基于全局性极小化二维反投影误差的射影重建方法

建立1种新的射影重建方法。该方法以全局性极小化射影三维空间点的二维反投影误差平方和为准则,相对于缩小SVD反投影误差的方法,具有更为明确合理的物理意义。实现过程是以奇异值分解为基本工具的分步线性迭代计算,避免了传统射影重建方法复杂的非线性优化环节。它无需估计投影深度,避免了基础矩阵计算的复杂性问题,因而也不受相机特殊运动的限制。文中利用虚拟物体图像和真实物体图像进行了实验验证,证明该方法具有计算简单、准确性和鲁棒性高等方面的特点,具有较高的实用价值。

随机噪声平板下光学复眼内外参联合标定

光学复眼在无人系统的精确定位制导、避障导航等任务中得到了越来越广泛的应用,其中光学复眼的高精度标定是保障上述任务质量的前提。通常经典的张氏棋盘格标定法要求光学复眼的每个子眼都必须观测到完整的棋盘格,然而,由于光学复眼结构的复杂性,在实际标定过程中难以满足这一要求。为解决张氏标定法的局限性,该文提出一种基于随机噪声平板的光学复眼内外参联合标定算法,该算法通过子眼拍摄随机噪声平板的局部信息,可简单快速地实现任意构型和子眼数量的光学复眼内外参联合标定。为了提高光学复眼标定的稳定性,设置多阈值匹配机制解决子眼视场特征点数量稀疏导致图像匹配失效的问题。同时,给出了光学复眼内外参联合标定的误差模型,用来衡量所提出算法的精确度。在与张氏棋盘格标定法进行实验对比中,验证所提算法的稳定性和鲁棒性,并在光学复眼实物系统中,验证了所提联合标定算法具有较高的精度。

基于体感控制耦合深度相机的手势识别算法

针对当前手势识别算法易受光线变化、复杂场景等干扰,从而导致手势识别准确性下降的问题,定义了一种体感控制与深度相机的手势识别算法。所提出的手势识别方法结合了体感控制(Leap Motion)传感器和Kinect深度传感器,可以有效提高手势识别精度与鲁棒性。通过体感控制传感器提取指尖与手的质心距离、指尖与手掌平面的高度、指尖与手掌中心的角度,以及指尖在手参照系统中的3D位置;通过Kinect深度传感器来提取手指样本与手部中心的距离、手部轮廓的局部曲率、手部形状的连通区域以及距离特征之间的相似性;为了结合两种不同传感器数据的互补信息,摒弃冗余,通过采集的指尖3D位置,找到旋转平移参数,以最小化所有采集帧中指尖点的平均投影误差来定义一种联合校准方法,确定体感控制传感器和Kinect深度传感器的外部参数,完成两种传感器坐标转换;采用支持向量机(SVM)进行分类学习,完成手势识别任务。实验表明:相对于已有的手势识别算法,所提算法不仅在Jochen.Triesch手势数据库中具有更高的平均识别率,约为97%,而且在不同光线、不同肤色和背景的复杂环境下,其同样具有更高的准确率与稳健性。

一种新的射影重建方法

提出一种新的射影重建方法。它以最小化射影三维空间点的平均二维反投影误差为准则,以奇异值分解为工具,分步线性迭代实现求解过程,避免了传统射影重建方法中复杂的非线性优化过程和基础矩阵计算过程,且不需要任何初始估计,适用于匹配特征点存在“丢失点”的情况,不受相机特殊运动的限制。利用虚拟物体和真实物体图像序列进行了实验,证明该方法具有计算简单、准确性和鲁棒性高等方面的特点,具有较高的实用价值。

基于改进麻雀搜索算法的摄像机标定优化方法

目前一些摄像机标定方法,比如DLT标定法、Tsai标定法和张正友标定法,都有着简单且易标定的优点,但也存在着标定精度低、鲁棒性差等缺点。为了有效地解决这些问题,在麻雀搜索算法的基础上考虑其与鸟群算法相结合,提出了一种改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对目标摄像机进行标定。首先,利用MATLAB对标定板进行预拍摄;其次,利用MATLAB软件中自带的标定工具箱对采集的图像进行预标定,得到初始的摄像机内外参数;然后,构建平均重投影误差的适应度函数,并用ISSA对构建的平均重投影误差的适应度函数进行优化,利用适应度函数的优化对内外部参数进行优化;最后,与基于麻雀搜索算法、天牛须搜索算法(BAS)的摄像机标定方法进行实验对比,发现基于ISSA、SSA和BAS的摄像机标定方法的平均重投影误差分别为0.002 9 pixel、0.004 9 pixel和0.003 7 pixel,说明ISSA算法相对于另外两个算法在标定精度上有着一定的提升,且稳定性与鲁棒性都有所提高。