复杂环境下无人机集群运动一致性的群体熵度量

针对无人机集群在多障碍物或空间受限等复杂环境中协同飞行时无法实现群体自主的协同演化及适应环境、态势的变化,导致整个群体运动产生振荡、失控等一致性差的问题,提出一种无人机集群运动一致性的群体熵度量理论。通过建立群体运动行为稳定程度的熵度量函数,作为个体之间协同运动的适应度值指标,实现复杂环境下无人机集群运动一致性的自适应调节。最后进行仿真实验,相比传统无人机集群算法,引入群体熵度量的无人机运动集聚收敛速度提高30%,复杂环境中集群运动的熵值波动范围下降21.8%,有效证明群体熵度量对于无人机集群运动一致性的提高。

基于运动一致性的视觉多目标跟踪算法

视觉多目标跟踪模块在主动式车载障碍物检测系统中占据关键地位。然而,现有的视觉多目标跟踪算法多依赖离线计算得到的目标检测结果,并未充分考虑这个阶段耗时对实际应用中跟踪效果的影响。因此,本研究首先针对实际应用环境,设计了一个多线程异步的视觉障碍物检测系统框架;随后,提出了一种多特征融合的视觉多目标跟踪算法,该算法以本研究所提出的基于目标运动向量的运动一致性特征指标为基础,结合目标跟踪研究中常用的外观特征和马氏距离等特征,优化级联匹配策略,旨在提升对具有相似外观特征和运动规律的多个目标的跟踪稳定性,同时保证常规场景下目标的稳定跟踪;最后,将所提出的多目标跟踪算法集成于所设计的障碍物检测系统框架中,通过实验分析来验证该算法的有效性。实验结果表明,该算法能较稳定地跟踪实际应用环境下的各类目标,相比参照算法可达到更长时间稳定跟踪的效果。

一种基于ORB特征和运动一致性的图像校正算法

目前图像校正算法使用较多的是SIFT特征点和随机采样一致性(RANSAC)算法,但是在提取SIFT特征和用RANSAC算法剔除误匹配会消耗大量的时间,剔除误匹配后仍然存在少量错误.因此提出一种基于ORB特征和运动一致性算法实现图像校正.首先提取ORB特征,使用汉明距离进行初始匹配,然后采用运动一致性算法剔除错误匹配,再使用拓扑约束项对顽固误匹配进行剔除,最后利用RANSAC算法计算出变换矩阵H,从而完成图像的校正.实验结果表明,与SIFT算法相比,该算法不仅特征检测和匹配速度较快,计算资源消耗较少,且具有很好的鲁棒性.

基于运动一致性的视频对象分割方法研究

视频运动对象检测和分割是图像处理中最具挑战性的问题之一。针对目前大部分分割算法相当复杂而且计算量大的问题,提出了一种基于运动一致性的视频对象分割方法。该方法从MPEG压缩码流中提取运动矢量场来分割视频对象,首先对运动矢量场进行滤波和校正,然后进行全局运动补偿得到对象的绝对运动矢量场,最后采用K-means聚类算法对运动矢量场进行聚类分析从而分割出感兴趣的视频运动对象。MPEG标准测试序列的试验结果证明,该方法是有效的。

面向三维重建的增强运动一致性与引导扩散特征匹配

特征匹配是从图像恢复三维模型的关键步骤之一.为有效地提高三维重建的质量,提出一种面向三维重建的增强运动一致性与引导扩散特征匹配算法.首先在基于网格的运动统计算法基础上,通过增加阈值β,提出一种增强运动一致性概念,增强真假匹配点的判断条件,避免高相似特征点的误匹配,提高了初始匹配点的正确率;然后结合RANSAC算法进行特征点匹配优化,过滤掉异常值,进一步提高特征点匹配的准确性;最后将引导匹配和运动一致性相结合,提出一种引导扩散概念,减少了集中分布在图像局部的可能性,进而提高特征点匹配数量和三维模型的稳定性.在公开的三维重建数据集的618对图像上的实验结果表明,该算法在特征匹配和三维重建上能够实现更好的性能;在小于1°误差阈值的位姿估计成功率上,该算法比基于SIFT的比率测试算法和GMS算法分别平均提高了22.58%和12.90%,尤其在重复纹理图像对上分别提高了46.15%和30.77%.

