特征点法与光流跟踪融合的视觉里程计算法

针对视觉里程计中特征点法因计算量大而导致实时效果不好的问题,提出了一种特征点法与光流跟踪融合的算法。首先,通过度量运动大小的视差阈值和地图点的跟踪衰减系数作为筛选策略选取关键帧;其次,仅对关键帧中的特征点计算描述符,而对于非关键帧中的特征点则是通过基于图像金字塔的稀疏光流法建立起关键点间的对应关系,从而降低计算量;最后,通过最小化重投影误差得到当前帧的位姿估计。通过实验测试证明,该算法的定位精度与ORBSLAM2相当,但运行速度可提高70%以上,实时性明显优于ORBSLAM2算法。

一种持续光流跟踪的运动目标检测方法

针对摄像机与被检测目标同时运动情况下的目标检测问题,提出一种适合于序列图像的持续光流跟踪的运动目标检测方法.首先,在起始两帧间使用金字塔稀疏光流法跟踪特征点,将跟踪到的特征点根据其运动进行分组,然后在后续帧图像上持续跟踪已分组的特征点,对于每组中的特征点,只保留持续跟踪到的特征点最大集合,去除过小分组,直至筛选出只属于背景的特征点分组用于背景运动补偿,最后使用帧间差分法检测运动目标.对于后续帧,仅在已筛选出的背景特征点分组上持续光流跟踪.实验证明,本文提出的方法能够提高检测运动目标的精度和速度.

对数极坐标域梯度光流跟踪研究

针对直角坐标系中光流跟踪算法无法跟踪存在旋转和尺度变化目标图像的问题,在分析Horn-Schunck经典光流计算公式基础上,提出了一种对数极坐标域的梯度跟踪算法。该算法可以对存在旋转和尺度变化的运动目标实施跟踪,通过实验证明了这种方法在处理运动图像变化时是有效的。因而,这种用对数极坐标域的跟踪算法有一定的实用价值。

角点检测与光流跟踪的焊缝特征提取与定位研究

针对V型坡口中厚板对接焊焊缝特征点检测精度不高的问题,研究了一种基于激光视觉传感的角点检测与光流(LK)跟踪的焊缝特征快速提取与定位方法。根据三角测量原理,设计了能够实时检测焊缝特征图像的激光视觉传感器,并建立了由激光条纹特征点像素坐标到焊缝特征点三维坐标的数学模型;对焊缝图像进行了预处理,采用Shi-Tomasi角点检测提取了焊缝特征;最后使用光流法为后续帧匹配特征角点,实时计算出了图像中焊缝特征点的亚像素位置。研究结果表明:基于角点检测与光流法跟踪的焊缝特征提取与定位方法,其特征点检测精度较高,平均误差在±0.13 mm以内,可以实时、准确地识别焊缝特征。

多特征光流跟踪人体关节点的运动员姿态分析模型

为了提高运动员姿态分析的精确性,以量化运动员视频数据进行训练反馈,本文采用图像处理技术对运动员视频进行处理,提出了一种多特征光流跟踪人体关节点的运动员姿态分析模型。首先采用垂直积分投影、水平线扫描、索引查找表和长度比例约束相融合的多特征算法进行关节点提取,然后采用Lucas-Kanade光流跟踪算法对关节点的运动进行初步跟踪,最后采用比例正交投影模型将人体二维骨架模型变换到三维空间,获得人体三维姿态。模型仿真实验结果表明,本文所提出的动作识别及姿态分析系统可以很好地识别人体动作,从而进行运动分析,为体育运动训练提供可视化的帮助。

基于描述符辅助光流跟踪匹配的数据关联方法

针对采用多状态约束卡尔曼滤波(MSCKF)的视觉惯性里程计定位精度易受特征点匹配异常值影响问题,提出了1种基于描述符辅助光流跟踪匹配的数据关联方法。该方法采用金字塔LK光流对序列图像中特征点进行跟踪匹配,计算每一对匹配点的rBRIEF描述符,根据Hamming距离对描述符的相似度进行判断消除异常匹配点。在实验中从特征点匹配主观效果以及定位精度2个方面评估本文方法的有效性,结果表明:所提出方法能够有效滤除动态场景下图像特征匹配的异常值,使用该方法处理后的图像进行MSCKF运动解算,位置结果漂移率小于0.38%,相较于未剔除异常匹配值的MSCKF算法结果,改善了54.7%,单帧图像处理时间约为39 ms。

基于光流及耦合隐马尔可夫模型的动态手势识别

基于块的相关算法来计算光流 ,并利用光流跟踪双手的运动 .双手的运动轨迹取相邻两点的速度向量 ,经 8方向链码量化后作为观察向量 .和直接利用位置信息相比较 ,提高了识别的鲁棒性 .采用耦合隐马尔可夫模型来识别双手动态手势 ,提出并实现了最大后验概率的训练 .对 6个双手动态手势的试验表明 ,耦合隐马尔可夫模型 ( CHMM)比常规隐马尔可夫模型 ( HMM)

基于光流追踪技术的变形位移测量方法

提出一种基于金字塔Lucas-Kanade光流跟踪技术的变形位移测量算法.该算法通过检测变形前图像的角点,先利用金字塔Lucas-Kanade算法在变形图像中搜索其匹配点,再经计算求得变形位移值.实验结果表明,该算法进行变形位移测量时精度高、稳定性好.

