基于点对特征的无序散乱堆叠工件位姿估计算法

针对无序分拣场景中物体相互堆叠遮挡导致的位姿估计误差大的问题,本文提出了一种基于点对特征(point pair feature, PPF)的杂乱堆叠工件位姿估计算法。离线训练阶段,使用更优的点云降采样方案和更为细致的点云法线计算方式,以保留更多具有区分性的点对,实现模型更为精确的全局描述;在线匹配阶段,通过快速投票方案获得杂乱堆叠场景中目标的候选位姿,并提出了一种基于体素索引和位姿交并比的聚类策略完成位姿聚类和误匹配位姿的剔除,实现目标位姿的粗估计,最后采用ICP (iterative closest points)算法完成目标位姿的优化,获得目标的精确的6D位姿。分别进行了仿真场景实验和机械臂分拣实验,结果表明,提出的算法在杂乱场景中对3种类型工件的平均识别率为98.4%,单个工件识别时间均小于0.86s,且位姿估计精度较原始PPF算法有明显提升;在实际分拣实验中识别成功率达96.7%,分拣成功率达95.3%,验证了算法在实际应用中对于噪声和杂乱遮挡的鲁棒性较强。     

基于点对特征和局部参考系的六维位姿估计算法

针对大量物件分拣工作中单目视觉无法精确估计目标位姿从而无法完成随机堆叠工件分拣的问题,以点对特征为基础,提出了基于点云的目标识别和位姿估计算法的改进算法.模型训练阶段,使用改进的下采样方法,保留更多有区分性的点对,构建局部参考系作为补充特征;在线匹配阶段,以距离作为投票权重,并利用匹配点对的局部参考系相似度验证候选位姿;最后通过模型与场景的重叠率筛选未遮挡的多实例目标作为可抓取目标候选.结果表明:在方差为3%,5%倍模型尺寸的高斯噪声下,目标识别率分别可达97%,78%;所有试验的识别耗时均在1 s以内,满足实际需求.     

回转体形状恢复与位姿估计方法

机器人抓取场景中经常包含许多具有回转结构的物体,然而由于这些物体不存在已知的三维模型,无法快速高效地确定回转体形状和位姿。针对这个问题,在现有的基于单视图回转体建模方法的基础上,将位姿估计和重建过程结合,提出回转体形状恢复与位姿估计的方法。首先利用训练好的整体嵌套的边缘检测(holistically-nested edge detection,HED)网络模型得到图像中回转体的边缘轮廓并进行细化处理,再与传统边缘检测方法相融合,提取回转体轮廓信息;其次,根据回转体成像特殊几何约束,依据单张回转体照片建立比例模型;最后,利用同一回转体不同角度的两张图像估计其尺度与位姿。通过实验表明,该方法能够通过两张同一回转体的照片,估计回转体的真实尺度与空间位姿,同时不需要点云信息,是一种鲁棒性较好的回转体形状恢复与位姿估计方法。     

改进位姿估计环节的ORB-SLAM稠密建图算法

为了提高ORB-SLAM2系统的位姿估计精度并解决仅能生成稀疏地图的问题,提出了一种融合ICP算法与曼哈顿世界假说的位姿估计策略并在ORB-SLAM2系统中加入稠密建图线程来实现稠密建图。首先通过ORB特征点法、LSD算法和AHC方法进行点、线、面特征的提取,其中点、线特征跟上一帧匹配,面特征在全局地图中匹配。然后采用基于surfel的稠密建图策略将图像划分为非平面与平面区域,非平面采用ICP算法计算位姿,平面则通过面与面的正交关系确定曼哈顿世界从而使用不同的位姿估计策略,其中曼哈顿世界场景通过位姿解耦实现基于曼哈顿帧观测的无漂移旋转估计,而曼哈顿世界场景下的平移以及非曼哈顿世界场景位姿采用追踪的点、线、面特征进行估计和优化;最后根据关键帧和相应位姿实现稠密建图。采用TUM数据集对所提建图方法进行验证,实验结果与ORB-SLAM2算法比较,最终均方根误差RMSE平均减少0.24cm,平均定位精度提高7.17%,验证了所提方法进行稠密建图的可行性和有效性。     

基于非线性滤波的移动机器人位姿估计

研究了基于扩展卡尔曼滤波和粒子滤波的移动机器人位姿估计。由于扩展卡尔曼滤波必须假定噪声服从高斯分布,若用于复杂非线性系统,其估计精度不甚理想。粒子滤波对噪声类型没有限制,正在成为非线性系统状态估计的有效近似方法。在不同噪声条件下,对基于粒子滤波和扩展卡尔曼滤波的移动机器人位姿估计问题进行了比较研究。仿真结果表明:粒子滤波能明显地改善移动机器人位姿估计的鲁棒性和精度。     

结合车道线检测的智能车辆位姿估计方法

基于视觉的智能车辆定位问题是自动驾驶领域研究的一大热点。在某些有效近景特征不显著的场景中,由于参与计算的特征数量不足,会导致位姿估计精度下降甚至失效。为此,本文提出一种结合车道线检测的相机位姿估计方法来提高位姿估计精度。首先,设计了一套基于自适应感兴趣区域和几何结构筛选法的车道线检测算法,精确检测到了左右车道线的内、外侧线;其次,对车道线区域内的点进行帧间匹配,得到新的匹配点对,并根据V视差图拟合出地面视差方程,求解出属于车道线匹配点对的准确视差值;最后,将这些匹配点对与ORB方法提取得到的匹配点对融合,共同参与相机的位姿计算。经实验验证,本文提出的算法提高了位姿估计结果的精度,解决了某些场景中有效特征点不足导致的位姿估计失效问题,具有良好的环境适应性。     

基于关键点特征融合的六自由度位姿估计方法

针对单张RGB-D图像进行六自由度目标位姿估计难以充分利用颜色信息与深度信息的问题,提出了一种基于多种网络(金字塔池化网络和PointNet++网络结合特征融合网络)构成的深度学习网络框架.方法用于估计在高度杂乱场景下一组已知对象的六自由度位姿.首先对RGB图像进行语义识别,将每一个已知类别的对象掩膜应用到深度图中,按...     