抵抗共谋攻击的运动一致性空域视频水印

运动补偿时域帧平均(MC-TFA)共谋攻击利用时域上的冗余来去除时域不相关的水印,这对视频水印提出了运动一致性的要求,即水印需要随着视频的运动而做相应的变化。本文提出一种可有效抵抗MC-TFA攻击的空域视频水印。对原始视频做基于宏块的运动估计得到运动矢量,据此对原始水印进行以宏块为单位的移位调整得到嵌入水印。因为嵌入水印和原始视频的运动矢量是一样的,所以它具有运动一致性。本文接着证明了嵌入运动一致性水印不会影响视频的运动矢量,因此在检测端对加水印的视频做运动估计就可以得到与嵌入水印之前一样的运动矢量,从而恢复出所嵌入的水印,最后用归一化相关系数的方法来检测其中是否含有水印。该方法能与MPEG编码器结合且算法简单,实验结果表明它能够有效抵抗MC-TFA攻击。此外,该水印嵌入方法的运动一致性通过P.Vinod等人提出的方法进一步得到了验证。

动态场景下基于语义分割与运动一致性约束的车辆视觉SLAM

传统的车辆同时定位与建图方法多依赖于静态环境假设,在动态场景下易引起位姿估计精度下降甚至前端视觉里程计跟踪失败。本文结合Fast-SCNN实时语义分割网络与运动一致性约束,提出一种动态场景视觉SLAM方法。首先利用Fast-SCNN获取潜在动态目标的分割掩码并进行特征点去除,以获取相机位姿的初步估计;随后基于运动约束与卡方检验完成潜在动态目标中静态点的重添加,以进一步优化相机位姿。验证集测试表明,所训练的语义分割网络平均像素精度和交并比超过90%,单帧图片处理耗时约14.5 ms,满足SLAM系统的分割精度与实时性要求。慕尼黑大学公开数据集和实车数据集测试表明,融合本文算法的ORB-SLAM3部分指标平均提升率超过80%,显著提升了动态场景下的SLAM运行精度与鲁棒性,有助于保障智能车辆的安全性。

融合多特征的运动一致性图像分割

目的在彩色图像分割中,光流法能够得到运动区域,但难以获得运动目标准确的分割边界,而常用的算法往往会产生过分割。为了克服光流法的不足,在保留显著性区域的同时抑制过分割,从而获得具有运动一致性区域的分割结果,提出融合多特征的运动一致性图像分割算法。方法首先通过Mean Shift算法获取图像的初始分割,然后利用空域信息,包括颜色、边缘和区域面积等对视觉感知上具有相似性的区域进行合并,再利用时域信息进行运动一致性区域合并,最终得到分割结果。结果实验结果表明通过结合时空信息,该方法能够有效抑制过分割,不仅弥补了光流场不能准确提取目标边缘的不足,而且提高了分割目标的完整性。结论与两种流行的彩色图像分割算法相比,所提方法获得了更加理想的结果。

随机场中运动一致性的多线索目标跟踪

目的通过建立各线索间的关联,提高多线索目标跟踪方法的鲁棒性,利用简单而有效的模型使多线索目标跟踪方法的表达和实现变得容易。方法在不同线索描述下的目标对象间引入运动一致性约束,利用链状结构随机场模型表达不同线索描述下的目标对象及其约束关系,将多线索目标跟踪问题转化为随机场目标函数的简单优化求解。实验中结合亮度直方图、方向梯度直方图和局部二进制模式描述目标对象。结果 15组公测视频序列上的实验结果表明,所提方法相对于多种优秀的目标跟踪方法,在目标受到遮挡、运动模糊、光照变化、背景杂乱等因素干扰时,获得了较低中心位置误差和较高的精度值,反映了所提方法的有效性。结论运动一致性约束能够较好地增强各线索间的关联,通过链状结构的随机场模型表达该约束关系和各线索描述下的目标对象,在提高跟踪鲁棒性的同时,使跟踪方法的实现变得简单。

