一种基于基准优选的双目视觉位置解算方法

针对近距离空间非合作目标相对位姿测量任务需求,基于双目视觉原理建立了特征点位置测量模型与误差分析模型,分析了特征点位置解算奇异及奇异点附近位置解算误差过大的问题,提出了一种采用异面光轴配置和基准优选策略的双目视觉特征点位置解算方法。该方法通过错角安装相机光轴防止特征点在两个相机基准下进行位置解算时同时发生奇异,针对不同基准在测量域内误差分布的差异,建立了基准优选策略和相应的面向特定测量域的基准优选指标确定方法,从而获得了高精度测量结果。仿真结果表明,采用所提出的方法解决了特征点位置解算奇异问题,提高了测量域内特征点位置测量精度。     

单目视觉三维运动位姿测量方法研究

针对基于点特征的单目视觉位姿测量,研究了一种基于不共面5个编码特征点的单目视觉解算算法,利用大靶面高分辨率相机采集运动物体姿态图像,利用目标物体上编码特征点间的几何约束关系,通过正交迭代解算算法完成目标物体的位姿测量。实验结果表明：位移测量不确定度优于0.5mm,姿态测量不确定度优于0.05°,可满足航空航天领域试验测量要求。     

整流罩分离过程中运动位姿测量技术研究

针对整流罩分离过程中的空间目标三维位姿跟踪测量,设计了双目视觉测量系统,完成整流罩关键点的空间三维坐标测量。基于各特征点的图像处理、识别及跟踪测量算法,结合极线约束匹配,实现目标点的精确立体匹配,可完成不同目标特征点的三维空间坐标解算,进而获取不同运动姿态时的速度、加速度等关键信息,为整流罩机械设计、动力学设计提供参考依据。     

无人机位姿测量的点特征视觉方法

针对无人机在动态环境下快速高精度定位的问题，提出了用单目相机对无人机上的人工特征点进行位姿解算的方法。在无人机上放置一定数量的小型LED灯，并将其作为视觉测量的特征点，并以其中一个点作为原点建立无人机机体坐标系。通过多场景测量确定特征点在机体坐标系下的三维位置，再将三维位置与特征点在图像中的成像位置相匹配，最后使用EpnP算法求解出无人机的位置和姿态。在实验部分，利用三轴移动平台和三维转台，分别对位置解算结果和姿态解算结果进行误差测量。试验结果表明，位置解算误差在2%以下，姿态误差在8%左右。同时，该算法的处理时间在2 ms左右，该算法可以满足无人机对定位的实时性和精度的要求。     

基于多约束因子图优化的无人车定位与建图方法

针对目前在特定场景下应用的低速无人车定位系统极度依赖全球导航卫星系统（GNSS），存在定位精度不高、漂移误差大、受环境影响严重等问题，提出一种低成本、高精度的无人车定位与建图方法。该方法基于三维激光定位与建图（SLAM）技术。首先，使用点云主成分分析（PCA）实现基于特征匹配的激光里程计；其次，将GNSS位置信息、点云分割聚类得到的地平面和点云聚类特征作为位姿约束分别加入图优化框架，消除激光里程计的累积误差；最后，得到最优位姿和大规模场景的点云地图，以实现无人车的自主定位导航。利用包含大型户外城市街道环境的KITTI数据集对所提出的SLAM算法进行了评估，结果表明:系统在3km运动距离情况下定位偏差可控制在1.5 m以下，在局部精度和全局一致性方面均优于其他里程计系统，为无人车的定位提供了新思路。      

基于视频的三维人体姿态估计

已有的三维人体姿态估计方法侧重于通过单帧图像来估计人体的三维姿态,忽略了视频中前后帧之间的相关性,因此,通过挖掘视频在时间维度上的信息可以进一步提高三维人体姿态估计的准确率。基于此,设计了一种可以充分提取视频时序信息的卷积神经网络结构,在获得高精度的同时也具有消耗计算资源小的优点,仅仅使用二维关节点的坐标为输入即可恢复完整的三维人体姿态。然后提出了一种新的损失函数利用相邻帧间人体姿态的连续性,来改进视频序列中三维姿态估计的平滑性,同时也解决了因缺少帧间信息而导致准确率下降的问题。通过在公开数据集Human3.6M上进行测试,实验结果表明本文方法相比目前的基准三维姿态估计算法的平均测试误差降低了1.2 mm,对于视频序列的三维人体姿态估计有着较高的准确率。      

一种结合深度学习的运动去模糊视觉SLAM方法

针对高动态环境下视觉同步定位与地图构建（Simultaneous Localization And Mapping,SLAM）系统的可靠性受运动模糊的限制,研究了一种基于生成对抗网络(Generative Adversarial Network,GAN)和AKAZE特征点的运动去模糊视觉SLAM方案。首先对因相机快速运动而产生的模糊图像进行AKAZE特征点的提取与检测,并根据特征点分布的丰富程度计算图像块权重,结合灰度图像的方差信息建立特征点与模糊程度之间的量化关系表;之后将达到模糊分数阈值的图像同步输入至改进GAN网络模型,该网络以端对端的形式恢复中心模糊帧的纹理信息,最后将输出的清晰图像重新进行位姿估计参与ORB-SLAM2后端优化过程。在公开数据集TUM上进行测试,对于受模糊影响较严重的数据集,方案可以明显降低相机轨迹估计的整体误差,同时维持较好的鲁棒性。     

基于特征点识别的头部姿态计算

为了提升使用随机回归森林进行头部姿态分析的精度,提出了一种基于特征点识别分析头部姿态的计算框架.考虑到高误差投票的干扰,该计算框架以随机森林的特征点识别为基础从而避免异常投票干扰,将头部姿态计算问题转换为空间鼻尖特征点和朝向特征点的识别问题.在随机森林的训练中,决策函数使用了高斯曲率和平均曲率作为图形特征,根据微分熵的信息增益在随机生成的决策函数库中搜索最优化决策函数.在训练完成的随机回归森林的叶子节点中,通过分析保存的样本数据,可以得到目标特征点的高斯分布估计.根据实验测试结果,在适当的阈值设定的情况下,该方法可以实现较高的识别成功率,使用曲率后明显提高了识别精度,能够在一定程度上处理有遮挡的数据,并且该方法已经成功应用于虚拟座舱的实时头部姿态分析计算系统.     

