基于改进ORB算法的移动机器人视觉SLAM方法研究

以移动机器人视觉导航为应用背景,针对传统ORB算法在视觉SLAM中存在特征点分布不均匀、重叠特征点较多的问题,提出一种改进ORB算法。首先,对每层图像的尺度空间金字塔进行网格划分,增加空间尺度信息;其次,在特征点检测时,采用改进FAST角点自适应阈值提取,设置感兴趣区域;然后,采用非极大值抑制的方法,抑制低阈值特征点的输出;最后,使用基于区域图像特征点分布的方差数值评价待检测图像中特征点的分布情况。实验结果表明,改进ORB算法特征点的分布较为均匀,输出特征点重叠数量较少,执行时间较短。

基于改进ORB算法的双目视觉定位测量方法

针对基于传统特征点检测的双目视觉测量中匹配时间长、误匹配率高和测量精度低的问题,提出了基于改进ORB算法的双目视觉定位测量方法。首先对特征点邻域内的像素点灰度值进行加权,再采用灰度质心法提取特征点的主方向,最后以字符串描述子代替传统二进制描述子对特征点进行描述。在测量中采用二维二次函数精确拟合特征点的亚像素坐标。实验结果表明,该改进方法在特征点匹配正确率和测量精度上都有很大的提升,特征点匹配正确率提升了31.8%,测量最低误差达到0.42%,满足双目视觉测量的精度要求。

融合光流与改进ORB算法的单目视觉里程计

针对光流法定位精度差的问题,设计了一种光流和改进定向二进制简单描述符(ORB)算法融合的单目视觉里程计方法。首先利用光流法进行帧间位移定位,并根据经验设定每帧跟踪的最少特征点数,在跟踪特征点数低于设定的阈值后,利用改进的ORB算法进行帧间位移定位,最后通过二者的循环运行更新机器人的位置和姿态。结果表明:该方法克服了光流法定位精度差的缺点,突出了改进ORB算法定位准确性的优点,能够提供较准确的定位输出。

改进ORB算法在机器人分拣系统中的应用研究

为满足工业上对表面具有复杂纹理特征工件的快速识别和分拣要求,将机器视觉引导技术应用到机器人分拣系统之中,提出了一种改进ORB算法,该算法采用oFAST特征提取和SURF特征子描述,完成对工件的快速识别,通过对工件形心坐标的计算,引导机器人进行分拣工作。结果表明:改进ORB算法与ORB算法相比,对尺度变化下工件图像的匹配准确率由59.52%提升到90.12%,对光照变换及噪声下的工件图像识别效果更好,将其应用到机器人分拣系统中可以对表面具有复杂纹理特征的工件进行准确识别与分拣,具有较高的鲁棒性。

基于改进ORB算法的近红外和可见光图像特征匹配方法

提出一种针对近红外和可见光图像匹配的改进ORB算法,首先通过引入BRISK算法构建金字塔的思想进行图像金字塔的构建,然后对探测出的特征点进行子像素和尺度上的进一步插值,得到修正后的特征点,最后将特征点按匹配质量得分大小进行排序,采取逐渐增大采样样本数的策略进行误匹配的剔除,并根据非随机性和极大值策略停止“采样-验证”循环。实验结果表明,提出的改进算法与ORB算法相比,在近红外图像上提取特征点数增加了17.21倍、在可见光图像上提取特征点数增加了12.34倍、正确点对数增加了23.11倍;基于渐进采样一致性算法进行误匹配点对的剔除,其用时与经典RANSAC算法相比减少约14%。

基于改进的ORB算法的机械臂识别定位及抓取研究

针对采用传统面向快速与旋转的二进制鲁棒独立基本特征(Oriented Fast and Rotated BRIEF,ORB)算法难以实现搭载双目立体视觉的机械臂对目标的实时、精准抓取等问题,提出一种基于改进的ORB算法的机械臂识别定位及抓取方法。首先,利用改进的ORB算法对目标进行识别,根据双目立体视觉光轴平行模型对目标实施定位;随后,运用标准D-H参数法建立机械臂的数学模型并进行逆运动学求解;最后,将获得的机械臂各关节驱动角传输至系统控制端,驱使机械臂末端执行器完成对目标的抓取作业。结果表明,提出的改进的ORB算法较传统ORB算法提高了目标识别定位的速度与准确度,有效提升了机械臂实施抓取时的实时性与精确性。

一种基于改进ORB算法的双目视觉测距方法

针对传统基于特征点图像匹配算法误匹配率高和双目视觉系统测量精度低问题,提出一种基于改进ORB算法的双目视觉测距方法。首先采用引导滤波对图像进行预处理,然后将FAST检测得到的特征点作为中心,得到围绕该特征点的区域,将该区域进行分割,分别求出左右区域的质心坐标,根据两质心坐标进行主方向的确定;再采用Sobel算子计算出像素点水平和垂直梯度,比较每个像素点对之间水平与垂直梯度中的较大值,把比较结果串成一个二值位字符串的形式,从而形成描述符,采用汉明距离进行匹配;最后在测量阶段用二维二次函数拟合的方法获得特征点的亚像素坐标,通过三角测量原理获得对应特征点的空间三维坐标,从而得到被测物体的尺寸。实验结果表明,本文改进算法的匹配精度较传统ORB算法提高35.25%,同时测量的最低相对误差达到0.428 4%,满足测量要求。

