基于特征标记的物体6D位姿测量方法

6D位姿是目标物体基于平面矢量和旋转矢量的位置和姿态.基于单目RGB相机进行6D位姿估计的传统方法由于标记点少、识别率较低等原因,易导致测量精度不高.为提高物体位姿测量的精度,论文提出了一种基于特征标记的物体6D位姿测量方法.首先,设计一种能提供更多标记点且识别率高的特征标记,并通过相机识别被测物体上的特征标记获得3D-2D点对.其次,基于相机成像原理设计物体6D位姿测量系统与方法.然后,建立求解工件位姿变化的旋转矩阵和位移矩阵模型.最后,基于所建立的旋转矩阵模型与欧拉角之间的关系求解工件6D位姿.实验结果表明,在0-170 mm位移范围内,沿X、Y、Z轴位移测量误差小于0.5 mm;在0-30°旋转范围内,其绕X、Y轴旋转角度测量误差小于0.8°;在0-45°旋转范围内,其绕Z轴旋转角度测量误差小于0.8°;测量物体绕X、Y轴旋转角度误差耗时小于1.5 s,绕Z轴旋转角度误差耗时小于2 s;测量物体沿X、Z轴位移误差耗时小于2 s,沿Z轴位移误差耗时小于2.5 s;能够满足实际生产要求.实验结果检验了论文所提方法的有效性,可用于实际生产环境中.

基于动态语义特征的视觉SLAM系统

针对视觉SLAM(Simultaneous Localization and Mapping)在真实场景下出现动态物体(如行人,车辆、动物)等影响算法定位和建图精确性的问题,基于ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 3)提出了YOLOv3-ORB-SLAM3算法。该算法在ORB-SLAM3的基础上增加了语义线程,采用动态和静态场景特征提取双线程机制:语义线程使用YOLOv3对场景中动态物体进行语义识别目标检测,同时对提取的动态区域特征点进行离群点剔除;跟踪线程通过ORB特征提取场景区域特征,结合语义信息获得静态场景特征送入后端,从而消除动态场景对系统的干扰,提升视觉SLAM算法定位精度。利用TUM(Technical University of Munich)数据集验证,结果表明YOLOv3-ORB-SLAM3算法在单目模式下动态序列相比ORB-SLAM3算法ATE(Average Treatment Effect)指标下降30%左右,RGB-D(Red,Green and Blue-Depth)模式下动态序列ATE指标下降10%,静态序列未有明显下降。

基于人体姿态动态特征的跌倒行为识别方法

意外跌倒严重威胁老年人健康安全,准确识别跌倒事件并及时予以报警可以有效降低跌倒者所受伤害.本文提出了一种新的跌倒识别方法,基于OpenPose深度卷积网络自图像提取的人体姿态关键点获取人体倾斜姿态动态特征,使用基于线性核的支持向量机完成跌倒行为二分类,并以基于人体下降姿态动态特征的阈值判断排除混淆性较大的非跌倒行为,保证算法召回率.本方法在人体动作数据集上测试取得了97.33%的准确率与94.80%的精确率,与现有基于图像的跌倒识别方法相比具有更优的性能,常见的单目RGB摄像机的特性使得本方法在普及性上优于需要Kinect相机的现有跌倒识别方法.