發(fā)布時(shí)間：2021-07-02 08:11

　　近幾年,隨著人工智能在我國(guó)的迅速發(fā)展,智慧城市背景下的無人駕駛與機(jī)器人研究成為新的研究熱點(diǎn),視覺SLAM（Simultaneous Localization and Mapping,SLAM）正是該領(lǐng)域十分重要的研究?jī)?nèi)容。其中,相機(jī)位姿估計(jì)問題是視覺SLAM問題的核心。相機(jī)位姿估計(jì)是指在多張場(chǎng)景或者目標(biāo)圖像中,估計(jì)圖像間相機(jī)運(yùn)動(dòng)的變化情況。在這個(gè)過程中,圖像間的旋轉(zhuǎn)、光度變化、運(yùn)動(dòng)幅度的變化以及紋理稀疏等問題,會(huì)大大影響相機(jī)位姿估計(jì)的準(zhǔn)確性,進(jìn)而影響無人駕駛技術(shù)與機(jī)器人在環(huán)境中的定位、建圖與識(shí)別等一系列任務(wù)。本文將影響相機(jī)位姿估計(jì)問題的原因分為內(nèi)外兩個(gè)因素,內(nèi)在因素是相機(jī)本身運(yùn)動(dòng)對(duì)估計(jì)的影響,外在因素是外界環(huán)境對(duì)特征處理的影響。具體來說,全文在大尺度運(yùn)動(dòng)變換與多類室內(nèi)環(huán)境中結(jié)合深度學(xué)習(xí)方法研究了相機(jī)的位姿估計(jì)任務(wù),幫助視覺SLAM穩(wěn)定可靠完成定位建圖。本文的工作內(nèi)容如下:（一）針對(duì)相機(jī)在空間中大尺度的運(yùn)動(dòng)估計(jì)問題,本文提出了基于稠密特征的運(yùn)動(dòng)變換預(yù)測(cè)方法。該方法將原圖像與目標(biāo)圖像看作一個(gè)整體,從全局計(jì)算圖像對(duì)的特征相似性,用以預(yù)測(cè)圖像對(duì)之間的運(yùn)動(dòng)變換。整體方法首先采用特征金字塔的方式提... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

視覺SLAM系統(tǒng)框架

第二章相關(guān)內(nèi)容過程可以通過一個(gè)幾何模型進(jìn)行描述。在本節(jié)使用最常用的針孔相機(jī)模型對(duì)這種空間映射進(jìn)行建模。圖2.2針孔相機(jī)模型示意圖圖2.2是針孔相機(jī)模型的示意圖。在圖中包含有兩個(gè)三維空間坐標(biāo)系，分別是代表三維空間的世界坐標(biāo)系（原點(diǎn)用O表示）與代表相機(jī)位置的相機(jī)坐標(biāo)系（原點(diǎn)用C表示）。另外，還有一個(gè)二維的圖像平面所處的圖像坐標(biāo)系（原點(diǎn)用o表示），稱其為像平面。相機(jī)坐標(biāo)系的原點(diǎn)為相機(jī)鏡頭透鏡的中心，稱其為光心。相機(jī)坐標(biāo)系的Zc軸（主軸）垂直于圖像平面交于圖像坐標(biāo)系于一點(diǎn)o，稱該點(diǎn)為主點(diǎn)。在圖中，點(diǎn)a與A分別是圖像中的投影點(diǎn)與世界坐標(biāo)系中的三維點(diǎn)，兩者之間的轉(zhuǎn)換公式可由下式得到：(a1)=P(A1)(2.1)其中，[a,1]T和[A,1]T分別是圖像像素點(diǎn)和空間三維點(diǎn)的齊次坐標(biāo)形式。相機(jī)的投影矩陣P是一個(gè)3×4的矩陣，它可以寫成如下形式：P=K[R|t](2.2)上式中的K是相機(jī)的內(nèi)參數(shù)矩陣(CameraIntrinsics)，內(nèi)參一般在相機(jī)出廠之后就固定了，具體形式如式2.3。K=fx0u0fyv001(2.3)式2.3中的參數(shù)fx和fy分別是相機(jī)x與y方向上的焦距，(u,v)是像平面o點(diǎn)的9

基于深度學(xué)習(xí)的相機(jī)位姿估計(jì)方法研究坐標(biāo)，也就是主點(diǎn)的坐標(biāo)。此外，式2.2中的R和t表示相機(jī)的外參數(shù)，分別表示相機(jī)在世界坐標(biāo)系下的旋轉(zhuǎn)量與平移量。對(duì)于本文研究的內(nèi)容則是根據(jù)圖像對(duì)預(yù)測(cè)相機(jī)運(yùn)動(dòng)的參數(shù)表達(dá)。（2）基于特征點(diǎn)法的前端視覺里程計(jì)�；谔卣鼽c(diǎn)法的前端視覺里程計(jì)是目前較為成熟的解決方案。在計(jì)算機(jī)視覺領(lǐng)域，研究人員已經(jīng)設(shè)計(jì)了多種特征描述方法，比如SIFT、SURF、ORB等。當(dāng)通過特征提取方法對(duì)圖像進(jìn)行合適的特征收集與描述后，就可以為視覺SLAM進(jìn)行特征匹配。特征匹配是視覺里程計(jì)中極為重要的一步，它為視覺SLAM系統(tǒng)建立了數(shù)據(jù)間的聯(lián)系。若在特征匹配的階段可以精準(zhǔn)匹配，則可以為后續(xù)的姿態(tài)估計(jì)、后端優(yōu)化等步驟減少大量誤差。圖2.3對(duì)極幾何約束圖2.3是對(duì)極幾何約束圖，通過對(duì)極幾何的方式對(duì)相機(jī)位姿變換進(jìn)行度量。在得到一組配對(duì)的特征對(duì)后便可以通過二維圖像中的對(duì)應(yīng)關(guān)系，恢復(fù)相機(jī)在兩幀圖像之間的運(yùn)動(dòng)變換。設(shè)兩幀之間的運(yùn)動(dòng)方式為R、t。O1、O2是兩個(gè)相機(jī)位置的中心位置。在I1中有一個(gè)特征點(diǎn)p1，它在I2中的對(duì)應(yīng)特征點(diǎn)為p2。首先，過O1、p1和O2、p2的直線在三維空間中相交與點(diǎn)P，由O1、O2、P三個(gè)點(diǎn)可以確定一個(gè)平面，稱其為極平面。O1、O2的連線與兩張圖像的交點(diǎn)分別為e1、e2，它們被稱作極點(diǎn)。O1、O2被稱作基線。三個(gè)平面之間相交的線l1、l2為極線。由于O1、O2、P三點(diǎn)共面，根據(jù)共面的幾何性質(zhì)，可以得到如下式：→O1p1·(→O1O2×→O1p2)=0(2.4)10

【參考文獻(xiàn)】：
期刊論文
[1]《中國(guó)新一代人工智能發(fā)展報(bào)告2019》顯示 我國(guó)多層次AI人才培養(yǎng)體系逐步形成[J]. 項(xiàng)陽.  中國(guó)教育網(wǎng)絡(luò). 2019(06)



本文編號(hào)：3260097