本文關(guān)鍵詞： 視覺(jué)導(dǎo)航 三維重建 高紋理 低紋理 超像素匹配　出處：《浙江理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：移動(dòng)機(jī)器人視覺(jué)導(dǎo)航中,為了完成機(jī)器人的定位和導(dǎo)航,就要通過(guò)視覺(jué)系統(tǒng)獲取環(huán)境的二維圖像信息,進(jìn)而完成三維重建。圖像匹配是整個(gè)三維重建中最為重要的過(guò)程。本研究根據(jù)環(huán)境的不同紋理信息,制定了對(duì)應(yīng)的研究方案和流程。首先對(duì)高紋理圖像進(jìn)行了分析,成功完成了圖像間的匹配。但是匹配的前提是圖像像素具有高梯度特征。對(duì)于環(huán)境中包括低紋理(如平坦的桌面)區(qū)域的情況下,由于圖像像素的梯度很低,導(dǎo)致單純的使用上述方案進(jìn)行匹配很難在重建中得到質(zhì)量高的三維效果。因此在圖像的低紋理區(qū)域先使用圖像分割技術(shù)得到超像素,之后超像素的匹配運(yùn)用迭代的思想和數(shù)理統(tǒng)計(jì)的方法,通過(guò)迭代搜索,篩選滿足條件的匹配對(duì)象。那么就可以把這個(gè)方案運(yùn)用到機(jī)器人視覺(jué)導(dǎo)航中來(lái),從而完成環(huán)境的三維重建。通過(guò)實(shí)驗(yàn)表明,在低紋理圖像區(qū)域使用超像素匹配,提高了三維重建的精度。為了很好的完成環(huán)境的三維重建,首先需要對(duì)獲取環(huán)境的相機(jī)進(jìn)行標(biāo)定,得到相機(jī)的參數(shù)。這個(gè)參數(shù)是二維矩陣圖像坐標(biāo)和三維世界坐標(biāo)之間橋梁的樞紐。之后先完成高紋理匹配,再完成低紋理匹配,最后完成了環(huán)境的重建。實(shí)驗(yàn)階段,通過(guò)選擇不同環(huán)境中重建的效果對(duì)比分析,得到了各種匹配方案的優(yōu)缺點(diǎn)。整個(gè)的研究方案在實(shí)驗(yàn)過(guò)程中也表現(xiàn)出了其缺陷,不穩(wěn)定性也是今后研究的方向。本研究在閱讀了大量的參考文獻(xiàn)之后,分析問(wèn)題的瓶頸。通過(guò)對(duì)傳統(tǒng)圖像特征匹配方法進(jìn)行分析,掌握了方法中使用到的理論,并且完成了分步過(guò)程的實(shí)驗(yàn),最后選擇不同紋理的圖像,使用該方法分別完成了匹配實(shí)驗(yàn),得知方法在低紋理圖像中完成匹配的缺陷。在此基礎(chǔ)上總結(jié)前人的經(jīng)驗(yàn)和成果,運(yùn)用最新的研究成果,完成課題目標(biāo)。整個(gè)的研究中運(yùn)用C++語(yǔ)言,OpenCV,PCL等庫(kù)完成了三維建模,通過(guò)重建結(jié)果的分析對(duì)比得知,本文使用的方法解決了三維重建和視覺(jué)導(dǎo)航過(guò)程中的低紋理環(huán)境難匹配的問(wèn)題。
[Abstract]:In the visual navigation of mobile robot, in order to complete the localization and navigation of the robot, it is necessary to obtain the two-dimensional image information of the environment through the visual system. Image matching is the most important process in the whole 3D reconstruction. According to the different texture information of the environment, the corresponding research scheme and process are worked out in this study. Firstly, the high texture image is analyzed. The matching between images has been successfully completed. But the premise of the matching is that the image pixels have a high gradient feature. In the case of an environment with a low texture (such as a flat desktop) region, the gradient of the image pixel is very low. As a result, it is difficult to get high quality 3D effect in reconstruction by using the above scheme. Therefore, in the low texture region of the image, the image segmentation technique is first used to obtain the super-pixel. Then the super-pixel matching uses iterative thought and mathematical statistics method, through iterative search, the matching objects that meet the conditions can be selected. Then this scheme can be applied to robot vision navigation. Experimental results show that the accuracy of 3D reconstruction is improved by using super-pixel matching in low-texture image area. First of all, we need to calibrate the camera to get the camera parameters. This parameter is the bridge between the two-dimensional matrix image coordinate and the three-dimensional world coordinate, and then completes the high texture matching, then completes the low texture matching. Finally, the reconstruction of the environment is completed. In the experiment stage, the advantages and disadvantages of various matching schemes are obtained by comparing and analyzing the effects of the reconstruction in different environments. Instability is also the research direction in the future. After reading a large number of references, this study analyzes the bottleneck of the problem. By analyzing the traditional image feature matching method, we have mastered the theory used in the method. Finally, we select different texture images, and use this method to complete matching experiments, and find out the defects of the method in low texture images. On this basis, we summarize the previous experience and results. Using the latest research results to achieve the goal of the project. In the whole study, we have completed the 3D modeling by using C language OpenCVC PCL and other libraries. Through the analysis and comparison of the reconstruction results, we know that, The method used in this paper solves the problem of low texture environment matching in 3D reconstruction and visual navigation.
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP242

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉立;譚邦;肖建田;;尺度不變特征點(diǎn)提取[J];南華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

