智能车辆双目立体视觉导航定位关键技术研究
发布时间：2021-03-05 02:22
汽车智能网联化的重要前提是高精度的导航定位技术,目前基于特征点法的视觉里程计技术是智能车辆导航定位领域最常用的技术之一。然而基于特征点法的视觉里程计通常存在实时性不够好,容易出现特征误匹配等问题。本文针对这两个问题展开研究,完成的主要研究工作如下:介绍了特征点法视觉里程计的基本原理及关键理论基础,包括坐标系与车辆运动定义、投影相机模型及双目深度估计等相关理论。重点介绍了先进的（Oriented FAST and Rotated BRIEF,ORB）特征点提取与匹配方法,以及3D-2D运动估计方法。针对基于特征点法的视觉里程计实时性较差的问题,提出了基于光流跟踪和自适应特征提取的视觉里程计加速方法。在绝大部分图像中使用Lucas-Kanade光流跟踪获取特征对应关系以提高特征点法视觉里程计的运行速度,并针对由此产生的特征点丢失问题,提出了自适应特征点提取方法,其在特征点丢失较少时增大特征提取的帧间隔以保证视觉里程计的实时性,在特征点丢失较多时减小帧间隔以维持视觉里程计的正常运行。针对特征误匹配的问题,提出了基于局部图像相似度的特征误匹配去除方法。在判断一对匹配对是否正确时,分别提取特征点...
【文章来源】：江苏大学江苏省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
FAST关键点示意图[68]
江苏大学硕士学位论文19量的可区分性不如原始的BRIEF描述向量。针对该问题，RotatedBRIEF进行了如下操作：RotatedBRIEF改变了选择随机像素a和b的方式：RotatedBRIEF在31×31的图像块中选取a和b，并且还要以a和b为中心选择5×5的图像块，而31×31的图像块中共包含729个5×5的子块，所以729个子块任选两个比较整体的灰度值的方案共有2729C=265356种，RotatedBRIEF使用基于统计学习的算法在这265356中方案中选出256种使得描述向量的可区分性最强。具体的选择方法可参照文献[54]的4.3。通过以上三点改进的RotatedBRIEF比BRIEF描述向量多了旋转不变性且可区分性也与之相当。将OrientedFAST关键点与RotatedBRIEF描述向量相组合即为ORB特征点，其具有旋转和尺度不变性且速度较快所以目前应用广泛。ORB特征点的效果如图2.7所示，其中彩色圆圈即为提取出的ORB特征点。图2.7ORB特征点示例Fig.2.7SchematicdiagramofORBfeaturepoint2.2.2特征点匹配算法根据公式(2.9)可知，要计算出车辆的运动参数，除了要利用特征点提取方法获得二维像素信息.Tuv外，还需要获得与这些二维像素信息相对应的场景点在世界坐标系下的坐标,,TWWWXYZ。在特征点法视觉里程计中，,,TWWWXYZ的获取主要依靠特征点匹配算法：特征点匹配算法可以在前一帧中找到与当前帧中的特征点对应于同一个场景点的特征点。在前一帧中，由于.Tuv和运动参数R和t已知，根据公式(2.9)即可求出,,TWWWXYZ。ORB特征点的描述向量是256维的二进制向量，其使用汉明距离来进行描述向量之间的匹配：对于两个RotatedBRIEF描述向量，计算这两个向量之间不同元素的个数，个数越少，相似度越高，这两个描述向量对应的特征点就越可能匹配上。
智能车辆双目立体视觉导航定位关键技术研究20假设当前帧中存在h个特征点1,....,hpp,前一帧中存在j个特征点1,...,jqq，现在需要将这两帧图像中所有对应于同一场景点的特征点都匹配上。若h与j均不大，通常可以使用暴力匹配：对当前帧中的每一个特征点(1,...,)ipi=h都与前一帧中的所有特征点计算两者描述向量之间的汉明距离，并取汉明距离最小的作为(1,...,)ipi=h的匹配点。暴力匹配的结果比较准确，但是耗时较久，不能满足视觉里程计实时运行的要求。为了解决该问题，Lowe等人开源了快速近似最近邻库(FastLibraryforApproximateNearestNeighbors,FLANN)[74]。FLANN库不再枚举所有的匹配情况，对于当前帧中的某特征点p，假设在前一帧中已找到多个特征点可能与其匹配上(数量大于等于2)，若最小的汉明距离与次小的汉明距离的比值小于预先设置好的阈值，则此时最小汉明距离所对应的特征点即可与特征点p匹配上。FLANN库在匹配精度几乎不降低的同时能够减少计算量，提高特征匹配的实时性，目前获得了广泛的应用。图2.8为ORB特征匹配示意图，图中为两帧图像，其中彩色圆圈为这两帧图像中的ORB特征点，彩色线表示两帧图像中的特征点的匹配关系。其中比较平缓的线是正确的匹配关系，比较陡峭的线是错误的匹配关系，从图中可以看出，存在大量错误匹配。特征点的误匹配是特征点法视觉里程计存在的主要问题之一。图2.8ORB特征匹配示意图Fig.2.8SchematicdiagramofORBfeaturematching2.2.3运动估计算法当前后两帧中的特征点匹配好后，即可估计当前帧的运动参数。估计运动参数主要依靠的是特征匹配所得到的特征对应关系。根据特征对应关系的不同形式可将运动估计算法分为三种：
【参考文献】：
期刊论文
[1]基于单目视觉的移动机器人全局定位[J]. 厉茂海,洪炳镕,罗荣华,蔡则苏. 机器人. 2007(02)
博士论文
[1]基于视差空间的自主车视觉导航[D]. 曹腾.浙江大学 2015
