面向微型无人机的天线类障碍检测与半稠密点云重建

发布时间：2020-06-12 11:35

【摘要】：随着微型无人机应用领域的不断拓展和视觉技术的日益成熟,基于视觉的障碍物检测算法在无人机自主避障导航领域中的应用日趋广泛。在微型无人机的飞行环境中,存在像天线这类障碍,以下简称天线障碍,对微型无人机自主导航具有很大威胁,而这类障碍利用传统测距传感器和双目视觉检测效果不佳,因此天线障碍检测与深度估计有其实际意义。另外,由于稀疏点云不能满足应用需要,因此半稠密点云重建技术受到了越来越多学者的关注。本文首先针对天线障碍检测以及深度估计技术进行深入的研究,然后根据应用需求,研究半稠密点云重建以及点云去噪平滑技术。本文主要工作如下:1)天线障碍检测算法研究。针对天线障碍结构的特殊性,利用纹理提取、纹理去噪、图像分割、灰度直方图检测和深度约束对天线障碍进行提取。首先利用边缘纹理提取和纹理去噪对图像进行预处理;其次利用图像分割提取出天线ROI;然后利用灰度直方图检测去除ROI里非天线区域;接着利用深度约束提取最终天线区域;最后通过生长天线完成天线检测工作。2)天线障碍深度估计算法研究。对于针孔相机模型,求取出天线障碍的深度就等于重建出天线障碍的三维信息。首先,研究了帧间匹配技术,因为正确的匹配是求解深度的前提;其次,对匹配的不确定性模型进行深度研究,并提出一种不确定模型;然后,研究了基于卡尔曼滤波和贝叶斯估计的深度融合算法;最后提出了一种快速的天线点云去噪平滑方法。3)半稠密点云重建算法研究。研究半全局立体匹配算法,获取半稠密点云,利用点云密度聚类和深度连通域检测算法对半稠密点云进行去噪平滑处理,通过对点云获取原理的深入分析,提出一种自适应去噪半径阈值的求取方法;最后利用双边滤波对点云进行平滑处理。
【图文】：

测试图,立体匹配,深度信息

逡逑行的障碍难以得到正确的识别，典型的代表是天空中的细小电线。如图１－２，当逡逑天线纹理比较平行而且天线区域背景纹理较弱时，立体匹配求取的深度信息通常逡逑无效或是噪点。对于地面移动机器人，立体匹配提供的深度信息可以满足避障需逡逑求，但是，，对于无人机，天线障碍的误识别会严重影响其自主导航。逡逑Ｉ邋＾逡逑（ａ）带有天线障碍的室外场景逦（ｂ）立体匹配求出的深度图逡逑图１－２立体匹配在天线处得出的深度逡逑近几年，人们对单目重建的方法研究越来越深入。该方法利用相机的运动，逡逑从帧间图像序列中求取场景深度信息，进而重建出场景点云。逡逑２０１４年，ＭａｔｉａＰｉｚｚｏｌｉ［２７］利用其另一篇文章［２８］提供的相机实时位姿，实现逡逑了半稠密点云重建。该算法把三维场景中每一个像素点的深度值看作是高斯分布，逡逑把深度的局内点属性看作是Ｂｅｔａ分布

测试图,测试图,算法,点云

略和ＭａｔｉａＰｉｚｚｏｌｉ的方法不同，对于待重建的倾都做一定的滞后处理，通过局部逡逑关键帧集合和待重建的帧的多次匹配，一次性融合出场景的深度。其深度估计的逡逑方法对于测试图集的效果如图１－４。逡逑￥詹鲁逡逑图１－４邋Ｍｕｒ－Ａｒｔａｌ邋Ｒ提出的算法在测试图集ｆｒ３＿ｌｏｎｇ＿ｏｆｆｉｃｅ＿ｈｏｕｓｅｈｏｌｄ上的表现逡逑１．２．３逦点云去噪平滑逡逑实际环境复杂多变，由传感器直接生成的点云都会存在着一些噪声。噪声按逡逑尺度分类可以分为大尺度噪声和小尺度噪声，去噪处理的目的是去除点云中的大逡逑尺度噪声，也称之为去除离群点；平滑处理的目的是优化小尺度噪声，使点云更逡逑平顺，更接近真实数据逡逑对离群点的检测一般通过分析三维点和其邻域内点云特征的关系来区分该逡逑点云是否是离群点。这种特征可以是几何特征［３３，３４］，比如法向量［３５］，也可以是密逡逑度特征，比如待检测三维点邻域内的点云密度对于几何特征，当和邻域点逡逑云几何特征差异过大时，则认为待检测三维点是离群点；对于密度特征，当待检逡逑测点云密度太过稀疏时
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V279;V249

【参考文献】