基于改进位平面匹配法的运动估计

基于位平面匹配的运动估计算法占用资源少、运算高效,但其稳定性不佳,单个位平面匹配精度较低。本文利用钻石搜索模板的快速搜索特性与基于格雷码的位平面匹配中误匹配运动矢量的可矫正特性,提出了位平面混合快速匹配法。在钻石搜索模板中,先用基于格雷码的第4位平面进行大钻石搜索模板匹配,再用基于格雷码的第5位平面进行大钻石搜索模板匹配,最后用灰度图进行小钻石搜索模板匹配。结果表明:相比于多种位平面匹配算法,本算法具有最佳的匹配精度,且运算量仅略高于使用单个位平面匹配的算法,低于对比中的其他位平面匹配算法。     

基于改进姿态估计算法的嵌入式平台实时跌倒检测

为了实现视频中特殊人群跌倒检测的实时性和降低误检率。通过采用改进的姿态估计网络提取人体关节点的方法,研究了使用前后帧关节点的变化来对人体进行追踪和跌倒行为检测。为了在嵌入式平台上使姿态估计网络达到实时效果,采用带有注意力机制的轻量化结构搭建深度卷积网络来提取人体关节点坐标,并合成完整的骨架信息。结果表明：带有注意力机制的姿态估计算法在不同数据集上的准确度均有提升;同时在嵌入式平台上保持误检率较低的情况下达到实时跌倒检测。可见基于改进姿态估计算法并通过关节点判断的方法较好地实现了人体的跌倒检测。     

基于分类的头部姿态估计算法的研究

阐述了基于分类的头部姿态估计算法的基本原理,提出了在特定条件下的两种分类姿态估计方法,并且分析了这两类方法的优缺点。     

基于改进Faster R-CNN的手部位姿估计方法

基于视觉的手部位姿估计技术应用于诸多领域,具备着广泛的国际应用市场前景和巨大发展潜力。然而,手部自身存在检测目标过小、手指高自由度以及手部自遮挡等问题。通过对目前存在的难点分析,将手部位姿估计任务分为手部检测和手部关键点检测,提出基于改进的Faster R-CNN的手部位姿估计方法。首先提出基于改进的Faster R-CNN手部检测网络,将传统Faster R-CNN网络中的对ROI(regional of interest)的最大值池化,更改为ROI Align,并增加损失函数用于区分左右手。在此基础上增加了头网络分支用以训练输出MANO(hand model with articulated and non-rigid deformations)手部模型的姿态参数和形状参数,得到手部关键点三维坐标,最终得到手部的三维位姿估计结果。实验表明,手部检测结果中存在的自遮挡和尺度问题得到了解决,并且检测结果的准确性有所提高,本文手部检测算法准确率为85%,比传统Faster R-CNN算法提升13%。手部关键点提取算法在MSRA、ICVL、NYU三个数据集分别取得关键点坐标的均方误差值(k...     

Real-Time Multi-View Face Detection and Pose Estimation Based on Cost-Sensitive AdaBoost

Locating multi-view faces in images with a complex background remains a challenging problem.In this paper, an integrated method for real-time multi-view face detection and pose estimation is presented.A simple-to-complex and coarse-to-fine view-based detector architecture has been designed to detect multiview faces and estimate their poses efficiently. Both the pose estimators and the view-based face/nonface detectors are trained by a cost-sensitive AdaBoost algorithm to improve the generalization ability. Experimental results show that the proposed multi-view face detector, which can be constructed easily, gives more robust face detection and pose estimation and has a faster real-time detection speed compared with other conventional methods.     

流形学习方法及其在头部姿势估计中的应用

流行学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。目前流形学习以其出色的数据约简与可视化能力得到了越来越多模式识别与机器学习工作者的重视。本文介绍了一些常用的流形学习算法,分析了这些算法的优缺点,并利用流形学习中的局部线性嵌入(LLE)算法于头部姿势估计,取得了较好的识别效果。     

基于椭圆模型和神经网络的人脸姿态估计方法

基于椭圆模型和神经网络方法, 提出一种人脸姿态估计方法. 先采用椭圆模型对人脸边界进行拟合, 确定眼睛和嘴在椭圆中的位置, 再应用BP神经网络对位置参数和人脸姿态参数的关系进行学习, 从而对人脸姿态进行估计. 实验结果表明, 用该方法对较大范围内的人脸转动进行估计, 结果比较准确.     

基于激光三维成像数据的车辆目标方位估计

对目标方位进行精确估计是提高目标匹配识别效率的重要前提,而车辆目标的地面投影轮廓近似于矩形,为此提出了基于激光三维成像数据的车辆目标方位估计方法.首先依据激光成像数据的高程值对数据进行分类,从激光成像区域的三维数据中提取出车辆目标数据进而获取目标的投影轮廓数据,然后采用向量积异号排除法求解车辆目标投影轮廓数据的凸边界,在此基础上采用直接求解凸边界最小外接矩形的方法对车辆目标的方位进行初步估计,最后利用与目标投影轮廓数据邻近的地面数据,并依据最小二乘原理拟合优化凸边界的最小外接矩形,校正车辆目标初始估计方位,从而实现车辆目标方位的精确估计.仿真结果表明,该方法可实现车辆目标方位的快速准确估计.     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.