几何模型,由几何关系估算出两幅图像中可能存在图像重叠的最大区域,再采用传统的特征匹配算法在该区域内实现图像的特征匹配。实验结果表明,相较于在整幅图像中提取特征点进行匹配,该方法能有效地提高匹配的速度,降低误匹配的发生几率。     

基于立体视觉的高精度标定与测量方法

立体视觉测量系统中,光学系统产生的畸变使目标的成像偏离了理论成像点,导致系统产生测量误差。针对提高系统测量精度的问题,提出一种基于立体视觉的测量方法。首先,根据标定板上各角点的像素分辨率,拟合整个成像平面的四次多项式,且多项式的系数与物体到相机的距离成比例;然后,应用双目测距原理,测量被测物体的纵向距离;最后,基于所得的多项式,应用单目相机测量待测物体的横向尺寸。实验结果表明,对于所提方法,当物体距离相机5 m以内时,其纵向距离误差可以减小到5%以内;当物体距离相机1 m时,其横向宽度测量误差在0.5 mm内,逼近理论最高分辨率。     

近距离多目标（种子）检测中摄像机系统的标定方法

在进行基于计算机视觉的排种器性能检测时，为了解决目标（种子）之间的遮挡、加快图象采集速度和节省计算机的存储空间，提出了一种近距离多目标（种子）检测中，摄像机系统的标定方法。建立了由摄像机和平面镜组成的摄像机系统标定的数学模型，并给出了恢复空间点的方法。同时在排种器实验台上进行了验证，结果表明该系统不仅能较好地检测出种子和重叠和丢失等情况，而且检测误差小于1mm，且完全可以不用粘胶带，即可检测出排种器性能。     

动态场景图像序列中运动目标检测新方法

在动态场景图像序列中检测运动目标时,如何消除因摄影机运动带来的图像帧间全局运动的影响,以便分割图像中的静止背景和运动物体,是一个必须解决的难题。针对复杂背景下动态场景图像序列的特性,给出了一种新的基于场景图像参考点3D位置恢复的图像背景判别方法和运动目标检测方法。首先,介绍了图像序列的层次化运动模型以及基于它的运动分割方法;然后,利用估计出的投影矩阵计算序列图像中各运动层的参考点3D位置,根据同一景物在不同帧中参考点3D位置恢复值的变化特性,来判别静止背景对应的运动层和运动目标对应的运动层,从而分割出图像中的静止背景和运动目标;最后,给出了动态场景图像序列中运动目标检测的详细算法。实验结果表明,新算法较好地解决了在具有多组帧间全局运动参数的动态场景序列图像中检测运动目标的问题,较大地提高了运动目标跟踪算法的有效性和鲁棒性。     

Swing angle estimation for anti-sway overhead crane control using load cell

Overhead crane movement results in suspended load sway, which may cause dangers and damages. Common anti-sway methods are based on swing angle information. This paper presents a novel method that uses load cell sensors for swing angle estimation. According to our proposed method, a damping signal is generated and added to the speed reference in order to suppress the suspended load sway. Conventional methods of swing angle estimation are based on measurement by camera vision, acceleration, or some other type of sensor. Compared to conventional methods, the proposed method based on load cell is simpler to build and less sensitive to ambient conditions. The effectiveness of the method is verified by computer simulation.     

基于深度学习的四旋翼无人机单目视觉避障方法

针对无人机避障问题，提出一种基于深度学习的四旋翼无人机单目视觉避障方法。首先通过目标检测框选出目标在图像中的位置，并通过计算目标选框上下边距的长度，以此来估量出障碍物到无人机之间的距离；然后通过协同计算机判断是否执行避障动作；最后使用基于Pixhawk搭建的飞行实验平台进行实验。实验结果表明，该方法可用于无人机低速飞行条件下避障。该方法所用到的传感器只有一块单目摄像头，而且相对于传统的主动式传感器避障方法，所占用无人机的体积大幅减小。该方法鲁棒性较好，能够准确识别不同姿态的人，实现对人避障。     

融合摄像机位姿信息的模板匹配跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,由于图像旋转、成像视角和目标尺度的变化带来的跟踪漂移问题,提出一种利用摄像机的位姿信息的匹配模板校正和更新方法。根据摄像机与目标的相对位姿信息,建立目标透视成像模型以及不同摄像机位姿情况下的模板校正方程;将校正方程分解为实时图像旋转和模板仿射变换两部分减小模板变换的误差;通过设计与相关系数和距离信息相关的模板更新策略达到适应跟踪系统逐渐接近目标过程中目标的变化。采用基于视景仿真软件Vega Prime产生的模拟飞行视频对算法进行了验证。实验表明所提算法能够适应图像制导跟踪系统在跟踪过程中目标尺度、成像视角以及图像旋转的变化,减小跟踪漂移。     

Geolocation of Multiple Targets from Airborne Video Without Terrain Data

The task of geolocating targets from airborne video is required for many applications in surveillance, law enforcement, reconnaissance, etc. The usual approaches to target geolocation involve terrain data, single target tracking, gimbal control of camera heads, altimeters, etc. The main goal of this research is to eliminate those requirements and still develop an accurate, efficient, and robust vision-based method for geolocation that can be carried out for multiple targets simultaneously. In that sense, our main contributions to the state-of-the-art in geolocation are fourfold: 1) to eliminate the requirement for gimbal control of the cameras or any particular path planning control for the UAV; 2) to perform instaneous geolocation of multiple targets; 3) to eliminate the requirements for geo-referenced terrain database (elevation maps) or for an altimeter that provides the UAV’s and target’s altitudes; and 4) to use one single camera while still maintaining good overall accuracy. In order to achieve that, the only requirements for our proposed method are: that the intrinsic parameters of the camera be known; that the on board camera be equipped with global positioning system (GPS) and inertial measurement unit (IMU); and that the height of the vehicle can be calculated using feature points extracted from the ground surrounding the image of the targets. To satisfy the first two requirements, we developed and tested a robust calibration procedure that can estimate not only the intrinsic parameters of the camera, but also the IMU-camera parameters (also know in the robotic circles as the hand-eye calibration). The last requirement was addressed using a pseudo-stereo vision technique that maximizes the distance between stereo pairs (baseline) while keeping large the number of common feature points extracted by the algorithm. The result is a method that can reach approximately 25 m of accuracy for an UAV flying at 155 m away from the target. Such performance is demonstrated by computer simulation, in-scale data using a model city, and real airborne video with ground truth.