基于视觉的移动机器人地面轨线跟踪导航研究

地面轨线跟踪是机器人视觉导航控制基本技术之一 .文中针对曲率变化较大的地面轨线跟踪提出了一种新的状态控制方法 .该方法从图像中提取参考轨线的方向和幅度参数作为状态控制的输入 ,调整速度和转速实现跟踪控制 .为改善控制性能 ,当由于摄像机倾角较大而引起的图像畸变较大时 ,利用射影变换把参考轨线参数从图像坐标系映射到机器人坐标系 ,而无须提供位置、曲率等参数 .

机器人轨线跟踪的视觉与控制集成方法

针对视觉引导的机器人轨线跟踪控制问题，结合视觉传感器的测量特点提出了视觉与控制集成的控制方案，在跟踪轨线切向实现等速度控制，而在法向实现位置控制，这一法向位置误差容易由采样图象直接获得，采用一并行控制器可实现伺服级上的视觉引导，使系统跟踪性能得到明显提高，在小视场条件下（２６．４ｍｍ×２６．４ｍｍ）跟踪速度达到２５０ｍｍ／ｓ．

数控线切割机床图像矢量化的线跟踪算法改进研究

图像矢量化是指将图片或工程图纸用数字化设备输入计算机中，经过矢量化处理形成CAD文件的过程。在数控线切割机床自动编程系统中引入图像矢量化技术，能提高编程系统的智能化水平。本文列举了4种具有代表性的矢量化算法，并根据数控线切割机床加工零件图像的特点，提出了一种改进的线跟踪图像矢量化算法，实现加工零件图像的矢量化。

基于隐马尔可夫模型的多频率线跟踪算法的若干改进

提出了基于隐马尔可夫模型（ＨＭＭ）的多频率线跟踪算法的若干改进措施，着重于减少计算复杂性、提高算法的实时性，其中包括减少信号幅值实时估计的计算量和减少双频率线跟踪算法的计算量．

EM-HMM多频率线跟踪算法

基于隐马尔可夫模型的多频率线跟踪算法 ,能在很低的SNR环境下工作 ,但量化误差较大 ,和计算量大 .本文提出另一种选择量测向量和计算量测概率的方法 ,创造条件减小量化误差 .又经简单论证 ,将EM算法和HMM用于多频率线跟踪 ,严格地 (而不是启发式地 )得到EM HMM算法 ,可以极大地减少计算量 .本文又提出获得初始估计以启动EM HMM算法的二种方法 .仿真计算表明 。

基于隐马尔可夫模型的频率线跟踪系统的频率估计精细化

基于ＨＭＭ的多频率线跟踪算法，能在很低的ＳＮＲ环境下工作，但存在一个量化误差，此误差的量级高于所给测量条件下的 Ｃ－Ｒ下界所对应的误差量级（Ｎ－３／ ２）．本文提出，在 ＨＭＭ跟踪器输出的基础上，进一步实施极大似然估计以提高频率估计精度．为了极大地减轻系统的存贮数据负担，文中提出只选取测量信号ＦＦＴ的很少一部分，共Ｌ个数作为依据来实施估计．给出了估计算式和Ｌ的计算方法和仿真结果．

工程图形的自动线跟踪细化

依据线跟踪细化的基本原理,对线跟踪器的窗口定义、左右边缘指针初始化、交叉点处理进行了探讨,实现了对工程图的细化处理.

结合帧差法与窗口搜索的车道线跟踪方法

针对计算机绘制车道线地图的过程中,需要在移动背景下精准追踪车道线的功能需求,提出一种结合帧差法和窗口搜索的车道线跟踪方法。首先,对广角镜头拍摄的图像进行棋盘格矫正,再利用逆透视变换(IPM)将包含车道线的感兴趣区域转换为鸟瞰图,再使用色度,饱和度,纯度(HSV)、红绿蓝(RGB)分别将白色、黄色像素筛选出来。其次,利用车道线与垂线的夹角对车道线进行修正,根据修正后图片的像素密度,选出车道线的起始点,并采用滑动窗口搜索的方法提取整个车道线。最后,采用改进的帧差法,对车道线进行跟踪,并根据车道线标准对车道线像素进行规范化补充。由大量的实际道路行驶测试表明,该算法的准确率为94.97%,能够较为精确地完成车道线的追踪。

