点线融合的机场跑道地基沉降全寿命监测与预估方法

针对过大、不均匀地基沉降影响机场跑道结构安全的问题,提出了点线融合监测布设方案,通过埋设单点沉降计和智能沉降仪精准获取地基的绝对和相对沉降量,实时监测与预估地基沉降,并建立相应的沉降计算、预估方法和控制标准。

点线融合双目定位与建图多维提升方法

针对现有点线融合视觉SLAM(simultaneous localization and mapping)方法中线提取和线匹配准确度低导致定位精度下降的问题,从多维度对现有点线融合双目视觉SLAM方法进行了改进研究。通过内部参数调整和长度阈值筛选改进LSD(line segment detection)提取质量;基于几何约束将线特征匹配抽象为稀疏最小化问题,求得最优解即找到线段最佳匹配;基于图像纹理评分和匹配成功特征数量分配点线特征权重,优化了后端点线特征融合策略。相比LSD算法和LBD(line binary descriptor)匹配方法,短线段数量平均下降了67%,匹配准确度平均提高了18%;相较于PL-SLAM,定位误差在EuRoC和KITTI数据集上分别下降了15%和45%左右。实验表明,通过多维度改进点线SLAM方法各模块的性能有效提高了SLAM系统的定位精度。

基于点线特征融合的视觉惯性里程计方法研究

相机和惯性测量单元组成的基于图像点特征的视觉惯性里程计(Visual Inertial Odometry,VIO),广泛应用于移动机器人定位领域,但会面临点特征退化的问题,使其定位精度受到很大影响。因此,本文提出一种基于点线特征融合的VIO方法,并在EuRoC数据集上进行实验。结果表明:该方法不仅定位精度最优,而且线特征提取的时间较低。

融合梯度密度的点线视觉SLAM算法改进

针对视觉同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)方法在相机快速运动中容易导致图像模糊,以及在稠密场景中线特征提取易造成信息冗余等问题,提出一种融合梯度密度的点线视觉SLAM算法改进。该算法首先利用前后图像帧之间特征点数量信息对模糊图像进行筛选,并使用高斯模糊进行优化处理,得到匹配效果更佳的图像帧。然后利用点特征信息判断是否引入线特征,并引入图像像素梯度密度对LSD(Line Segment Detection)线特征进行多维优化,提取出稳定线特征以提高后续匹配质量。最后结合点线特征误差构建误差函数,最小化投影误差提高位姿估计精度。算法在TUM数据集下进行测试,实验结果表明本算法可以有效提升特征提取的稳健性,进而提高相机位姿估计与建图的精度。

一种基于结构约束的点线特征融合SLAM算法

针对目前存在的特征点SLAM(同时定位与地图构建)算法在低纹理环境下难以提取足够多的特征点、定位精度低等问题,提出一种基于结构约束的点线特征融合SLAM算法。通过LSD算法提取直线后,将直线分为平行线与垂线,以此作为约束优化特征线的三维位置与相机位姿;通过CAPE算法提取表面法向量估计环境中的曼哈顿主方向,将其作为局部地图的约束优化特征位置与相机位姿。最后,在TUM RGB-D数据集上对提出的算法进行验证。结果表明,该算法提高了在弱纹理环境中的定位精度,数据有效提高了系统的稳定性。

点线特征融合的误匹配剔除算法

特征匹配作为计算机视觉的一项关键技术而备受关注。近年来,基于描述子的特征点匹配技术取得了一系列突破性进展,但曲线长度不一、端点定位不准确以及周围包含的重复性纹理较多等因素,导致了曲线匹配研究依旧是一个极具挑战性的热点研究课题,且现有曲线匹配方法大多出现匹配总数少、匹配正确率低的问题。为增加特征匹配的总数和正确率,利用特征点和特征曲线的位置关系提出一种点线特征融合的误匹配剔除算法(Point Line feature Fusion,PLF)。首先定义点到曲线的距离,利用点、曲线描述子提取图像的点、线特征;其次确定落入匹配曲线对应支撑区域内的匹配点对,并根据匹配点组和曲线间的距离约束剔除错误曲线匹配;最后利用点线距离约束剔除匹配曲线支撑区域内的错误点匹配。实验选取了3种不同的点线组合,即SIFT技术提取的点特征分别与IOCD曲线描述子、IOMSD曲线描述子、GOCD曲线描述子提取的曲线特征相融合,验证算法对多种点、线描述子具有适用性,且该算法不仅适用于特征点与特征曲线的融合,亦适用于特征点与特征直线的融合,从而验证了其对多种图像特征具有适用性。实验结果表明,在旋转、视角变化、光照变化、压缩、噪音、模糊等变换条件下,该算法均能有效提高曲线特征匹配的匹配总数和匹配正确率,同时提高点匹配的正确率。

