基于单目视觉定位与运动目标检测算法的机器人在竞赛系统中的研究

机器人竞赛系统具有很强的实时性,该系统不但要有准确的定位能力,而且要有对移动机器人进行检测识别的能力。研究针对学生机器人竞赛中的定位与检测问题,在特征匹配的视觉背景提取算法(Visual Background Extractor, ViBe)的基础上,结合方向性FAST特征点检测和旋转BRIEF描述子,改进竞赛系统,期望实现对学生竞赛系统的准确定位。结果显示,改进后的ViBe算法准确率最高,平均准确率为87.34%;改进后的ViBe算法误检率最低,平均误检率为9.12%。改进后的ViBe算法能够有效识别鬼影并且进行消除处理,同时能消除光照突变带来的影响,有效定位与识别机器人。结果表明研究方法具有优越性,且能够提升匹配速度,对学生竞赛系统中机器人的定位与运动目标的检测具有重要意义。     

基于改进ORB特征的遥操作工程机器人双目视觉定位

为了提高遥操作工程机器人定位系统图像处理的实时性,提出一种基于改进ORB特征的遥操作工程机器人双目视觉定位方法。利用图像二分法剔除掉图像中的无效区域,只保留匹配区域,采用ORB算法完成有效区域的匹配,最后采用RANSAC算法剔除伪匹配,得到较为精准的匹配点对。与传统算法对比实验结果表明,该方法可以提高匹配效率,消除误匹配,提高匹配精度,定位效率高,能满足遥操作工程机器人作业的实时性要求,可为遥操作工程机器人及其他领域遥操作机器人的视觉提示系统设计提供技术参考。     

基于改进ORB 算法的图像特征点提取与匹配方法

针对传统ORB 算法阈值选取固定,存在误提取、误匹配,无法满足不同图像特征 点的准确提取和匹配的问题,提出了一种改进的ORB 特征点提取与匹配方法。首先设定局部 自适应阈值;然后通过像素分类,设计自适应阈值选取准则,达到ORB 特征点的精准提取; 最后在改进ORB 特征点基础上通过PROSAC 算法完成对特征点的匹配。实验结果表明,改进 后的方法对亮度变化具有较强的适应能力,计算速度和提取精度得到了提升。匹配总时间降低, 误匹配点对数量较少,正确匹配率较高,具有良好的准确性和实时性。利用匹配阶段得到的特 征点进行跟踪时得到的RMSE 误差较小,表明匹配精度得到了较大提升。和其他方法相比,具 有更好的环境适应能力和应用价值。     

基于改进ORB特征点的LK光流算法

针对传统ORB特征点匹配准确率低和在光流算法中跟踪特性差的问题,提出了一种基于改进ORB特征点的LK光流算法。首先结合FAST特征点和rBRIEF特征描述符计算出ORB特征点;然后结合SURF算法在特征提取步骤中构建的Hessian矩阵对ORB特征点进行再提取;最后对改进ORB特征点进行特征匹配测试和LK光流跟踪测试。实验结果表明,相较于传统ORB特征点,改进ORB特征点的特征匹配准确率平均提升20.96%,LK光流跟踪成功率平均提升19.73%。本文提出的改进ORB特征点不仅拥有更好的特征匹配效果,同时具有更好的跟踪特性。     

改进人工鱼群的ORB特征匹配算法

针对室内轮椅定位与地图构建中传统ORB（oriented FAST and rotated BRIEF）受到特征点检测与选取策略的影响导致特征匹配正确率不理想,提出一种改进人工鱼群的ORB特征匹配算法。使用改进后的FAST检测特征点,利用改进后的人工鱼群在组合优化问题中具有收敛速度快且易获得最优解的特点,在图像中计算出不同特征区域,根据特征点所在区域位置赋予其相应的状态,对不同状态的特征点选择保留或去除,使用汉明距离的RANSAC算法在特征区域之间进行特征匹配。实验结果表明,改进后的FAST在图像边缘处提取到更多的图像特征,在实际环境中改进后的ORB匹配算法平均正确匹配率达到了92.7%,比传统ORB平均正确匹配率高52.3%。     

