基于视觉序列图像的月球车自运动估计技术

月球车视觉所获得的环境信息是月球车进行导航的重要信息来源,给出了一套利用月球车立体视觉系统所获得的序列图像来估计月球车运动参数的定位方案,并重点解决了后期的定位问题。该方案首先通过特征提取、特征跟踪与特征匹配等图像处理环节建立运动估计所需要的特征匹配点集,然后针对运动参数估计这一难点,利用鲁棒运动估计方法有效消除匹配特征点集中的误匹配,并初步估计月球车运动参数,以此为迭代初值利用Levenberg-Marquardt非线性估计算法精确估计月球车运动参数,最后通过建立运动估计仿真器验证了该运动估计方案的有效性。

基于序列图像的车辆自运动估计算法

提出了一种基于单目视觉序列图像的车辆自运动估计算法,首先利用自车运动和相机运动间的约束建立了运动模型,该模型消除了运动参数间的模糊性从而提高了运动估计的可靠性;然后提出了基于多参考帧的运动估计实现技术,增强了算法在低速场景下的准确性。实验结果表明该算法不容易受光照和背景的影响,在复杂应用场景中能够准确的估计出车辆自运动参数。

基于掩模和俯仰角补偿的视觉自运动估计

提出了一种基于掩模M估计和俯仰角补偿的移动机器人自运动的单目视觉估计方法。在6-DOF自运动模型的基础上,提出了一种适合于乡村道路环境的4-DOF自运动估计模型,以此为基础,采用一种多尺度的超复小波相位相干理论来鲁棒地估计缺乏规则纹理的路面图像的微小运动,设计了一种掩模M估计对运动向量进行优化估计,并提出了一种俯仰角补偿算法克服乡村路面颠簸有效地估计机器人偏航角、俯仰角增量和平移增量。在乡村道路环境下,利用某自主机器人采集的实际数据对算法进行了仿真试验,运动估计结果与车载GPS/INS捷联系统做了对照。实验结果表明了自运动估计算法的有效性。

相机自运动参数的鲁棒性估计

相机自运动估计是视觉导航中的关键技术之一,主要是通过分析相机在不同位置拍摄到的场景图像来获取相机的运动信息。从数学上讲,相机自运动估计已经形成了完备的理论基础,但是由于图像中包含大量的噪声,会使算法的性能大幅度降低,因此,如何提高自运动估计的鲁棒性是当前面临的主要问题。主要研究了基于匹配点对的自运动估计的鲁棒性问题,其核心思想是:同时利用多种算法进行自运动参数估计,从中选择最优的估计结果以提高算法性能。首先利用SIFT特征提出两幅图像中的匹配点对,然后采用一种匹配点对选取策略减小匹配点对的错误率。利用多种方法对基本矩阵进行估计,依据成像约束关系从中选择最优估计,以获得最佳估计结果。最后利用仿真数据和实验图像对算法进行验证,实验结果表明了算法的有效性。

面向机器人手眼协调抓取的3维建模方法

面向机器人手眼协调抓取,提出一种针对家庭环境中常见物体的3维建模方法.利用RGB-D传感器能同时获取RGB图像与深度图像的特点,从RGB图像中提取特征点与特征描述子,利用特征描述子的匹配建立相邻帧数据间的对应关系,利用基于随机抽样一致性的三点算法实现帧间的相对位姿计算,并基于路径闭环用Levenberg-Marquardt算法最小化再投影误差以优化位姿计算结果.利用该方法,只需将待建模物体放置在平整桌面上,环绕物体采集10～20帧数据即可建立物体的密集3维点云模型.对20种适于服务机器人抓取的家庭常见物体建立了3维模型.实验结果表明,对于直径5cm～7cm的模型,其误差约为1mm,能够满足机器人抓取时位姿计算的需要.