基于点线特征融合的低纹理单目视觉同时定位与地图构建算法

当图像因相机快速运动造成模糊或者处在低纹理场景时,仅使用点特征的同步定位与地图构建(SLAM)算法难以跟踪提取足够多的特征点,导致定位精度和匹配鲁棒性较差。而如果造成误匹配,甚至系统都无法工作。针对上述问题,提出了一种基于点线特征融合的低纹理单目SLAM算法。首先,加入了线特征来加强系统稳定性,并解决了点特征算法在低纹理场景中提取不足的问题;然后,对点、线特征提取数量的选择引入了加权的思想,根据场景的丰富程度,对点线特征的权重进行了合理分配。所提算法是在低纹理场景下运行的,因而设置以线特征为主、点特征为辅。在TUM室内数据集上的实验结果表明,与现有的点线特征算法相比,所提算法有效地提高了线特征的匹配精度,使得轨迹误差减小了大约9个百分点,也使得特征提取时间减少了30个百分点,使加入的线特征在低纹理场景中发挥出积极有效的作用,提高了数据整体的准确度和可信度。

基于点线特征视觉惯性融合的机器人SLAM算法

针对弱纹理环境下单目视觉SLAM系统只依靠提取点特征鲁棒性较差的问题,提出一种点线特征视觉与惯导融合的机器人SLAM算法。首先,采用自适应加权提取点线特征并使用普吕克坐标法表示线段,减小计算量同时较好克服线特征提取时线段割裂的不足;其次,采用四叉树法实现点线特征提取均匀化解决特征堆积问题,同时消除点线特征误匹配,再利用视觉点线信息与IMU紧耦合优化机制提高机器人SLAM算法精确度。最后,将该算法在EuRoC数据集和弱纹理环境中进行实验,结果表明,改进后线特征提取相较于传统线特征提取鲁棒性提高了12.94%,相较于原生算法ORB-SLAM3,改进后特征匹配时间节约了19.2%,大型弱纹理环境中绝对定位精度提高了55.6%,所提算法在弱纹理环境中定位效果具有较强的鲁棒性和精确性。

一种点线特征融合的双目同时定位与地图构建方法

基于特征点的视觉同时定位与构图方法依赖于图像质量以及可提取的特征点数量,且稀疏的特征点不能直观表达环境的结构信息。为此,提出一种将图像的点特征和线段特征融合的双目同时定位与构图方法。算法前端提取图像的点特征和线段特征,进行特征跟踪并完成相机位姿求解,从跟踪线程中分离出特征提取线程,进一步提升了前端线程的帧率。后端采用集束调整对局部地图进行优化,利用基于词袋模型的闭环检测以抑制系统的累积误差。最后结合点线特征共同构建环境地图。在公开数据集上进行了实验,与当前主流算法相比,提出的算法在保证定位精度的同时能够获得更丰富的环境地图,具备较好的鲁棒性与实时性。

基于RGB-D相机的点线特征融合SLAM算法

针对大场景、弱纹理环境下ORB-SLAM算法特征点采集困难和精度低的问题,提出一种基于RGB-D相机的点线特征融合SLAM算法——PAL-SLAM。在ORB-SLAM算法基础上设计点线特征融合新框架,通过研究点特征与线特征的融合原理来推导点线融合的重投影误差模型,进而得到该模型的雅可比矩阵解析形式,以此为基础提出PAL-SLAM算法的框架。利用TUM数据集对PAL-SLAM和ORB-SLAM算法进行对比实验,结果表明PAL-SLAM算法在室内大场景中的定位精度更高,标准误差仅为ORB-SLAM算法的18.9%。PAL-SLAM算法降低了传统视觉SLAM在大场景、弱纹理环境中的定位误差,有效提升了系统的准确性。文中还搭建了基于Kinect V2的实验平台,实验结果表明,PAL-SLAM算法能与硬件平台较好结合。

点线融合式评价在综合实践活动中的运用

自2001年我国基础教育新课程改革实施以来,综合实践活动作为其中最为活跃、最富生机的一个领域,正以其日益凸显的育人价值而备受人们关注,而关于综合实践活动的评价研究,一直是课程实施中的短板和关键.本文以株洲实践基地倡导点线融合操作方式的尝试为例来探讨综合实践活动中学生评价问题,并从评价研究价值意义、理论支撑、概念界定、研究现状、实施方法、结果运用、实施效果、优势不足等方面展开阐述,力求探索出具有在情境、重过程、多主体、宽维度、促发展的综合实践活动学生评价方式,提升综合实践活动育人价值.

