基于三目视觉系统的车辆导引方法

为使车辆在非结构化地形环境中实现自动导引,提出一种基于三目立体视觉系统的自适应地形分类方法。该地形分类方法利用三目视觉系统采集地形的几何信息与颜色信息,方法中的几何分类器通过分析采集的数据对地形进行初步分类,而颜色分类器则在几何分类器的基础上对不同地形进行颜色标注。分类过程中,为使车辆能够有效地适应变化的地形环境,需根据分类所得新数据实时更新原有分类数据。该地形分类方法最终把可行驶的地面和不可行驶的任何地形作出分类并用不同颜色标注。从实验结果可看出,该方法可对实验中三目立体视觉系统所拍摄的地形作出准确分类。

基于FPGA的三目半全局匹配算法设计与实现

三目立体视觉系统能够克服双目立体视觉系统存在的遮挡等问题,进一步提高立体视觉系统测量精度。然而增加传感器数量会导致匹配算法计算量增大,影响系统实时性,从而限制三目立体视觉系统在各领域的实际应用。为此,本文提出一种三目半全局立体匹配算法及其硬件计算框架。首先,在对三目立体视觉系统基本模型深入分析的基础上,提出一种硬件友好的半全局匹配算法。随后,根据FPGA硬件并行化计算和流水线处理的特点,对片上系统整体框架及各计算模块结构进行设计。最后,基于Zynq-7000 SoC FPGA搭建一套完整硬件实验系统进行算法实现,分别使用数据集图像和真实场景图像对本文算法进行评估。实验结果表明,本文算法与传统双目半全局匹配算法相比,有效像素填充率提高17.31%,错误率降低13.06%,在真实场景下可实现60 fps实时立体匹配,能够满足各类应用场景的实际需求。

基于候选点稠密匹配的三维场景重构方法

针对星球探测机器人在未知环境中三维场景重建存在的计算复杂度问题,提出基于网格候选点的三目立体匹配算法。在空间中建立代表深度信息的网格节点,并对深度方向的节点分布进行合理规划,确保候选点稠密匹配的准确性和高效性。候选点匹配解决了传统立体匹配算法中图像校正带来的实时性问题,同时采用三目视觉系统代替双目,通过另一组对应点的相似性测度对潜在歧义的少量候选点进行二次判决。实验证明,由于处理每组图像对不再需要进行极线校正,因此计算代价与传统的匹配算法相比有一定降低,而第三台摄像机有效消除了匹配歧义,计算量相对于双目系统也没有明显增加。

基于Gray-EKF算法的智能农业车辆同时定位与地图创建

为了提高智能农业车辆在未知环境中同时定位与地图创建精度,将灰色预测理论和扩展卡尔曼滤波融合,提出了基于灰色扩展卡尔曼滤波的同时定位与地图创建算法。算法在传统的扩展卡尔曼滤波基础上,通过改进的滑窗灰色预测理论建立传感器的GM(1,1)观测预测模型,进而完成新息的计算。为了提高观测精度和抗干扰能力,系统使用了三目摄像机作为观测传感器,并提出了一种简易的权值标定算法。试验表明:精度权值标定后的三目摄像机具有较高的测量精度,16组测量数据中有12组的测量误差小于1%,并能减小由于干扰造成的误差。在30个人工路标的停车场环境中,车辆对路标x和y方向的观测误差均值为0.074和0.073m,自身定位误差为0.140m,误差均方差为0.048。在60个人工路标的停车场环境中,车辆对路标x和y方向的观测误差均值为0.061和0.068m,自身定位误差为0.109m,误差均方差为0.038。在60个人工路标的旱地环境中,车辆对路标x和y方向的观测误差均值为0.079和0.077m,自身定位误差为0.122m,误差均方差为0.049。研究认为,与传统的EKF SLAM算法相比,Gray-EKF SLAM算法具有更高的精度。