开发基于虚拟现实概念的环境训练系统具有广泛的应用前景。针对不同的应用,使用的开发工具、实现途径各不相同。目前比较常见的手段是利用计算机强大的运算能力,实现三维实体成像即生成虚拟环境,在传感器配合下实现训练目标。考虑到研...开发基于虚拟现实概念的环境训练系统具有广泛的应用前景。针对不同的应用,使用的开发工具、实现途径各不相同。目前比较常见的手段是利用计算机强大的运算能力,实现三维实体成像即生成虚拟环境,在传感器配合下实现训练目标。考虑到研发成本和系统本身的复杂性,本系统中非建模目标部位的动态跟踪采用半人工的方式预先处理,采用巧妙的方法实现了非建模目标部位的动态跟踪。降低了系统难度,满足了系统要求。在数据处理方面通过巧妙的构思减少了数据量,加快了系统处理速度。利用Windows Media Player SDK实现了媒体播放流的无缝切换。展开更多
在复杂道路场景下,车辆目标之间频繁遮挡、车辆目标之间相似的外观、目标整个运动过程中采用静态预设参数都会引起跟踪准确率下降等问题。该文提出了一种基于车辆外观特征和帧间光流的目标跟踪算法。首先,通过YOLOv5算法中的YOLOv5x网...在复杂道路场景下,车辆目标之间频繁遮挡、车辆目标之间相似的外观、目标整个运动过程中采用静态预设参数都会引起跟踪准确率下降等问题。该文提出了一种基于车辆外观特征和帧间光流的目标跟踪算法。首先,通过YOLOv5算法中的YOLOv5x网络模型获得车辆目标框的位置信息;其次,利用RAFT (recurrent all-pairs field transforms for optical flow)算法计算当前帧和前一帧之间的光流,并根据得到的位置信息对光流图进行裁剪;最后,在卡尔曼滤波过程中利用帧间光流进行补偿得到更精确的运动状态信息,并利用车辆外观特征和交并比特征完成轨迹匹配。实验结果表明,基于车辆外观特征和帧间光流的目标跟踪算法在MOT16数据集上表现良好,相较于跟踪算法DeepSORT,成功跟踪帧数占比提高了1.6%,跟踪准确度提升了1.3%,跟踪精度提升了0.6%,改进的车辆外观特征提取模型准确率在训练集和验证集上分别提高了1.7%、6.3%。因此,基于高精度的车辆外观特征模型结合关联帧间光流的运动状态信息能够有效实现交通场景下的车辆目标跟踪。展开更多
针对机器人快速运动时视觉里程计精度严重下降问题,提出基于点线特征的帧间匹配流视觉里程计(Point and line of frame math,PL-FM)算法,以提高机器人在快速运动情形下的定位精度。PL-FM算法通过对图像的预处理去噪,在特征点提取时引入...针对机器人快速运动时视觉里程计精度严重下降问题,提出基于点线特征的帧间匹配流视觉里程计(Point and line of frame math,PL-FM)算法,以提高机器人在快速运动情形下的定位精度。PL-FM算法通过对图像的预处理去噪,在特征点提取时引入灰度值权重,从而降低快速运动时光照的影响。将特征点匹配问题转化为向量计算,从而减少匹配时间,在帧间匹配流则采用衰减关键帧计算位姿,从而提高关键帧利用率。通过4组实验对比,证明PL-FM算法误差精度提高70%,时间效率提高75%,保证了移动机器人的定位实时性,实现了低误匹配率及较高的定位精度。展开更多
文摘开发基于虚拟现实概念的环境训练系统具有广泛的应用前景。针对不同的应用,使用的开发工具、实现途径各不相同。目前比较常见的手段是利用计算机强大的运算能力,实现三维实体成像即生成虚拟环境,在传感器配合下实现训练目标。考虑到研发成本和系统本身的复杂性,本系统中非建模目标部位的动态跟踪采用半人工的方式预先处理,采用巧妙的方法实现了非建模目标部位的动态跟踪。降低了系统难度,满足了系统要求。在数据处理方面通过巧妙的构思减少了数据量,加快了系统处理速度。利用Windows Media Player SDK实现了媒体播放流的无缝切换。
文摘在复杂道路场景下,车辆目标之间频繁遮挡、车辆目标之间相似的外观、目标整个运动过程中采用静态预设参数都会引起跟踪准确率下降等问题。该文提出了一种基于车辆外观特征和帧间光流的目标跟踪算法。首先,通过YOLOv5算法中的YOLOv5x网络模型获得车辆目标框的位置信息;其次,利用RAFT (recurrent all-pairs field transforms for optical flow)算法计算当前帧和前一帧之间的光流,并根据得到的位置信息对光流图进行裁剪;最后,在卡尔曼滤波过程中利用帧间光流进行补偿得到更精确的运动状态信息,并利用车辆外观特征和交并比特征完成轨迹匹配。实验结果表明,基于车辆外观特征和帧间光流的目标跟踪算法在MOT16数据集上表现良好,相较于跟踪算法DeepSORT,成功跟踪帧数占比提高了1.6%,跟踪准确度提升了1.3%,跟踪精度提升了0.6%,改进的车辆外观特征提取模型准确率在训练集和验证集上分别提高了1.7%、6.3%。因此,基于高精度的车辆外观特征模型结合关联帧间光流的运动状态信息能够有效实现交通场景下的车辆目标跟踪。
文摘针对机器人快速运动时视觉里程计精度严重下降问题,提出基于点线特征的帧间匹配流视觉里程计(Point and line of frame math,PL-FM)算法,以提高机器人在快速运动情形下的定位精度。PL-FM算法通过对图像的预处理去噪,在特征点提取时引入灰度值权重,从而降低快速运动时光照的影响。将特征点匹配问题转化为向量计算,从而减少匹配时间,在帧间匹配流则采用衰减关键帧计算位姿,从而提高关键帧利用率。通过4组实验对比,证明PL-FM算法误差精度提高70%,时间效率提高75%,保证了移动机器人的定位实时性,实现了低误匹配率及较高的定位精度。