一种改进的Qtree_ORB算法

在视觉SLAM中,特征点的提取和准确的特征匹配对机器人的位姿推断具有重要作用。针对传统ORB算法特征点分布不均匀,容易出现簇集的问题和Qtree_ORB算法特征点过均匀等问题,提出了一种基于四叉树改进的ORB特征提取算法。对每层图像金字塔进行自适应网格划分,采用自适应阈值来进行特征点提取;根据每层图像金字塔所提取特征点数目对四叉树的划分深度进行限制,减少冗余特征点;设定最小阈值来减少低质量特征点的提取;在Mikolajczyk数据集上对改进算法的均匀度和匹配性能进行测试,在TUM数据集上对改进算法在ORB-SALM2系统中的精度进行测试。结果表明改进算法能够有效提高其均匀度,并且保持着较高的匹配精度;在ORB-SLAM2测试中,改进算法能有效改进SLAM系统的轨迹精度和漂移程度。     

粒子滤波与ORB特征检测结合的移动机器人定位算法

针对机器人绑架后的重定位问题,提出了将粒子滤波与图像ORB(oriented FAST and rotated BRIEF)特征匹配结合起来的全局定位算法。机器人被绑架后,由运动模型预测产生的粒子集将不能正确估计机器人位姿。方法通过加入相机观测结果来修正粒子集。首先基于相机图像ORB特征匹配检测机器人所在区域,然后在相机关联的栅格子地图内撒粒子,最后通过粒子滤波的观测更新和重采样使粒子逐渐收敛实现重定位。实验证明:本文方法能够解决机器人绑架问题,在时间效率上优于加入随机粒子的自适应蒙特—卡罗定位算法,且具有更低定位误差。     

基于改进ORB和AKAZE的图像匹配算法

AKAZE特征检测算法具有鲁棒性好,匹配率高等特点,为解决其实时性差的问题,提出将ORB与AKAZE相结合的改进算法.利用oFAST算法检测特征点然后采用M-LDB算法计算其描述符,使用汉明距离进行图像粗匹配,最后用RANSAC算法剔除误匹配点,得出匹配结果.经反复的实验对比证明,改进后的算法与ORB算法相比匹配正确率更高.与AKAZE算法相比匹配速度更快.且改进后的算法在不同模糊程度、不同JPEG图像压缩、不同光照程度以及不同旋转角度变化下的图像匹配性能良好.     

结合快速鲁棒性特征改进ORB的特征点匹配算法

针对定向二进制简单描述符（ORB）算法不具备尺度不变性的问题,提出一种结合快速鲁棒性特征（SURF）算法和ORB的改进算法。首先,利用Hessian矩阵检测特征点的方法,使得提取出的特征点具有尺度不变性;然后,用ORB生成特征描述子;接着采用K-近邻算法进行粗匹配;最后,通过比率测试、对称测试、最小平方中值（LMedS）定理进行提纯。尺度变化时,该算法比ORB的匹配精度提高了74.3个百分点,比SURF的匹配精度提高了4.8个百分点;旋转变化时,该算法比ORB的匹配精度提高了6.6个百分点;匹配时间高于SURF低于ORB。实验结果表明,改进算法不仅保持了ORB的旋转不变性,而且具备了尺度不变性,在不失速度的前提下,匹配精度得到较大提高。     

结合ORB特征和色彩模型的视觉跟踪算法

为解决CAMShift算法在色彩相似背景下跟踪失效的问题,提出一种结合ORB特征点和目标色彩模型的视觉跟踪算法。运用ORB特征匹配检测目标的初始位置,提出自适应的色彩分割阈值算法以提高目标的色彩模型精度,并在跟踪过程中通过ORB特征点包含信息对搜索窗口进行修正。然后对目标的丢失增加判断方法,并且建立迭代更新的特征模板用于重新定位丢失目标。实验结果证明,与CAMShift算法和基于特征提取的同类改进算法相比,该算法在目标快速运动场景下的跟踪具有较好的鲁棒性,能够对错误的跟踪结果进行判断并修正,并在计算效率上得到较大的提升。     

