基于双向重投影的双目视觉里程计

针对视觉里程计中的特征点漂移与累积误差问题,提出一种基于双向重投影的双目视觉里程计方法。为降低特征点匹配的高错误率及改善匹配效率,提出一种改进的随机采样一致(RANSAC)算法。该算法依据特征点寿命长短、环形匹配、优质匹配等方法选取优质特征点以降低特征点样本容量,从而改善RANSAC算法的效率;为抑制视觉里程计累积误差、提升位姿估计精度,提出一种双向重投影的位姿估计算法,该方法通过解算下一帧图像中的最小化重投影误差得到相机位姿以更新空间点集,更新后的空间点重新投影至当前帧图像以提升位姿解算精度。最后利用KITTI数据集进行了仿真。结果表明该算法的150 m内定位误差在X方向小于1 m,在Z方向小于0.9 m;相对于ORB-SLAM2算法,定位精度提升了约20%,系统的稳定性更好,有效削弱了累积误差,验证了该算法的正确性与可行性。

结合光流跟踪和三焦点张量约束的双目视觉里程计

针对城市街道准确实时定位的问题,提出将光流跟踪与三焦点张量约束结合的双目视觉里程计方法。为提高运算效率,将图像序列分为关键帧与非关键帧,对关键帧进行常规的特征点检测与匹配,对非关键帧用Lucas-Kanade光流跟踪特征点对。推导了基于前后帧、左右视图三焦点张量约束的观测方程,顾及动力学方程,组成卡尔曼滤波模型。考虑到观测方程的非线性,采用迭代Sigma点卡尔曼滤波进行解算,解算过程中用RANSAC稳健估计策略提纯匹配,以增强系统整体稳健性。实验结果表明:提出的算法在基本不损失精度(X方向优于5 m,Y方向优于4 m)的情况下,计算速度提升6.2倍,单帧图像平均处理时间由0.3115 s下降为0.0503 s,能够满足城市定位实时准确的需求。

惯性/双目视觉里程计深组合导航方法

针对现有视觉里程计测量噪声大、匹配精度低、实时性差的问题,研究一种基于Kalman滤波器的惯性/双目视觉里程计组合导航方法。在视觉里程计中引入惯性导航信息,辅助完成实时图截取、搜索区预测、输出速度校正等功能,提高视觉里程计的测量精度与计算速度。利用Kalman滤波器,实现视觉里程计对惯导累计误差的修正,提升组合导航系统的导航精度。车载试验结果表明,惯性/双目视觉里程计深组合导航的实时定位精度优于0.5%D(CEP),具备工程应用条件。

利用解耦光流运动场模型的双目视觉里程计位姿优化方法

针对地面移动测量系统(MMS)和无人驾驶车(AV)平台双目立体相机采集的图像序列进行实时载体位姿估计优化问题,提出利用光流运动场模型的载体位姿与图像光流矢量间关系,将光流矢量解耦为3个平移分量、3个旋转分量和一个深度分量,推导分析了解耦后单分量、组合分量误差对位姿估计的影响,利用仿真和真实数据试验,验证了不同模型下单分量、组合分量误差分离模型的有效性,并结合组合分量误差分离模型,提出了双目视觉里程计位姿估计的解耦光流运动场位姿优化算法。试验结果表明:该算法可在与初始估计几乎同等计算效率条件下,将载体横向平移平均误差由4.75%降低至2.2%,即横向平移误差平均降低了53.6%;将载体前向平移平均误差由2.2%降低至1.9%,即前向平移误差平均降低了15.4%,长时间运行累积误差率较低,能够满足低功耗高效率计算条件下的组合导航实时载体位姿估计需求。

基于局部与全局优化的双目视觉里程计算法

为实现移动机器人的实时精确定位,提出一种新的双目视觉里程计算法。利用加速尺度不变特征变换(SIFT)算子提取左右图像特征并做稀疏立体匹配,对前后帧图像进行帧间SIFT特征追踪,在RANSAC策略下通过运动估计获得初始位姿(旋转和平移矩阵)。在此基础上,将图像序列分为关键帧和非关键帧,采用可变滑动窗口对相邻关键帧的位姿局部非线性优化以减小帧间运动估计误差,同时通过词袋模型进行回环检测,对环内所有关键帧的位姿全局优化,避免位姿误差的累积和轨迹漂移。实验结果表明,该算法满足实时性要求,并且能够减小位姿误差,提高定位精度。

