基于约束卡尔曼滤波器预测的视觉跟踪研究

视觉伺服主要是对物体图像的某个特征区域进行处理 ,而不是对整个物体的图像进行处理 ,这样可以减小图像处理的区域 ,提高伺服系统实时性。为了达到这一目标 ,文中利用推导出的方程作为约束条件 ,建立约束卡尔曼滤波器 ,该滤波器在系统中作为预测器使用 ,利用它对跟踪的特征点下一位置进行预测 ,与普通卡尔曼滤波器相比较 ,这一预测精度有了很大的提高 ,这样就可以缩小图像处理的窗口。文中还利用视觉雅可比映射矩阵 ,求出了视觉空间到任务空间的伺服控制方程 ,利用这一方程可以控制机器人的运动 ,完成特征点的跟踪。从仿真结果来看 ,使用这些方法减小了图像处理的区域 ,提高了图像处理的速度和系统的实时性。

基于实体模型的虚拟微装配视觉伺服研究

微装配的主要问题是装配的器件小,装配精度高,一般用显微镜作为视觉传感器对装配运动进行控制。在大放大倍数下,显微镜的视场和景深很小,这时操作对象和操作工具就不会同时处在焦平面内,使得图像模糊,操作很难完成。利用显微镜的聚焦理论,提取对象的三维信息,构造对象的实体模型,使微装配在虚拟环境中进行,而实际环境只起监视的作用,当对象和工具不动时,虚拟操作环境不变化,而当操作对象和工具位置变化时,重构三维环境,使得虚拟环境和实际环境具有严格的位置对应关系。试验和仿真结果表明,该方法可以克服物体在显微镜下的失焦问题,而且操作方便。

基于分层神经网络的微装配全局—局部视觉伺服研究

采用多视觉系统进行全局-局部3D点的跟踪,控制全局跟踪的视觉系统具有低的放大倍数和大的视场,而控制局部跟踪的视觉系统具有高的放大倍数和小的视场。在视觉伺服控制中,利用推导出的视觉雅可比映射矩阵建立任务空间到视觉空间的伺服控制方程,并利用这一方程建立预测器,对物体图像的未来位置进行预测,这样就减小了图像处理的区域,提高了图像处理的速度;同时,利用分层神经网络代替视觉空间到任务空间的映射,避免了复杂的逆矩阵计算。从仿真结果来看,这些方法的使用提高了图像处理的速度和跟踪精度。

基于分层神经网络带预测器的视觉跟踪

提出了一种新的视觉伺服控制方案 ,在该方案中利用视觉雅可比映射矩阵 ,求出了任务空间到视觉空间的视觉伺服控制方程 ,并利用这一方程建立了预测器 ,对物体图像的未来位置进行预测 ,这样就减小了图像处理的区域 ,提高了图像处理的速度 .同时 ,利用分层神经网络代替视觉空间到任务空间的映射 ,避免了复杂的逆矩阵计算 .仿真结果表明 ,这些方法的使用提高了图像处理的速度和跟踪精度 .