融合MeanShift和改进SURF算法的目标定位策略北大核心CSCD

在工业环境中,针对工业机器人进行抓取物品操作时定位耗时长,精度低的问题,提出一种融合MeanShift算法和改进SURF算法的分层式定位策略,快速精确地定位物体。首先根据双目视觉系统采集的目标物体图片信息,采用MeanShift算法进行初步处理,切割出目标图片信息;然后利用改进后SURF算法对目标区域进行特征点对的匹配以及筛选;最后将匹配好的特征点对根据三角形测量原理,实现物体三维坐标的精确定位。实验验证了在工业机器人抓取物品时,本文所提方法对物体定位速度与精度上有所提升。     

动态背景下基于ORB特征匹配的运动目标检测算法

为了能够实时地检测出运动目标,提出一个基于ORB(Oriented FAST and Rotated BRIEF)特征匹配和改进的帧间差分相结合的检测算法。首先运用ORB算法提取特征点,采用RANSAC(RANdom SAmple Consensus)方法求得变换矩阵参数之后获取全局运动补偿图像,然后用帧间差分法实现运动目标的检测。ORB特征点匹配的快速性和准确性与RANSAC方法去除异常点的有效性确保变换矩阵参数的计算准确,再结合帧间差分法快速完整地检测出前景目标。实验结果显示,该算法能够准确地检测出运动目标,并在一定程度上解决了实时检测的问题。     

MEEM跟踪和改进ORB特征检测的三维注册方法

针对增强现实系统三维注册在线跟踪模型漂移问题,以及特征检测算法耗时问题导致的注册失败。提出一种基于MEEM跟踪和改进ORB特征检测的三维注册方法。通过MEEM算法对移动对象区域跟踪。对跟踪的目标位置采用ORB算法检测特征点时,采用多尺度空间理论提取稳定特征点,并且采用改进决策树的递归调整方式,同时对特征检测参数设置。利用相邻帧之间特征点的匹配关系求得三维注册矩阵;将跟踪数据集与OpenGL生成的立方体模型进行跟踪注册仿真实验。仿真结果表明,改进ORB特征检测算法对待注册区域的检测具有尺度不变性、更高稳定性以及特征分布均匀,误差相比ORB算法降低约42%,该注册方法在运行过程中基本能够保证误差在7 mm以内;使得AR系统具有较好的实时性、精确性和鲁棒性。     

基于改进ORB和对称匹配的图像特征点匹配

由于ORB算法所提取的特征点不具有尺度不变性,直接匹配会导致较多的错误发生,本文结合SURF和双向匹配算法的思想,提出了改进的ORB算法:SSORB.首先使用不同尺寸盒状滤波模板与积分图像生成多尺度空间,并从中检测出稳定的极值点,使得所提取出来的特征点具备尺度不变的特性;然后使用ORB描述子对特征点进行描述,得到旋转不变的二进制描述子;由于误匹配的存在,在Hamming距离的基础上进一步使用双向匹配来消除误匹配,提高匹配精度.实验结果表明,SSORB有效地解决了ORB不具备尺度不变性的缺陷,在保留ORB算法快速优越性的同时提高了匹配准确度.     

一种改进的ORB算法在图像匹配中的应用

针对ORB算法提取的特征点阈值的选取存在人为干涉且对不同对比度的图像缺乏鲁棒性的问题,提出一种改进的ORB算法。本算法对FAST算法提取特征点进行了改进,首先对图像进行直方图均衡化实现对图像的增强,然后采用自适应阈值的方法,分别设置动态全局和局部阈值提取特征点,通过引用海森矩阵去除不稳定的边缘点。实验结果表明,该改进的算法能够实现特征点的精准定位,具有较强的抗噪能力,在实现图像配准应用中明显优于传统ORB算法。     

视觉与惯导融合的煤矿移动机器人定位方法

针对现有移动机器人单目视觉定位算法在光照变化和弱光照区域表现较差、无法应用于煤矿井下光照较暗场景的问题,通过非极大值抑制处理、自适应阈值调节等对快速特征点提取和描述(ORB)算法进行改进,采用随机抽样一致性(RANSAC)算法进行特征点匹配,提高了煤矿井下弱光照区域的特征点提取和匹配效率。针对仅靠单目视觉定位无法确定机器人与物体的距离及物体大小的问题,采用对极几何法对匹配好的特征点进行视觉解算,通过惯导数据为单目视觉定位提供尺度信息;根据紧耦合原理,采用图优化方法对惯导数据和单目视觉数据进行融合优化并求解,得到机器人位姿信息。实验结果表明:(1) ORB算法虽然提取的特征点数较少,但耗时短,且特征点分布均匀,可以准确描述物体特征。(2)改进ORB算法与原ORB算法相比,虽然提取时间有了一定的增加,但提取的可用特征点数也大大增加了。(3) RANSAC算法剔除了误匹配点,提高了特征点匹配的准确性,从而提高了单目视觉定位精度。(4)改进后融合定位方法精度有了很大提升,相对误差由0.6m降低到0.4m以下,平均误差由0.20m减小到0.15m,均方根误差由0.24m减小到0.18m。     