基于单目视觉的非合作目标相对位姿测量

为实现对空间姿态翻滚航天器的在轨服务与维护以及对空间碎片的清理，需对其进行精确的相对位姿测量。针对相对位姿测量问题，提出了基于单目视觉与卡尔曼滤波的相对位姿测量方法。通过对特征点匹配算法进行调查，采用了具有尺度不变性与旋转不变性的尺度不变特征变换算法(SIFT)和加速稳健特征算法(SURF)的特征点提取方法，并对二者进行了对比，得到了二者分别适用的工况条件。通过对Kalman滤波算法进行研究，引入了相机偏置矩阵，设计了Kalman滤波器，解决了单目相机的距离模糊问题，估计得到了非合作目标的相对位姿、主惯量比以及特征点位置信息。经过仿真，姿态角度估计误差在稳定后低于0.3°，相对位置估计误差在稳定后低于0.5m，相较于真值，误差小于1.67%，主惯量比估计误差在稳定后低于0.01，特征点位置误差在稳定后低于0.005m。在引入相机偏置条件后，滤波状态变量均收敛，并得到具有足够精度的估计，成功解决了单目相机深度信息缺失问题。     

基于高效注意力和上下文感知的目标跟踪算法

基于匹配思想的孪生网络算法缺乏对目标的整体性感知，容易出现对目标状态估计不够精准和在复杂环境中跟丢的现象。为此，在孪生网络的基础上设计了2个轻量级的模块来实现更精准、更鲁棒的目标跟踪。在提取特征的主干网络之后，嵌入一个高效通道注意力模块，实现高效提取目标特征并增强差异化表示，使网络更注重于目标信息；模板匹配之后的特征通过一个局部上下文感知模块，增强网络对目标的整体感知，以应对跟踪过程中复杂多变的环境；采用Anchor-free的状态估计策略实现对目标的精准估计。实验结果表明:所提算法SiamCC在数据集OTB100、VOT2016和VOT2018上的测试结果均好于DaSiamRPN、ATOM等算法，并且跟踪速度达到了85帧/s。      

Single crater-aided inertial navigation for autonomous asteroid landing

In this paper, a novel crater-aided inertial navigation approach for autonomous asteroid landing mission is developed. It overcomes the major deficiencies of existing approaches in the literature, which mainly focuses on the case where craters are abundant in the camera field of view. As a result, traditional crater based methods require at least three craters to achieve crater matching, which limits their application in final landing phase where craters are scarce in the camera’s field of view. In contrast, the proposed algorithm enables single crater based crater matching based on a novel 2D-3D crater re-projection model. The re-projection model adopts inertial measurements as a reference, and re-projects the 3D crater model onto descent images to achieve the matching to its counterpart. An asteroid landing simulation toolbox is developed to validate the performance of the proposed approach. Through comparison with the state-of-the-art local image feature and crater based navigation algorithms, the proposed approach is validated to achieve a competitive performance in terms of feature matching and pose estimation accuracy with a much lighter computational cost.     

一种高效准确的视觉SLAM闭环检测算法

同步定位与地图构建（SLAM）是视觉导航领域的关键技术之一，闭环检测是SLAM的基础问题。针对视觉SLAM闭环检测准确率不高的问题，提出一种高效准确的闭环检测算法。该算法由词袋模型、图像结构校验、跟踪预测模型3个模块构成。首先，将局部特征与全局特征相结合，设计了词袋模型与图像结构校验模块。词袋模型通过视觉单词比较图像之间的相似性，得到闭环候选帧。然后，图像结构校验模块灰度化、归一化当前图像与闭环候选图像。归一化之后的图像被直接作为局部特征的邻域，计算得到全局描述符，通过全局描述符判断闭环候选帧是否为有效的闭环。最后，针对传统闭环检测算法耗时随图像数量增加而显著增加的问题，设计了跟踪预测模块，以提高计算效率。实验中，与主流的DBoW算法相比，提出的闭环检测算法的准确率提升了20%以上，实时性也有更好的表现。      

一种基于图像特征点提取及匹配的方法

针对图像特征提取与匹配的适应性和准确性的问题,将尺度不变特征变换(SIFT, Scale Invariant Feature Transform)算法应用到图像匹配领域.首先从原理上对SIFT算法的特性进行了分析,并以visual studio 2005为开发平台对SIFT算法分步骤进行了实现;最后以基于欧氏距离的最近邻准则作为特征的相似度量将SIFT算法提取的特征应用于图像特征匹配,并对不同的近邻比进行比较,给出了建议值.通过3组实验图像的匹配结果表明,SIFT算法提取的特征对图像缩放、旋转、亮度变化的匹配正确率都等于或接近100%,证明了SIFT算法提取的特征点有很好的适应性和准确性,可以进一步应用到图像识别以及图像重建等领域.