2 閆偉齊,丁瑋,齊東旭;字形設(shè)計(jì)中曲線特征點(diǎn)提取方法的研究[J];北方工業(yè)大學(xué)學(xué)報(bào);1999年03期

3 邱鵬;趙和鵬;朱長(zhǎng)仁;;部分遮擋目標(biāo)的穩(wěn)健局部特征點(diǎn)提取方法[J];現(xiàn)代電子技術(shù);2013年22期

4 張敏;喬夢(mèng)萱;劉亭;張海艷;;基于圖像的人臉檢測(cè)及特征點(diǎn)提取綜述[J];科技視界;2014年06期

5 于岱峰;李良良;周廣勇;;攝影測(cè)量特征點(diǎn)提取與匹配技術(shù)研究[J];電腦知識(shí)與技術(shù);2008年12期

6 吳子章;;球形圖像的特征點(diǎn)提取與匹配綜述[J];數(shù)字技術(shù)與應(yīng)用;2011年05期

7 喬警衛(wèi);胡少興;;三維重建中特征點(diǎn)提取與匹配算法研究[J];系統(tǒng)仿真學(xué)報(bào);2008年S1期

8 彭小奇;李玉曉;李晟;;一種基于信息融合的指紋特征點(diǎn)提取方法[J];計(jì)算機(jī)測(cè)量與控制;2008年11期

9 戚世貴;;尺度不變特征點(diǎn)提取算法的改進(jìn)算法[J];國(guó)外電子測(cè)量技術(shù);2008年09期

10 李文;郭立;袁紅星;關(guān)華;;多視環(huán)境下特征點(diǎn)提取的并行實(shí)現(xiàn)[J];計(jì)算機(jī)工程;2012年01期

相關(guān)會(huì)議論文 前9條

1 聶玖星;李建華;王宏;;基于筆劃類型的漢字特征點(diǎn)提取算法研究[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下）[C];2008年

2 梁倬;尹梁;;指紋識(shí)別中的特征點(diǎn)提取算法[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

3 陳平;王培珍;周芳;王雪峰;;苗木圖像的特征點(diǎn)提取與匹配方法研究[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

4 鐘寶江;廖文和;;曲率特征點(diǎn)提取及應(yīng)用的一些進(jìn)展[A];幾何設(shè)計(jì)與計(jì)算的新進(jìn)展[C];2005年

5 朱希安;宋波;;基于8鄰域編碼的指紋圖像特征點(diǎn)提取與去偽[A];第六屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集（1）[C];2008年

6 楊曉暉;寧彥俊;王文娟;;圖像特征點(diǎn)提取角點(diǎn)量閾值自適應(yīng)選取方法[A];第十屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2012年

7 談?wù)?郭春霞;邢延超;;單幅人像的全自動(dòng)3D重建及情感表達(dá)[A];第一屆中國(guó)情感計(jì)算及智能交互學(xué)術(shù)會(huì)議論文集[C];2003年

8 陳倩;唐勁松;石敏;;水聲寬帶相關(guān)成像的圖像特征點(diǎn)提取技術(shù)[A];中國(guó)聲學(xué)學(xué)會(huì)2006年全國(guó)聲學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

9 阮曉鋼;魏若巖;朱曉慶;李建更;Quattara SIE;;小天體軟著陸中的特征點(diǎn)提取與跟蹤算法研究[A];中國(guó)宇航學(xué)會(huì)深空探測(cè)技術(shù)專業(yè)委員會(huì)第九屆學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2012年

相關(guān)博士學(xué)位論文 前3條

1 劉佳;葉片復(fù)雜曲面原位測(cè)量關(guān)鍵技術(shù)研究[D];吉林大學(xué);2016年

2 毛敏;基于寬基線的弱紋理特征點(diǎn)提取與描述方法研究[D];東華大學(xué);2014年

3 李璐璐;基于結(jié)構(gòu)光反射的平面子鏡拼接檢測(cè)技術(shù)研究[D];電子科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 侯廣東;鐵路曲線特征點(diǎn)提取算法研究[D];西南交通大學(xué);2015年

2 劉海舟;三維頭發(fā)重用性的研究和應(yīng)用[D];西南交通大學(xué);2014年

3 李淳;基于曲率尺度空間的手部特征點(diǎn)提取[D];北京工業(yè)大學(xué);2015年

4 王昌誠(chéng);現(xiàn)代圖像處理技術(shù)在深海高清圖像分析中的研究[D];青島科技大學(xué);2015年

5 張世欣;基于AP-SoC嵌入式圖像特征點(diǎn)提取系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)[D];北京理工大學(xué);2016年

6 陳學(xué);基于球形相機(jī)模型的魚(yú)眼圖像特征點(diǎn)提取和匹配的研究[D];東北大學(xué);2014年

7 劉雨;基于邊界特征點(diǎn)提取的網(wǎng)格分割[D];吉林大學(xué);2016年

8 汪洋;掃地機(jī)器人定位算法設(shè)計(jì)與嵌入式系統(tǒng)實(shí)現(xiàn)[D];中國(guó)科學(xué)技術(shù)大學(xué);2016年

9 龔國(guó)基;基于主動(dòng)光視覺(jué)傳感的焊縫自動(dòng)跟蹤系統(tǒng)研究[D];華南理工大學(xué);2016年

10 崔哲;基于SIFT算法的圖像特征點(diǎn)提取與匹配[D];電子科技大學(xué);2016年

，

本文編號(hào)：1530189