[2]车辆运动特性约束的智能车辆视觉里程计系统研究[D]. 江燕华.北京理工大学 2014
硕士论文
[1]无人车立体视觉里程计研究[D]. 陈红岩.北京交通大学 2012
[2]基于视觉的室内移动机器人里程计研究[D]. 李伟超.哈尔滨工业大学 2011
[3]基于视觉的机器人定位研究[D]. 李永佳.浙江大学 2011
[4]立体视觉里程计关键技术与应用研究[D]. 彭勃.浙江大学 2008
[5]基于特征点提取的单目视觉里程计的研究[D]. 吕强.浙江大学 2007
本文编号：3064401
【文章来源】：江苏大学江苏省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
FAST关键点示意图[68]
江苏大学硕士学位论文19量的可区分性不如原始的BRIEF描述向量。针对该问题，RotatedBRIEF进行了如下操作：RotatedBRIEF改变了选择随机像素a和b的方式：RotatedBRIEF在31×31的图像块中选取a和b，并且还要以a和b为中心选择5×5的图像块，而31×31的图像块中共包含729个5×5的子块，所以729个子块任选两个比较整体的灰度值的方案共有2729C=265356种，RotatedBRIEF使用基于统计学习的算法在这265356中方案中选出256种使得描述向量的可区分性最强。具体的选择方法可参照文献[54]的4.3。通过以上三点改进的RotatedBRIEF比BRIEF描述向量多了旋转不变性且可区分性也与之相当。将OrientedFAST关键点与RotatedBRIEF描述向量相组合即为ORB特征点，其具有旋转和尺度不变性且速度较快所以目前应用广泛。ORB特征点的效果如图2.7所示，其中彩色圆圈即为提取出的ORB特征点。图2.7ORB特征点示例Fig.2.7SchematicdiagramofORBfeaturepoint2.2.2特征点匹配算法根据公式(2.9)可知，要计算出车辆的运动参数，除了要利用特征点提取方法获得二维像素信息.Tuv外，还需要获得与这些二维像素信息相对应的场景点在世界坐标系下的坐标,,TWWWXYZ。在特征点法视觉里程计中，,,TWWWXYZ的获取主要依靠特征点匹配算法：特征点匹配算法可以在前一帧中找到与当前帧中的特征点对应于同一个场景点的特征点。在前一帧中，由于.Tuv和运动参数R和t已知，根据公式(2.9)即可求出,,TWWWXYZ。ORB特征点的描述向量是256维的二进制向量，其使用汉明距离来进行描述向量之间的匹配：对于两个RotatedBRIEF描述向量，计算这两个向量之间不同元素的个数，个数越少，相似度越高，这两个描述向量对应的特征点就越可能匹配上。
智能车辆双目立体视觉导航定位关键技术研究20假设当前帧中存在h个特征点1,....,hpp,前一帧中存在j个特征点1,...,jqq，现在需要将这两帧图像中所有对应于同一场景点的特征点都匹配上。若h与j均不大，通常可以使用暴力匹配：对当前帧中的每一个特征点(1,...,)ipi=h都与前一帧中的所有特征点计算两者描述向量之间的汉明距离，并取汉明距离最小的作为(1,...,)ipi=h的匹配点。暴力匹配的结果比较准确，但是耗时较久，不能满足视觉里程计实时运行的要求。为了解决该问题，Lowe等人开源了快速近似最近邻库(FastLibraryforApproximateNearestNeighbors,FLANN)[74]。FLANN库不再枚举所有的匹配情况，对于当前帧中的某特征点p，假设在前一帧中已找到多个特征点可能与其匹配上(数量大于等于2)，若最小的汉明距离与次小的汉明距离的比值小于预先设置好的阈值，则此时最小汉明距离所对应的特征点即可与特征点p匹配上。FLANN库在匹配精度几乎不降低的同时能够减少计算量，提高特征匹配的实时性，目前获得了广泛的应用。图2.8为ORB特征匹配示意图，图中为两帧图像，其中彩色圆圈为这两帧图像中的ORB特征点，彩色线表示两帧图像中的特征点的匹配关系。其中比较平缓的线是正确的匹配关系，比较陡峭的线是错误的匹配关系，从图中可以看出，存在大量错误匹配。特征点的误匹配是特征点法视觉里程计存在的主要问题之一。图2.8ORB特征匹配示意图Fig.2.8SchematicdiagramofORBfeaturematching2.2.3运动估计算法当前后两帧中的特征点匹配好后，即可估计当前帧的运动参数。估计运动参数主要依靠的是特征匹配所得到的特征对应关系。根据特征对应关系的不同形式可将运动估计算法分为三种：
【参考文献】：
期刊论文
[1]基于单目视觉的移动机器人全局定位[J]. 厉茂海,洪炳镕,罗荣华,蔡则苏. 机器人. 2007(02)
博士论文
[1]基于视差空间的自主车视觉导航[D]. 曹腾.浙江大学 2015
[2]车辆运动特性约束的智能车辆视觉里程计系统研究[D]. 江燕华.北京理工大学 2014
硕士论文
[1]无人车立体视觉里程计研究[D]. 陈红岩.北京交通大学 2012
[2]基于视觉的室内移动机器人里程计研究[D]. 李伟超.哈尔滨工业大学 2011
[3]基于视觉的机器人定位研究[D]. 李永佳.浙江大学 2011
[4]立体视觉里程计关键技术与应用研究[D]. 彭勃.浙江大学 2008
[5]基于特征点提取的单目视觉里程计的研究[D]. 吕强.浙江大学 2007
本文编号：3064401
本文链接：https://www.wllwen.com/kejilunwen/qiche/3064401.html