基于包含原理的多智能体一致性协调控制

为了考虑在包含原理的概念下多智能体系统的运动一致性,利用包含原理对整体系统的重叠偏差模型进行扩展,对于扩展系统拓扑网络中每一对相邻的智能体,可以将其看作是整体系统重叠关系的一个基本单位。分别对这些智能体对进行一致性控制,再将每一组智能体对的控制率按循环逆序整合起来,并通过包含原理相关条件进行收缩,即可实现原系统的一致性协调控制。该方法可以有效地处理系统拓扑网络的变化,包括智能体数量的增减等情况。

基于全局运动仿射模型的视频目标移除

给出一种基于全局运动仿射模型的视频目标移除方法.用仿射模型描述非移除区域的全局运动,通过提取相邻帧的匹配对进行模型参数估计;对于每一帧中待修补的移除区域,根据仿射模型之间的递推关系和运动一致性准则,从其它帧中寻找该区域的信息并进行修补.实验表明,方法能够较好的对运动前景、台标等目标进行移除.

基于语义与几何约束的动态SLAM系统

针对传统视觉SLAM在动态环境中出现的漂移、定位丢失和精度差等问题,提出一种基于语义先验信息和几何约束的面向动态环境的视觉SLAM系统。在传统ORB-SLAM2系统框架下加入语义分割模块,以提取物体的先验信息;利用先验的静态特征点进行几何约束,剔除图像中的动态特征点;针对剔除动态特征点会导致特征缺失等问题,加入图像补全线程,合成一个不包含动态物体的图像帧;利用合成帧求解相机位姿。实验结果表明,与传统算法相比,该算法在高动态环境中具有较高精度。

一种基于独立运动的人群计数方法

文中的工作旨在利用人体的独立运动信息,对监控视频中的人群进行计数。首先,检测当前图像中运动物体的角点特征,通过文中的特征可靠性假设,从中选取可靠的角点进行追踪,获得它们的运动轨迹。然后,利用这些特征点的空间信息进行初次聚类,限制最终聚类的数量。最后,利用角点的运动信息定义轨迹相似度和类间相似度,通过构造最小生成树的方法,进行运动一致性聚类,获得最终的特征群,从而得到运动人体的数量。

基于块合分的运动估计及其准则

基于块分裂合并的运动估计法先用小尺寸的块进行运动估计，通过分析各块的匹配误差图来表征块的分裂与合并，将运动相关性好的块合并成一个块，得到新的运动矢量．同时还设计了使估计量尽可能接近真实运动的块合并判决准则．实验表明，该方法能得到更接近物体真实运动且一致性好的运动矢量．

基于二进制光流描述子的运动目标提议

针对视频目标检测提议框存在大量冗余的问题,提出二进制光流描述子,实现视频连通目标的分离提议。通过分析目标局部运动一致性,设计二进制光流描述子,构建目标提议模型,然后利用线性支持向量机分类器求解运动目标提议参数。为充分利用二进制与或运算速度快的优势,采用二进制近似表示运动目标提议参数,快速高效地完成目标提议任务。实验针对Caltech行人数据库,快速地生成了少量高质量的运动目标提议窗口。实验结果优于现有目标提议方法。

