基于点线视觉/惯性SLAM和目标检测的测距方法

针对无人平台在未知环境中自身定位和对远距离目标测距精度不高的问题，利用单目相机和惯性器件组成视觉/惯性导航定位系统，结合目标检测提出“动态基线+三角测距”方法实现自身定位和对目标测距。首先，建立基于点线融合的视觉/惯性系统模型，提高系统自身定位精度，给出运动前后相对位姿变化；其次，利用目标检测算法对目标进行检测和识别，得到运动前后物体对于图像平面的视差；最后，通过三角测距实现对目标的高精度测距。公共数据集实验测试结果表明，引入线特征的视觉/惯性系统的平均定位均方根误差（RMSE）为0.15 m。无人平台搭载系统对目标进行测距实验表明，系统在100 m以内对目标测距的误差小于测距距离的2%。     

单目视觉里程计/惯性组合导航算法

提出一种单目视觉里程计/捷联惯性组合导航定位算法.与视觉里程计估计相机姿态不同,惯导系统连续提供相机拍摄时刻对应的三维姿态,克服了单纯由视觉估计相机姿态精度低造成的长距离导航误差大的问题.通过配准和时间同步,用惯导系统解算的速度和视觉里程计计算的速度之差作为组合导航的观测量,采用Kalman滤波修正组合导航系统的误差,同时估计视觉里程计标度因数误差.分别在室内外不同环境下进行了22 m的推车实验和1412m的跑车实验,定位误差分别为3.2%和4.0%.与Clark采用姿态传感器定期更新相机姿态估计结果的方法相比,单目视觉里程计/惯性组合导航定位精度更高,定位误差随距离增长率低,适合步行机器人或轮式移动机器人在复杂地形环境下车轮严重打滑时的自主定位导航.     

基于非线性优化的单目视觉/惯性组合导航算法

针对自主移动机器人在GPS拒止环境下准确实时定位的问题,提出一种单目视觉/惯性组合导航算法。为解决视觉/惯导工作频率不一致问题,利用预积分技术预先处理惯性测量值;引入了一种快速高精度线性初始化方法,分步估计初始系统尺度、重力方向、速度及零偏;结合全局地图三维点约束削弱累积误差,基于是否更新地图点,构建了两种基于非线性优化的单目视觉/惯性紧耦合模型,以保证导航的局部精度及全局一致性。实验结果表明:初始化方法可快速(15 s内)实现高精度状态初始化;与单目视觉导航算法相比,提出的算法不仅可获取绝对尺度信息,且导航精度更高;与传统滑动窗口非线性优化方法相比,提出的算法在窗口优化过程中加入全局地图三维点约束,可有效削弱累积误差,验证了算法的正确性和可行性。     

基于单目视觉的位置姿态测量系统精度检校方法

针对高精度位置姿态测量系统的姿态检校问题,提出一种单目视觉检校方法。首先分析了合作靶标精度对单目视觉姿态测量精度的影响,利用合作靶标实现视觉高精度姿态测量;然后提出基于正交矢量和动态滤波的联合标定法,标定出靶标坐标系和惯性测量单元之间的转换矩阵关系;最终实现了具备高精度姿态精度的单目视觉检校系统。实验结果表明,单目视觉检校系统静态姿态误差均方根为2.1',动态姿态误差为4.4',可以为高精度位姿系统提供姿态精度检校。     

基于多传感器信息融合的双足机器人自主定位

针对单目视觉SLAM应用于双足机器人过程中易出现跟踪失败和传统位姿传感器累积误差较大的问题,提出了一种融合三种传感器信息的机器人定位方法。首先获取机器人关节编码器数据,运用运动学求解输出位置信息,再由基于特征识别的SLAM系统估计机器人头部单目相机位姿,经过尺度恢复和坐标系校正后输出位置信息,同时获取惯性测量单元的偏航测量,最后通过扩展卡尔曼滤波算法融合三种信息,从而更加精确稳定地对机器人进行定位。以双足机器人NAO为研究平台,在室内进行多组实验对所提出的方法进行验证,结果表明融合所得结果与传统位姿传感器输出信息相比,均方根误差明显降低;相比单目视觉SLAM跟踪失效率至少降低88%。     

