基于双向重投影的双目视觉里程计

针对视觉里程计中的特征点漂移与累积误差问题,提出一种基于双向重投影的双目视觉里程计方法。为降低特征点匹配的高错误率及改善匹配效率,提出一种改进的随机采样一致(RANSAC)算法。该算法依据特征点寿命长短、环形匹配、优质匹配等方法选取优质特征点以降低特征点样本容量,从而改善RANSAC算法的效率;为抑制视觉里程计累积误差、提升位姿估计精度,提出一种双向重投影的位姿估计算法,该方法通过解算下一帧图像中的最小化重投影误差得到相机位姿以更新空间点集,更新后的空间点重新投影至当前帧图像以提升位姿解算精度。最后利用KITTI数据集进行了仿真。结果表明该算法的150 m内定位误差在X方向小于1 m,在Z方向小于0.9 m;相对于ORB-SLAM2算法,定位精度提升了约20%,系统的稳定性更好,有效削弱了累积误差,验证了该算法的正确性与可行性。     

基于单个SIFT特征的相对位姿估计方法

位姿估计是精密光测和自动驾驶的基本问题之一。针对自动驾驶等实际应用中,相机在平面上运动,相机位姿的自由度为3的情况,本文提出了基于单个SIFT特征的相机相对位姿估计方法。由于单目相机无法恢复平移尺度,因此相机运动的自由度减少为仅有旋转角和平移角的两自由度。通过观测地面,可以得到包含相机运动和平面法向量的地面单应信息,因此可以通过提取地面同名点估计单应矩阵来恢复相机运动。为了减少RANSAC迭代次数、提高算法效率,引入SIFT特征进行位姿估计。SIFT特征包括2幅图像中同名点图像坐标以及其特征旋转和特征尺度,可以扩充单个点对中包含的信息,有效减少求解单应矩阵所需点对数量。针对平面二自由度运动情况,本文使用单个SIFT特征点对完成单应矩阵的估计,并采用随机采样一致算法对结果进行优化,最终分解单应矩阵得到相对位姿估计结果。在仿真实验及真实实验中与2pt方法和5pt方法进行对比,证明了所提出的方法是有效的。     

基于深度学习的室内动态场景下的VSLAM方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。     

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%。     

基于改进图像增强的低照度场景视觉惯性定位方法

为提升视觉惯性导航系统在低照度场景下的定位精度，提出一种结合图像增强技术的视觉惯性定位方法。根据不同曝光图像的直方图确定相机响应模型，通过曲线拟合确定模型参数。利用非线性优化得到低照度图像的照明图以及曝光率矩阵，根据相机响应模型对低照度图像进行预处理。使用光流法进行特征追踪，将视觉误差、IMU误差以及先验误差作为约束，构建紧耦合优化模型，从而实现更精确的位姿估计。最后使用车载设备采集的真实数据对所提方法进行了评估，实验结果表明：所提方法能有效提升视觉惯性导航系统在低照度场景下的定位精度，相比于无图像增强的方法，定位精度提高了25.59%；相比于改进前的图像增强方法，定位精度提高了6.38%。     

结构光辅助的惯性/视觉室内导航三维环境重构方法

室内环境全局信息对未知环境下的微型飞行器导航与定位具有重要的意义。针对惯性导航系统难以创建全局地图等问题,提出一种结构光辅助的惯性/视觉室内导航三维环境重构方法。该方法通过改进单点激光三角测距获得结构光上每个点在相机系下的坐标,使用惯性信息辅助图像匹配测角代替传统三维重建技术中的驱动单元获取两帧图像间角度信息,实现离散点组成的室内环境构造,结合平面构建策略剔除了错误离散点,改进了室内三维环境重构效果。实验结果表明:使用该方法获得的帧间角度准确,低转速下角度测量误差在5%以内;融合了离散点与平面的室内环境能够表现室内环境特征,并有效消除了错误离散点的干扰,将错误率降低到1%以下。     

图像的色彩分割技术在等差线处理中的应用研究

提出一种基于图像色彩分割的等差线提取新技术,即采用彩色图像卡和摄像机,以白光照射下应力模型在圆偏振光场中等差线条纹的颜色为标志,采用符合人类视觉特征的HSI颜色空间来表示图像的颜色特征,根据“最小色差准则”对等差线进行颜色聚类,实现等差线的快速、准确提取。     

基于视觉的桥梁挠度测量方法与研究进展

挠度是评估桥梁承载能力和健康状态最直观的指标。近20年来,基于计算机视觉的桥梁挠度测量方法凭借其非接触式、快速简易安装等优点,被逐步应用于实际测量中。本文从测量原理、测量方式和影响因素3个方面出发,介绍了当前基于视觉的桥梁挠度测量方法与研究进展。在测量原理方面,从相机标定、三维立体视觉、摄影测量、特征检测与匹配4个方面进行了介绍。在测量方式方面,介绍了单相机二维测量、双相机三维测量、基于摄影测量的准静态测量和位移传递串联相机网络多点动态测量。在影响因素方面,介绍了相机自身因素、标定因素、算法因素和环境因素4个方面对测量结果的影响,并总结了目前国内外的研究成果。最后对基于视觉的桥梁挠度测量技术的未来发展趋势做出了展望。     

室内动态场景下基于深度相机的VSLAM方法

针对室内动态场景下的视觉同步定位与地图构建（VSLAM）问题，提出了一种基于YOLACT实例分割融合光流约束的视觉同步定位与地图构建方法，以降低运动物体对VSLAM系统性能影响。该系统通过自适应阈值的方法提取到均匀分布的ORB特征点，然后利用YOLACT实例分割网络获取动态对象的掩膜，同时使用改进的光流约束对动态点进行检测。将动态点与动态对象掩膜进行匹配之后可以删除动态物体的特征点，之后使用剩余的静态特征点完成相机的位姿估计。最后使用静态区域的图像信息生成点云图，并通过滤波器对点云图进一步优化，同时引用八叉树存储点云，建立八叉树地图。在TUM数据集室内动态场景和真实室内动态场景下进行测试，相较于ORB-SLAM3算法，所提VSLAM算法在低动态场景中的定位精度有10%以上的提升，在高动态场景中对比DS-SLAM算法，也有5%左右的定位精度提升，验证了所提方法在室内动态场景下的可行性和有效性。     

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。