基于运动避免特征提取的动态视觉SLAM方法

SLAM是移动机器人最基本的功能。传统的SLAM方法服从静态世界假设,然而真实世界经常包含行人、车辆等动态物,将其作为参照物将导致错误的定位结果。现有的动态SLAM方法大多基于语义分割检测和剔除动态物,但语义分割模型通常计算量很大,使得该类方法难以满足实时性要求。因此,提出一种高效的动态视觉SLAM方法。基于目标检测和运动一致性验证实现一种运动避免的特征提取方法,然后结合著名的ORB-SLAM2实现动态SLAM方法MA-SLAM。实验结果表明,MA-SLAM能够解决动态物造成的问题,并且相比于基于特征过滤的动态SLAM方法,其能够获得数量更充足的特征,从而获得更高的定位精度和鲁棒性。此外,MA-SLAM追踪一帧仅需50 ms,适用于实时任务。

基于超像素运动统计的误匹配去除方法

特征匹配是实现图像配准的重要手段,然而特征匹配中往往存在大量的误匹配,对于存在非刚性形变和大位移运动的图像序列尤为严重;如何从初始匹配结果中找到准确可靠的匹配点集,是提升图像配准性能的关键.为解决上述问题,首先根据图像的空间和色彩相似性,利用改进的超像素分割算法对图像进行分割;分割后的超像素块在空间上紧密相连,严格遵循图像轮廓边缘,且在同一区域内的颜色纹理基本趋于一致,可保证内部特征点具有相同或一致的运动趋势;同时,采用ORB算子对图像进行特征提取与描述,并利用暴力匹配算法得到初始匹配点集.其次,在超像素运动一致性约束下,提出了一种基于超像素运动统计模型的误匹配去除算法.通过建立超像素网格统计模型,将初始匹配坐标分配至相应的超像素区域,利用累加器计算出每个超像素对的匹配度,将初始匹配的概率分布特性转换为统计特性.最后,根据超像素匹配度的差异,计算出正确匹配的掩膜图像,实现了误匹配点的自动识别和剔除.仿真实验结果表明,与当前的误匹配去除算法相比,本文算法不依赖于复杂的参数模型,具有较高的鲁棒性,运算速度较快,可有效去除非刚性形变图像配准过程中产生的误匹配.

相关块匹配运动估计算法

对ＭＡＤ准则的块匹配算法在运动矢量一致性和抗噪声方面性能欠佳提出了相关块匹配运动估计算法．模拟实验表明，新算法在传统算法的基础上具有更好的运动矢量一致性．

基于深度学习的动态环境视觉里程计研究

本文提出了一种基于深度学习的动态场景视觉里程计方法。使用轻量级Ghost模块与目标检测网络YOLOv5s结合构建C3Ghost模块,引入坐标注意力机制(coordinate attention, CA),在提高网络检测速度的同时保证检测准确性。并将其与运动一致性算法结合,剔除动态特征点,仅利用静态特征点进行位姿估计。实验结果表明,与传统的ORB-SLAM3(orient FAST and rotated BRIEF-simultaneous localization and mapping 3)算法相比,在慕尼黑工业大学(technical university of Munich, TUM)RGB-D(RGB-depth)高动态数据集上绝对轨迹误差(absolute trajectory error, ATE)和相对位姿误差(relative pose error, RPE)平均有了90%以上的改善。相较于先进的同时定位与地图构建SLAM算法,也有相对提升。因此,该算法有效提升了视觉SLAM在动态环境下的稳定性和鲁棒性。

基于t分布混合模型的抗差关联算法

针对传感器系统误差和观测目标不完全一致的情况下目标航迹关联中鲁棒性问题,该文提出一种基于t分布混合模型的抗差关联算法。将航迹关联问题转化为图像匹配中的非刚性点集匹配问题,针对非共同观测目标影响关联性能的问题,将非共同观测目标的航迹视为图像匹配中的异常点,建立了对异常点具有更好鲁棒性的重拖尾t分布混合模型,利用期望最大化(EM)算法求解t分布混合模型的闭合解,在求解中为了确保航迹点间的运动一致性(CPD),加入Tikhonov正则项。最后通过实验仿真验证,所提算法在系统误差和观测目标不完全一致情况下的鲁棒性和有效性。