基于改进的ORB算法的工件图像识别方法

针对传统的工件图像识别算法运行速度慢、匹配精度差等问题,提出一种改进的ORB(Oriented FAST and Rotated BRIEF)算法解决工件图像的实时与准确识别问题。该算法的流程是首先利用ORB算法提取工件图像的角点特征,随后为其添加SURF(Speed-Up Robust Features)描述符进行方向分配,得到具有旋转尺度不变性的图像角点,结合快速近似最近邻搜索算法进行特征点的匹配,实现工件图像的识别。实验结果表明:在图像存在旋转尺度变化的情况下,使用改进的ORB算法相比传统的ORB、SIFT(Scale Invariant Feature Transform)和SURF算法以及SIFT+SURF、SURF+FREAK组合算法在工件图像角点提取与目标匹配方面速度更快,识别精度更高,提高了工业机器人在搬运工件过程中对工件图像的识别效率和准确性。

面向集成制造的改进ORB图像匹配方法

图像匹配是计算机视觉应用研究的主要内容。针对ORB(Oriented FAST and Rotated BRIEF)图像匹配方法不具备尺度不变性和匹配精度低的问题,提出一种基于改进ORB算法的图像匹配方法。在特征点检测阶段,ORB和SURF(Speeded Up Robust Feature)同时检测特征点,首先采用oFAST(oriented-FAST)与SURF算法检测左右图像特征点,然后使用rBRIEF(rotation-aware BRIEF)描述子描述特征点;在立体匹配阶段,采用Hamming距离对特征点进行粗匹配的基础上,引入极线约束筛选特征点并进行精匹配,减小匹配搜索范围,加快匹配速度,提高匹配准确率。实验结果表明,所提改进ORB算法点对数平均值是SURF算法的1.5倍左右,匹配速度平均值比SURF算法提高了22%,准确率比SURF算法提高了2倍,比ORB算法提高1.7倍,从而证明所提改进ORB算法,具有匹配点数多、速度快、准确率高的特点,且具有尺度不变性。所提方法可应用于目标识别、目标跟踪、三维重建、缺陷检测等领域。

一种基于非线性尺度空间的ORB特征匹配算法研究

ORB(Oriented FAST and rotated BRIEF)特征描述算法具有旋转不变性、匹配速度快的特点,但没有解决尺度不变性、误匹配率高的问题。针对此缺陷,提出一种改进的ORB特征点匹配算法,完成特征点的检测、匹配以及剔除误匹配。改进算法首先借鉴了A-KAZE基于非线性扩散滤波构建尺度空间的方法;其次利用ORB特征检测子在所构建的非线性尺度空间进行特征点的检测;再次对采集到的特征点生成特征描述子;最后在使用Hamming距离匹配的基础上再对其结果采用PROSAC算法剔除噪声点。实验结果表明,改进后的算法相较于原ORB算法,有效地解决了ORB算法不具备尺度不变性的问题,且匹配精度大幅提高,适用于尺度变化较大且实时性高的环境,具有较好的工程意义。

基于双目视觉的无人机编队相对定位算法

针对无人机编队飞行时双目视觉定位精确性差、计算量大、实时性不高的技术现状,对基于特征点的FAST定位和BRIEF旋转(Oriented fast and rotated brief,ORB)算法进行了改进,提出了一种适用于无人机双目视觉定位的算法。在改进ORB算法中,采用提取目标区域、最近邻约束和随机抽样一致(Random sampling consensus,RANSAC)方法,提高了特征点提取与匹配效率,也提高了特征点匹配质量;对于双目视觉定位,提出了适用条件更加宽泛的双目视觉定位模型,并保证了模型的定位精度;最后使用卡尔曼滤波算法对无人机的定位信息进行估计,进一步提高了无人机的定位精度。实验表明,算法具有较高的精确性和实时性,满足无人机间的相对定位要求。

混凝土布料机布料厚度实时测量算法研究

利用ORB算法进行双目视觉厚度测量存在运行速度慢、自动化程度低、无法得到特定区域和特定位置厚度信息,以及难以满足混凝土图像特征点准确匹配等问题。为此,文中提出一种图像分割方法与区域特征匹配技术相结合的改进ORB算法。该算法利用双目视觉,首先对双目相机采集的左、右图像中混凝土布料机布料口区域进行区域分割,对分割区域内部特征点进行描述;然后计算布料口在图中对应像素点位置并进行立体匹配。进行立体匹配时,在左图中选定匹配特征点的周围建立匹配窗,取匹配窗中汉明距离总和值最小的特征点来作为一对匹配点,通过这对匹配点的视差来计算该点的深度信息。实验结果表明:文中算法在选取匹配窗为3×3时效果最优,测量8个点位的平均运行时间小于0.9 s,平均误差小于0.8 mm,在测量速度与误差方面均优于其他双目测距算法,能够满足实际应用中实时测量混凝土布料机布料厚度的要求。

基于运动线索的单目绝对深度测量

为实现单目相机识别和测量目标物体的绝对深度信息,提出基于运动线索的测量方法。首先,通过SSD算法和GrabCut算法识别并分割两幅图中的同一目标对象;其次,利用改进的ORB算法和融合几何约束的RANSAC算法获得目标物体的特征匹配结果;再利用Graham Scan算法求得两幅图中特征匹配后的凸包集合,选出最佳匹配的特征线段计算缩放率,最后,通过公式求得目标物体的绝对深度信息。结果表明,当相机移动100 mm时,目标物体测量误差最小为0.94%,最大为5.23%,平均测量误差最小。由此可见,改进的特征提取和匹配算法不仅能均匀化和亚像素化角点,还提高了匹配正确率,同时选出最佳匹配的特征线段也保证了测量精度。