液相线跟踪法用低温保存液的若干理化性质

为指导和优化液相线跟踪法的实施,对以CPTes2为载液含二甲亚砜(Me_2SO)的低温保存液(CPTes2/Me_2SO)的理化性质进行深入研究。采用差示扫描量热仪(DSC)结合质量补偿法分别得到不同Me_2SO质量分数(0—0.4)下CPTes2/Me_2SO和NaCl/H_2O/Me_2SO溶液的平衡冻结点;利用DSC结合半比热温度法分别得到不同Me_2SO质量分数(0.5—0.6)下CPTes2/Me_2SO和NaCl/H_2O/Me_2SO溶液的玻璃化转变温度;采用pH计和pH试纸测量得到不同温度(4—37℃)和不同Me_2SO质量分数(0—0.6)下CPTes2/Me_2SO溶液的pH值,并拟合得到pH值与温度和Me_2SO质量分数之间的关系式。结果表明,CPTes2/Me_2SO溶液的平衡冻结点略低于NaCl/H_2O/Me_2SO溶液的,但两者并无显著差别;CPTes2/Me_2SO溶液的玻璃化转变温度略微高于NaCl/H_2O/Me_2SO溶液的,但两者亦无明显差别;CPTes2/Me_2SO溶液的pH随温度的降低而增大,随Me_2SO质量分数的增大而增大。

骨软骨栓液相线跟踪法处理方案研究

关节软骨的长期保存是临床上软骨移植得以广泛开展的技术保证。液相线跟踪法作为一种新型的玻璃化保存方法,是一种很有价值的关节软骨低温保存技术。本研究从数值分析的角度指出了应用现有液相线跟踪法方案处理骨软骨栓存在的不足,并以避免软骨细胞在处理过程中遭受冰晶损伤为目标,提出了软骨直径6 mm、厚1mm的骨软骨栓的液相线跟踪法处理方案,方案共13步,包括降温提高浓度、升温降低浓度两个过程,共计耗时1012 min。为减少处理时间,采取尽可能降低载入浓度、强化传质过程等措施显得十分有必要。

基于边缘检测和骨架线跟踪的线状目标识别

线状目标的识别在很多方面具有重要应用,而目前常用的识别方法在准确性、抗干扰能力等方面有所欠缺。本文提出了一种综合利用边缘和骨架线这两个特征对线状目标进行识别的方法。方向小波变换不仅体现了多尺度特征,而且能很好地结合图像的方向及纹理特征,反映图像的边缘信息;基于优先搜索方向的骨架线跟踪方法可以减少搜索范围,降低问题复杂度。综合利用基于方向小波变换的边缘提取方法和基于优先搜索方向的骨架线跟踪方法,有效识别出线状目标,并通过纤维的识别证明了该方法的可靠性与精确性。

基于PSD的织物引导线跟踪器设计

为实现筒状织物中引导线的自动跟踪识别,设计了一种基于位置敏感探测器PSD的引导线跟踪器。介绍PSD的基本结构和原理,阐述系统的整体设计方案和工作原理,并重点介绍了系统光源、信号前置处理电路以及A/D转换电路。为提高系统精度和稳定性,在PSD信号处理过程中,使用软件运算代替传统处理电路中的四则运算部分。通过数控平台驱动织物进行引导线跟踪实验,结果表明系统的定位精度为±1.5 mm,可满足剪布位置的精度要求。

基于整体特征的线跟踪方法

研究了一种电路图纸录入专用系统的线跟踪方法，它借鉴了文字识别的方法，利用电路图的总体特征，模仿人眼识别电路图的过程，对电路图逐步进行分块、切割和识别，增强了线跟踪的遍历能力和适应性．实验表明，其效果很好．

两台机器人共用一个编码器的在线跟踪系统

为实现两台工业机器人利用一个增量型编码器跟踪传送带工作,提出一种基于增量型编码器输出信号转换为机器人接收的信号类型,并分配给两台机器人的解决方法。详细介绍了增量型编码器的工作原理及该系统的详细架构,解决了两台机器人在共同区域跟踪作业的问题。为工业机器人在线跟踪方面提供一种解决方案。