双目点线特征与惯导融合的机器人SLAM算法研究

针对机器人SLAM系统,在实际场景或低纹理场景中提取的有效特征点数量少,使得系统初始化效果差和定位精度不高的问题,提出了一种基于点线特征和IMU信息融合的双目惯导SLAM系统(Stereo Visual-Inertial state estimator based on optimized ORB point feature and line feature,OOL-VINS).首先,对双目视觉进行点线特征的提取与匹配,通过匹配的特征点构建残差模型,并结合松耦合算法实现系统快速且稳定的初始化.然后,利用点线特征以及三角化算法设计了一种更加鲁棒的方法来获取路标点的3D信息,以此来实现系统的位姿跟踪.最后,根据位姿跟踪过程中构建的局部三维地图,并结合滑动窗口的非线性优化对相机位姿进行更新,提高系统的定位精度.实验结果表明,OOL-VINS在TUM纹理结构类数据集上能获取更多有效的点线视觉特征,且特征提取耗时为27ms.在Eu Roc和TUM-VI数据集上进行初始化实验,实验表明,OOL-VINS初始化更加快速稳定.同样地,我们使用以上数据集进行系统性能的实验验证.结果表明,该系统的平均跟踪帧率为25Hz,在300m的低纹理场景中,定位精度可达0.072m.

基于点线面特征的无漂移旋转视觉里程计

现有基于点特征的视觉SLAM(simultaneous localization and mapping)算法在弱纹理环境中表现不佳,为此提出了一种基于点线面特征融合的视觉里程计算法,能够在弱纹理环境中实现精准定位。首先基于曼哈顿世界假设下,使用线特征与面特征提取曼哈顿世界坐标系,并将线特征与面特征与坐标系联合;其次为了提升系统定位的准确性,使用了一种无漂移旋转的位姿估计算法,将位姿的旋转与平移分开求解;最后利用结构化的线特征与面特征对位姿与曼哈顿轴进行优化,综合考虑图像中的点线面特征,使得位姿估计的结果更加精确。实验表明,该算法在TUM与ICL-NUIM数据集中的表现优于目前的其他方法。

我手绘我心——以‘点线面三位一体融合’为载体促进大班儿童画创作的策略研究

本文以大班幼儿的儿童画为研究对象,旨在以‘点线面三位一体融合’为载体,以音乐激发、绘本故事渲染、实物形象拓展等一些不同的策略来促进幼儿儿童画的创作。

一种基于点线不变量的视觉SLAM算法

点线特征结合的视觉SLAM(同步定位与地图构建)算法中,线特征匹配准确度差会引入新的误差,点线特征误差的累积加剧了数据关联失败情况的发生.针对这一问题,本文设计了一种基于点线不变量的线特征匹配方法,该点线不变量对线段与相邻2个特征点的局部几何关系进行编码,直接在现有特征点的基础上完成线匹配,可有效提高线段匹配的速度和准确度;此外,在点线特征的融合过程引入加权思想,根据场景特征丰富程度,在构造误差函数时对点线特征的权重进行合理分配.在TUM室内数据集和KITTI道路数据集上的实验表明,与现有的点线SLAM系统相比,本文提出的点线SLAM系统有效地提高了视觉SLAM中线特征匹配的准确度,提高了特征匹配环节的运行效率,使线特征在SLAM过程中发挥了积极有效的作用,提高了系统数据关联的稳定性.

PLP-SLAM:基于点、线、面特征融合的视觉SLAM方法

基于点特征的视觉SLAM(同时定位与地图构建)算法存在计算量大、环境存储空间负荷高、定位误差较大的问题,为此,提出了一种基于点、线段、平面特征融合的视觉SLAM算法——PLP-SLAM.在扩展卡尔曼滤波(EKF)框架下,首先利用点特征估计机器人当前位姿,然后构建了基于点、线、平面特征的观测模型,最后建立了带平面约束的线段特征数据关联方法及系统状态更新模型,并利用线段和平面特征描述环境信息.在公开数据集上进行了实验,结果表明,本文PLP-SLAM算法能够成功完成SLAM任务,平均定位误差为2.3 m,优于基于点特征的SLAM方法,并通过基于不同特征的SLAM实验表明了本文提出的点、线、面特征融合的优越性.