基于改进L-K光流的WebAR信息可视分析方法

信息可视化技术结合移动增强现实(MAR)技术在目标跟踪领域仍然存在设备计算负载过大的问题。若仍坚持采用同跟踪平面图像特征点的方案来跟踪立体对象各角度的特征点,则目标跟踪过程所需要获取的多角度特征点数据无疑会加重跟踪过程的计算压力,进而导致移动设备负载过大,最终影响模型渲染,所渲染的模型常出现剧烈抖动、卡顿或运动滞后于目标物的现象。针对上述问题,提出了一种基于改进的L-K(Lucas-Kanade)光流跟踪算法的WebAR(基于Web端的MAR技术)解决方案,将特征点的跟踪问题转化为光流估计问题以及一种优化的三维信息可视化交互策略。实验结果表明,该方法能够提高MAR在跟踪目标时的计算效率和稳定性,丰富信息可视化的呈现效果和交互方式。

基于ORB-LK光流的RGB-D SLAM算法

以特征点法为前端的同时定位和地图构建算法,描述子的计算占用了大部分时间,导致算法时实时性差且对电脑的性能要求较高,增加成本。针对这一问题提出了一种前端基于光流跟踪的RGB-D SLAM算法。在定位阶段,采用基于亚像素提取的均匀化ORB特征点,用LK光流法代替特征点法进行特征匹配,然后通过随机抽样一致性方法提高匹配精度,估计初始位姿。在后端优化阶段提出了一种新的关键帧选取策略,引入度量运动大小的阈值和跟踪衰减系数综合选取关键帧,通过回环检测和优化关键帧位姿消除累计误差,输出精确的位姿和点云地图。通过多组实验表明:该算法在很多室内的实际场景中的定位精度优于主流的RGB-D SLAM算法,且算法的实时性得到了提高。

增强现实中一种新的基于标志物的跟踪方法

通过在标志物引入代码区及直观的图像信息,设计了一种新的标志物系统,该标志物系统与ARtoolkit等系统相比具有更加形象、识别更加准确的特点;针对标志物设计的特点,提出了一种新的跟踪算法,该算法采用基于角点和纹理的混合跟踪方式,解决了标志物在快速运动或被部分遮挡等情况下的跟踪问题。实验结果表明该标志物系统及其跟踪算法是稳定有效的。

分层分区域管理的实时图像跟踪算法

为了实现当前屏幕图像特征点与模板图像中对应尺度下部分区域中特征点的快速匹配,解决图像跟踪算法中匹配精度与效率问题,提出一种特征点分层分区域管理的图像跟踪算法.在预处理阶段,对模板图像构造层次表示并对各尺度下的图像进行区域划分,在每个区域内同时提取ORB(oriented FAST and rotated BRIEF)特征点和Harris特征点,由ORB特征描述子计算区域图像的词袋特征向量,由此构建图像特征点的分层分区域管理模式.在实时跟踪阶段,根据摄像机位姿跟踪的情况区分预测跟踪、重定位跟踪和光流跟踪3个分支.在预测跟踪和重定位跟踪中,先快速定位实时图像对应的模板图像的尺度层与区域,再通过实时采集的图像与模板图像中对应尺度下部分区域中特征点的局部匹配,实时地计算摄像机的位置和方向;在光流跟踪过程中对光流算法跟踪点进行实时更新,延长光流算法的运行持续时间.利用公开图像数据库中不同分辨率的模板图像在移动终端上进行实验的结果表明,文中算法性能稳定,匹配误差在1个像素以内;系统运行帧率总体稳定在20~30帧/s.

模式识别和电视跟踪在前庭功能检查中的应用

应用模式识别和电视跟踪原理测量眼球在视靶信号刺激下的运动,为分析飞行员、车辆驾驶员的前庭功能提供一种先进的检查方法。采用均衡化、形态滤波和形心计算等方法实现了瞳孔区域的自动定位和实时跟踪;通过Harris角点检测和Lucas-Kanade光流跟踪实时测量出虹膜的旋转角度,为前庭功能分析奠定了良好的基础。通过实验验证,所介绍的眼球跟踪算法已达到了预期的效果,并已成功应用在前庭功能检查分析系统中。