基于轮廓线跟踪的绿色建筑工程桩基施工沉降变形监测方法

为降低建筑工程沉降变形的监测误差,形成可靠的监测结构,营造稳定、安全的施工环境,结合轮廓线跟踪技术,构建绿色建筑工程桩基施工沉降变形监测方法。通过布设沉降变形监测点,设定桩基轮廓监测频率,以此为基础,构建轮廓线跟踪边缘监测模型,获取监测结果,并采用纵向轮廓修正监测误差,从而实现沉降变形监测。最终测试结果表明:与传统对称沉降变形监测小组、传统压缩观测沉降变形监测小组相对比,文章所设计的轮廓线跟踪沉降变形监测小组最终得出的监测误差均控制在1.2以下,表明这一监测方法的效果更佳,精准度高,误差小,具有实际的应用价值。

基于改进的卡尔曼滤波车道线跟踪算法研究

车道线识别是实现车道线保持等高级辅助驾驶的前提条件,针对目前结构化道路车道线在干扰条件下存在检测失效的问题,提出了一种改进的卡尔曼滤波车道线跟踪识别方法。该方法利用连续帧道路图像车道线发展的连续性和车道线状态不出现突变的特点实现车道线的跟踪识别。首先计算出斜率和截距作为前一帧车道线道路图像的参数值,卡尔曼滤波系统以前一帧车道线参数值预算估计出当前帧道路图像的车道线作为最优估计值;通过设定阈值更新当前帧道路图像中车道线出现的区域为感兴趣区域,以减小道路图像中其他非车道线因素的噪声的干扰;利用opencv视觉库分别找到当前帧道路图像感兴趣区域中所有组成车道线的端点作为左右车道线的数据集,用最小二乘拟合出车道线的检测值;将卡尔曼滤波估算得出的最优估计值和最小二乘拟合的检测值比较后完成车道线的检测跟踪。实验结果表明,采用改进的卡尔曼滤波跟踪方法后,车道线识别准确率超过了95%。利用前一帧车道线的参数对当前车道线的状态进行估算,可以消除不同干扰条件下噪声的影响,提高车道线的识别准确率,提升辅助驾驶功能的稳定性。

侧墙自动焊接生产线跟踪导轮改造

正近年来,随着我国铁路运输装备生产要求不断提高,国内专业化货车生产厂家都引进很多自动化焊接生产线,由于新技术和新工艺的引入,自动生产线使用初期经常出现问题。2004年上半年,太原轨道交通装备有限责任公司购置了"货车侧墙自动焊接生产线"设备。侧柱的自动焊接跟踪采用机械式跟踪系统,使用中发现侧柱焊缝基本处于不稳定状态,主要问题有:(1)焊缝不合格,表现为焊缝不匀、焊瘤、偏焊;(2)跟踪不可靠,跟踪失效常常使焊嘴偏离焊道,只能停机处理,自动焊接失败。为此。

基于空间语义分割的多车道线检测跟踪网络

基于深度学习的目标检测网络在车道线识别领域依旧存在车道区别不明显,识别精度低,误检率、漏检率高等问题。为了解决这些问题,提出了一种基于空间实例分割的轻量级车道检测跟踪网络。该方法在编码部分使用VGG16网络和空间卷积神经网络来提高网络结构学习空间关系的能力,解决了预测车道线出现模糊、不连续等问题;基于LaneNet将编码输出后的两个分支任务相耦合,以改进前景与背景识别效果不佳和车道间区分不明显的问题。最后,该方法在TuSimple数据集中与其他5种基于语义分割的车道线算法进行对比。实验表明,本文算法的准确率评分为97.12%,误检率与漏检率均优于其他网络,并且误检率与漏检率相比于LaneNet分别降低了44.87%和12.7%,基本满足实时车道线检测跟踪的要求。

强光照条件下车道标识线识别与跟踪方法

为了实现强光照条件下车道标识线的准确识别和跟踪,采用基于直方图锥形拉伸算法对原始图像进行处理,以提高图像整体对比度,利用SUSAN算法提取出处理后图像中的边缘,对边缘图像利用定向边界跟踪算法进行滤波,利用Hough变换提取出车道标识线参数完成对道路图像中的车道标识线的识别,最后采用建立梯形感兴趣区域来实现对车道标识线的实时跟踪。试验结果表明该方法具有较强的鲁棒性和较好的实时性。