基于双目图像序列的自主车辆位置与速度估计文献综述

 2022-09-16 10:51:37

  1. 文献综述(或调研报告):

寻找两幅图像中相同目标的特征点是很多计算机视觉研究和应用领域中的重要组成部分,是计算机视觉的基础。1999年David Lowe提出了SIFT[1]算法,并在2004年整理完善,是一种从图像中提取具有不变性的特征点的方法。该方法可用于对物体或场景的不同视图进行可靠的匹配。这种特征对于图像的缩放和旋转是不变的,并且在大范围的仿射失真、3D视角的转换、噪声的干扰以及光线的变化下显示出了鲁棒性。这些特征具有高度的区分性,一个特征可以从许多图像的大量数据中被大概率的正确匹配。SIFT特征算法很可靠,但是需要的运算量很大,导致很多情况下不能满足实时性的要求。2006年Herbert Bay等人提出了SURF(Speeded Up Robust Features)特征算法[2],是一种具有尺度和旋转不变性的特征点检测和描述算法。SURF算法在可重复性、可区分性和鲁棒性等方面可以基本达到甚至超过之前提出的特征算法,但是可以被更快的计算和匹配。主要依靠积分图像来计算图像卷积。SURF算法建立在现有的检测子和描述子(基于Hessian矩阵的检测算子和基于分布特性的描述子)的基础上,并简化了方法只留下了关键的部分。SURF特征算法在目标检测的实际应用中有较好的效果。2011年Ethan Rublee等人提出了ORB[3]算法。ORB算法以FAST关键点[4]和BRIFF描述子[5]为基础,运算量与SIFT算法相比大大减少,而且有几乎相同的匹配性能,受噪声的影响很小,可以满足大部分的实时性要求,甚至不用GPU加速而运行在低功耗设备上。传统的FAST关键点不具有方向性,在ORB算法中,为FAST添加旋转和尺度的描述。旋转是通过灰度质心法(intensity centroid)[6]实现的,增强了ORB算法的鲁棒性。

坐标结算是指从相关的图像中计算出三维结构。针对不同种类的相机会有不同的坐标解算算法。在单目视觉系统中,由于无法确定深度信息,只能获得2D像素坐标,通过两组2D点估计运动,需要用三角测量和对极几何解决问题。1981年H. C. Longuet-Higgins提出了八点法[9],用来求解对极约束中的本质矩阵。2004年D. Nisteacute;r提出了五点法[11],通过相关联的五个点求解相机姿态。五点法包括了计算一个十次多项式的根。但是五点法并不十分容易实现。Richard Hartley等在2006年改进了五点法[10],提供了一个更为简单的算法,利用Gaussian方法一次性消掉多个变量,用计算系数矩阵的最小奇异向量代替按顺序回代求解未知数,所有的未知变量可以同时消掉。在双目视觉系统中,由于像素点与相机之间的距离已知,问题变成了根据两组3D点估计运动,可以通过PnP或ICP[16]方法解决。2003年P3P[13]算法被提出,给出了代数和几何解法, 并且根据解的数量给出了完整清晰的P3P问题的分类准则。Vincent Lepetit等2008年提出了EPnP[14]算法,这是一种非迭代的求解方法,从n个计算复杂度随n线性增长的三维点估计相机的姿态。

1960年代Kalman把状态空间模型引入滤波理论,并推导出了一套递推估计算法,被称为卡尔曼滤波算法(KF)。卡尔曼滤波是以最小均方差为估计的最佳准则,基本思想是根据前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计。卡尔曼滤波在速度和位置估计上应用广泛,如四轴飞行器、无人驾驶领域中的目标跟踪、惯导系统等。

参考文献

[1] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,” International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, 2004.

[2] H. Bay, T. Tuytelaars, and L. Van Gool, “Surf: Speeded up robust features,” in Computer Vision-ECCV 2006, pp. 404-417, Springer, 2006

[3] E. Rublee, V. Rabaud, K. Konolige, and G. Bradski, “Orb: an efficient alternative to sift or surf,” in 2011 IEEE International Conference on Computer Vision (ICCV), pp. 2564-2571, IEEE, 2011.

[4] E. Rosten and T. Drummond, “Machine learning for high-speed corner detection,” in European conference on computer vision, pp. 430-443, Springer, 2006

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。