基于图像增强的温室图像特征点提取

针对温室环境中,由于相机拍摄图像噪声大,光照不均匀,对比度较低等会导致ORB特征点较难提取或者提取较少,从而影响匹配效果的问题,提出了一种能够减少图像噪声,增强图像对比度的ORB特征点提取算法。首先,对温室图像进行高斯滤波去除图像噪声,然后使用对比度受限的自适应直方图增强图像对比度,增加ORB特征点提取数量。经过实验表明,提出的改进ORB算法对温室中ORB特征点的提取和匹配效果有较大提升。     

基于ORB-SLAM3的改进型特征匹配与稠密建图算法

针对传统ORB算法存在提取的特征点极易堆积在纹理丰富的区域及误匹配率高等而导致无法满足高精度定位要求,以及ORB-SLAM3系统无法构建稠密地图的问题,提出一种基于ORB-SLAM3的改进型ORB-GMS特征匹配方法,并增加稠密建图线程来实现稠密地图的构建。首先,在特征点提取过程中引入四叉树策略,将图像帧分为若干个网格,并在每个网格中提取最优特征点;然后,在特征匹配过程中将运动平滑约束转换为剔除错误匹配的统计量,通过比较匹配对邻域内的匹配对数量和阈值来快速筛选正确匹配;最后,完成位姿估计并根据关键帧与相应位姿完成稠密点云地图的构建。采用TUM的RGB-D数据集进行实验,改进算法提取的特征点相较传统ORB算法分布更加均匀,匹配数比ORB-SLAM3增加64.5%,比GMS算法增加4.7%,匹配耗时比ORB-SLAM3减少20.4%,比GMS算法减少94.6%,从而验证了改进算法在特征点提取与匹配方面的优越性,并且相较于ORB-SLAM3,改进算法的定位精度提高了3.75%,从而验证了其在总体上提高定位精度,进而实现稠密建图的可行性和有效性。     

结合YOLO的ORB双目图像匹配方法研究

针对双目视觉中ORB(Oriented Fast and Rotated Brief)图像匹配算法准确率不高以及会出现不同物体之间特征点错误匹配的问题,提出一种将YOLO(You Only Look Once)目标检测算法和ORB算法结合的双目图像匹配方法.该方法首先使用YOLO的卷积网络提取图像特征,并采用多尺度预测目标区域坐标和类别信息,以解决小目标与多目标识别不准的问题;接着,使用FAST(Features from Accelerated Segment Test)算子检测特征点和BRIEF(Binary Robust Independent Elementary Features)算子描述特征点,并利用ORB算法进行粗匹配;最后用去误匹配算法判断并去除不同类别和位置信息目标框中的匹配点.实验结果表明,该方法在单目标、双目标和多目标双目图像中的匹配准确率相较传统ORB匹配算法精度都有所提升.     

序列图像特征提取与匹配算法的改进

在计算机视觉领域中特征点匹配是一个重要课题。针对ORB（ORiented Brief,方向描述符）算法缺少尺度不变性的特点,将SURF（Speeded-Up?Robust?Features,快速鲁棒特征）算法与ORB相结合,提出了基于算法组合的改进算法SUORB（Speeded-Up?ORiented Brief,快速方向描述符）。组合算法的基本思路是利用SURF算法建立多尺度空间,然后通过ORB算法为检测出的特征点建立描述符,最后根据生成的二进制描述符实现特征点匹配。实验结果表明,SUORB算法基本弥补了ORB算法的不足,若图像尺度发生变化,SUORB匹配算法比ORB匹配算法的准确度明显提高;同时SUORB算法保留了ORB算法的快速性。