基于GNSS/SINS/双目视觉里程计的车载导航系统分析与设计

针对无人车多传感器融合定位问题,设计了基于全球导航卫星系统(GNSS)、捷联式惯性导航系统(SINS)及双目视觉里程计的分散式融合架构,通过多个传感器的冗余配置有效提高导航信息的准确性,利用分散式融合架构提高系统的鲁棒性。此外,对于分散式融合中节点相关性未知的问题,将协方差交叉(CI)算法嵌入卡尔曼滤波框架下进行融合。在基于KITTI数据集的仿真验证结果表明,设计的多传感器融合方案能有效提高导航信息的估计精度,增强系统的鲁棒性。

基于光束平差法的双目视觉里程计研究

机器人自定位是实现机器人自动导航及其他智能行为的前提,一种基于光束平差法的移动机器人双目视觉里程计可以有效地实现机器人自定位.为此,首先采用点模式匹配方法建立相邻图像之间的特征匹配关系,根据立体视觉算法得到匹配点对的三维对应关系;然后,计算摄像机的相对运动参数,并采用光束平差分段优化算法对其进行优化.所提出的双目视觉里程计能够避免车轮半径变化、空转、打滑等对里程计测量精度的影响,相对定位精度较高.

基于双目相机的视觉里程计

针对移动机器人视觉导航定位需求,提出一种基于双目相机的视觉里程计改进方案。对于特征信息冗余问题,改进ORB(oriented FAST and rotated BRIEF)算法,引入多阈值FAST图像分割思想,为使误匹配尽可能减少,主要运用快速最近邻和随机采样一致性算法;一般而言,运用的算法主要是立体匹配算法,此算法的特征主要指灰度,对此算法做出改进,运用一种新型的双目视差算法,此算法主要以描述子为特征,据此恢复特征点深度;为使所得位姿坐标具有相对较高的准确度,构造一种特定的最小二乘问题,使其提供初值,以相应的特征点三维坐标为基础,基于有效方式对相机运动进行估计。根据数据集的实验结果可知,所提双目视觉里程具有相对而言较好的精度及较高的实时性。

基于相似结构约束和自适应调整的双目视觉里程计

为提高在不同环境下双目视觉里程计的精度,提出一种基于相似结构性约束和自适应调整策略的位姿估计方法。利用特征点对的相似结构性约束对传统的RANSAC算法进行改进,降低误匹配率的同时提高匹配效率;提出一种自适应调整策略,通过跟踪特征的存活率动态调整特征匹配的质量控制阈值,在被跟踪的特征点的数量和质量之间保持一个良好的平衡并提升位姿估计的精度。最后利用KITTI数据集进行了仿真实验,结果表明提出算法相对于传统的ORB-SLAM2算法,定位精度提升了约21%,满足实时定位的要求。

考虑多位姿估计约束的双目视觉里程计

为了提升复杂环境中双目视觉里程计的精度,提出一种考虑多位姿估计约束的双目视觉里程计方法.首先,分别建立匹配深度已知点与深度未知点的数学模型,将深度未知点引入2D-2D位姿估计模型,从而充分利用图像信息;然后,基于关键帧地图点改进3D-2D位姿估计模型,并结合当前帧地图点更新关键帧地图点,从而增加匹配点对数,提高位姿估计精度;最后,根据改进的2D-2D及3D-2D位姿估计模型,建立多位姿估计约束位姿估计模型,结合局部光束平差法对位姿估计进行局部优化,达到定位精度高且累积误差小的效果.数据集实验和实际场景在线实验表明,所提出方法满足实时定位要求,且有效地提高了自主定位精度.

动态场景下一种鲁棒的立体视觉里程计算法

针对传统视觉里程计算法在动态场景下对相机位姿估计鲁棒性和精确性不高的问题,基于场景流及静态点相对空间距离不变原理,提出一种动态场景下鲁棒的立体视觉里程计算法。该算法首先利用相机初始位姿估计,计算相邻帧之间匹配点对的场景流,进而建立高斯混合模型,并对场景中动、静物体的特征点进行初步分离;然后利用静态点空间相对距离不变的原理和匹配虚拟地图点集的方法进一步分离动、静物体上的特征点;最后,生成由静态特征点对应地图点构成的局部地图,并考虑虚拟地图点集的匹配情况,最小化重投影误差,以得到精确的相机位姿估计。对TUM数据集以及实际场景进行实验,结果表明提出的算法在动态场景下能够鲁棒地估计出高精度的相机位姿。

基于运动状态的特征点选择策略

在本文中提出了一种新颖的适用于双目视觉里程计的特征点筛选策略,即通过特征点的运动状态来对已有的匹配点进行进一步筛选,以此来获取更加稳定的特征点。通过在KITTI数据集上进行试验,该方法相较于传统的视觉里程计具有更高的精度。