宠物机器狗视觉跟踪系统的设计与实现

随着人工智能的发展,人们对智能宠物的需求随之产生。本文首先分析了卷积神经网络图像识别、光流跟踪、色彩跟踪3种方法的原理以及优缺点,进而选择色彩跟踪算法作为图像跟踪的主要方法,根据用户选择区域裁剪出目标的彩色图像,获取目标的色相(H)特征和亮度(L)特征,并选取目标的新一帧图像进行分析,来识别被跟踪的物体,最后提出今后的探索方向,旨在为宠物机器狗视觉跟踪设计提供借鉴。

基于深度卷积网络和在线学习跟踪的驾驶员打哈欠检测

提出了一种基于多信息融合的驾驶员打哈欠检测方法。首先,建立驾驶员面部图像数据库并训练深度卷积神经网络来依次检测驾驶员的面部和鼻子;然后,采用局部二比特特征和随机森林分类器训练生成在线鼻子检测器,以此来校正光流跟踪器在鼻子跟踪过程中产生的漂移误差等参数;最后,分析鼻子下方嘴部区域的边界梯度变化情况,并结合鼻子跟踪器置信度、面部横向运动等信息来判断驾驶员是否打哈欠。实验结果表明,深度卷积网络相对于其他面部分类方法,可以获得更好的分类检测效果;基于在线学习的跟踪方法可以很好地减小光流跟踪引起的漂移误差;整个算法可以在多种驾驶环境下以较高准确率检测驾驶员打哈欠事件的发生。

基于车载视频图像的道路消失点检测算法

道路消失点检测是高级驾驶辅助系统中盲区监测的重要组成部分。针对现有消失点检测方法所存在的准确度低、运算量大等问题,提出一种基于车载视频图像的道路消失点检测算法。该算法在Harris角点检测基础上优化得分函数检测出图像特征点,减少在跟踪阶段的运算量;通过金字塔光流法和帧差距离对运动特征点进行跟踪,在结束帧上准确获得各特征点的位置;对特征点去除离值点后,通过优化初始聚类中心的K-Means聚类算法,得到车载视频图像的道路消失点。最后将算法应用于各种车辆行驶场景进行测试,在较短运行时间内,能准确检测出车载视频图像中道路消失点,证明算法鲁棒性好、运算简单易实现。

多聚焦图像离焦模糊区域的SIFT特征提取

常规的尺度不变特征变换(SIFT)图像特征提取方法难以提取多聚焦图像离焦模糊区域的特征,使得图像间存在局部、少量的公共特征,导致多聚焦图像配准精度差,严重影响后续图像融合和三维重建质量。在分析图像离焦模糊区域特征提取不确定性的基础上,提出了一种多聚焦图像离焦模糊区域的SIFT特征提取方法。首先提取多聚焦图像聚焦清晰区域的SIFT特征,再利用光流跟踪提取对应离焦模糊区域的SIFT特征,避免了在离焦模糊区域直接提取SIFT特征的不确定性。实验结果表明:提出的方法在离焦模糊区域具有良好的SIFT特征提取能力和提取精度,能实现多聚焦图像SIFT特征匹配数量显著增长,SIFT特征提取的误差为0.03~0.39 pixels,优于现有方法的0.21~1.71 pixels。降低了离焦模糊区域SIFT特征提取的不确定性,为多聚焦图像精确配准奠定了基础。

基于视觉的动态手势识别

采用隐马尔可夫模型(Hidden Markov Model)训练并识别手势样本,针对HMM的经典训练算法Baum-Welch算法的缺点,采用纠错算法对其修正,提高了识别率。将识别结果应用于“基于Internet远程机器人控制”项目,达到了对机器人控制的目的,优化了人机交互的接口。

基于手势识别的机器人人机交互技术研究

研究了基于视觉的动态手势识别技术,采用基于肤色的高斯模型与改进的光流场跟踪算法结合的方法,实现了复杂背景下实时的手势跟踪,具有快速和准确的特点,且具有较好的鲁棒性。对于动态手势识别器,采用了隐马尔可夫模型(HMM)作为训练识别算法。考虑到动态手势特征本身的一些特点,对HMM参数优化算法重估式加以修正,调整了算法比例因子,从而推导了最佳状态链的确定算法、HMM参数优化算法。最后将研究开发的动态手势识别算法成功地应用到了基于网络的远程机器人控制系统中。

基于城市级位置服务的移动增强现实

基于位置服务的移动增强现实以虚实融合的方式呈现用户周围环境.本文采用C/S架构实现基于视觉的移动增强现实系统,解决手机处理速度以及存储空间不足的问题.服务器端采用基于分布式聚类的词汇树算法进行城市级海量场景识别;手机端采用BRISK特征提取与光流算法相结合的6自由度跟踪注册方式.本文在UKbench以及SUN397数据库进行实验测试,实验结果表明,文中提出的分布式聚类算法能快速构建词汇树并有效解决单PC计算内存瓶颈;移动终端通过BRISK特征提取以及并行流水线设计,系统跟踪实时性良好.