基于视觉测量的应变片空间定位及应用

在大型航天结构舱段试验中，通常需要粘贴大量的应变片来获取结构的应变测试数据。为了能够准确定位结构舱段上的应变片位置，本文研究了基于单目视觉测量技术的应变片空间坐标重建方法。该方法采用一台单反相机，从不同视角连续对构件进行拍摄，获得一组包含圆环编码点和应变片的图像序列；通过检测编码点图像坐标，构建相邻帧之间的匹配关系，然后基于相对定位原理估计相机姿态信息；再利用深度学习技术提取图像中的应变片坐标，结合估计的姿态信息对提取的应变片进行立体匹配，并且采用三角测量方法重构应变片空间坐标，从而实现应变片的三维定位。利用所研究的方法，分别对铝质平板和圆筒上粘贴应变片的三维坐标、碳纤维标尺的长度进行了定位。定位结果表明，该方法的重复定位精度优于0.05mm,三维点距离测量精度优于0.1mm。     

一种单目视觉ORB-SLAM/INS组合导航方法

针对惯性/卫星组合导航系统在卫星导航失效时无法使用的问题,提出了单目视觉ORB-SLAM/INS组合导航方法,用于扩展组合导航系统在强干扰环境和室内环境的应用范围。该算法分为两个阶段:初始化阶段,当ORB-SLAM形成闭环时设计算法在线估计单目视觉ORB-SLAM算法的尺度因子;导航阶段,ORB-SLAM系统输出的位置信息经过尺度变换后作为观测量进行卡尔曼滤波,估计INS导航系统的误差状态量从而修正惯导系统的误差。设计了硬件和软件平台对提出的组合导航方法进行试验验证。跑车实验结果表明:所设计的ORB-SLAM/INS组合导航系统具有较高的定位精度,导航时间6 min定位误差为1.162 m,且不随时间漂移,具有很强的应用价值。     

基于加权时空上下文学习的多特征视觉跟踪(英文)

针对视觉跟踪过程中的光照变化、尺度变化、遮挡等干扰,提出了一种基于加权时空上下文学习的多特征目标跟踪算法,实现了快速鲁棒的目标跟踪。首先,提取灰度信息、LBP纹理特征和HSV颜色特征作为目标模型,增强目标模型的鲁棒性。其次,采用加权系数矩阵衡量特征的目标归属度,提升特征的分辨能力。然后,计算每个特征的加权时空下文跟踪置信图。最后,利用KL方法对每个通道置信图进行融合并进行目标定位。OTB数据库实验距离精度和重叠成功率分别为0.666和0.636,证明所提出的方法优于现有方法。     

基于深度特征正射匹配的无人机视觉定位方法

在卫星拒止条件下无人机安全、可靠地完成各类作业的基础是获取高精度的定位信息,传统图像匹配方法保障困难、定位精度差且匹配约束多。因此,提出一种基于深度特征正射匹配的视觉定位方法,通过深度学习网络提取正射校正后的无人机航拍图像和商业地图的深度特征,获得匹配关系,进而计算无人机高精度位置信息。根据视觉测量机理模型分析不同因素对视觉定位精度的影响,使用中空航拍图像数据集进行离线实验,实验结果表明：相比传统基于方向梯度直方图（HOG）特征的模板匹配方法,所提方法的定位精度提高了25%,位置均方根误差（RMSE）优于15 m+0.5%H(5000 m以下),具有一定的工程应用价值。     

基于先验特征地图匹配约束的视觉/惯性定位方法

单目视觉/惯性定位系统由于其低成本和高自主性被广泛使用.然而视觉/惯性里程计在长时间的运行后,会产生较大的累积误差,无法提供准确的位姿估计,并且在光线、路况复杂的环境系统存在特征点跟踪失败,无法解算当前位置,稳定性不高的问题.针对以上问题,提出了基于非线性优化的先验特征地图匹配方法,利用单目视觉/惯性SLAM建立的位姿...