标签：使用 strong 数据 on 问题 ad 工作 时间 as
视觉测程法（又称视觉测量）指通过分析关联的摄像机图像来测定机器人的位置和朝向的过程，隶属于机器人学和计算机视觉等领域，并被广泛应用于机器人相关应用中，如火星探测车等等。
综述
在导航领域，测程法指通过一定设备获取执行器运动时的数据，并据此估计执行器随时间的位置变化，如利用旋转编码器测量车轮转动等。传统的方法适用于很多基于轮子或履带运动的载具，但并不适用于使用非标准移动方式的移动机器人，如步行机器人等。此外，由于轮子可能在地板上滑动，这会产生一个与正常转动相比不标准的移动，导致测程法存在误差问题。当载具在不光滑表面上工作时，这个误差会变得更加复杂，测程法的误差会随着时间累积和混合，使得测得的结果愈发不可信。
视觉测程法利用序列相机图像探测与上述等价的测程信息，并估计行进的距离。视觉测程法可以在任何运动方式和任意种类的平面上提高导航准确度。
算法
大多数现有的视觉测程计方法都基于以下步骤：
1. 获取输入图像：使用单目摄像机、双目摄像机或全方向摄像机。
2. 图像校正：应用图像处理技术消除镜头畸变。
3. 特征匹配：定义感兴趣的算子，并跨图像帧进行特征匹配，建立光流场。
1. 利用相关性建立图像间的关系，不使用长时间的特征跟踪。
2. 特征提取与关联。
3. 建立光流场（Lucas-Kanade方法）
4. 检查光流场向量以检测可能的跟踪误差并移除外点。
5. 自光流场中估计摄像机运动。
1. 方法1：利用卡尔曼滤波器优化状态估计的分布。
2. 方法2：找到特征点的几何和三维的属性，据此建立一个基于相关图像间反投影误差的价值函数并使其最小。可利用数学最小化方法或随机采样方法完成。
6. 周期性地恢复跟踪点的数量以保持覆盖全图。
一种可供选择的基于特征的方法是所谓“直接法”，即基于出现的视觉测程计技术。该技术直接在传感器空间内减小误差，并避免了特征提取与匹配。
另一种方法采用了相位相关取代特征提取来估计图像间的旋转变换。
自运动
自运动定义为一个摄像机在环境中的三维运动。在计算机视觉领域，自运动涉及估计摄像机相对一个固定场景的运动。自运动估计的一个例子是估计一辆轿车相对车辆自身观测到的道路标志线或指示牌的运动位置。自运动的估计在自动化机器人导航应用中占据重要地位。
摄像机自运动估计的目标是利用摄像机拍摄的序列图像确定该摄像机在环境中的三维运动。估计摄像机在环境中的运动这一过程涉及到了应用于运动摄像机拍摄的序列图像的视觉测程法技术。典型地实现是利用特征检测自由单目或双目摄像机采集的序列中的两幅图像中建立光流。在每帧中利用双目图像对有助于减少误差并提供附加的深度和尺度信息。
图像特征自第一帧图像中被检测出来，并随后与第二帧相匹配。这一匹配信息随后用于生成两幅图像中特征的光流场。这一光流场显示出特征是如何从某单个点发散的，该点被称为延伸焦点。延伸焦点可从光流场中检测得出，并能够表明摄像机运动的方向，从而提供摄像机运动的一个估计。
亦有其他方法可以从图像中提取自运动信息，包括一种不使用特征检测或光流场，而是直接利用图像强度的方法。
标签：使用 strong 数据 on 问题 ad 工作 时间 as
原文地址：http://www.cnblogs.com/Fal-blog/p/4099672.html
