单目视觉的室内多行人目标连续定位方法

针对目前视觉的行人检测技术大多侧重行人识别与分类,而较少考虑行人的空间精确定位的问题,该文提出一种室内多行人目标连续定位方法。该方法基于单目视觉检测方法,构建像素坐标系到世界坐标系的坐标转换模型,并结合卡尔曼滤波和匈牙利算法实现对多行人目标的连续定位与跟踪。实验结果表明,该方法能对多行人目标实现准确区分,定位精度达到亚米级,平均每帧处理时间为53ms,满足定位应用的实时性要求。     

基于单目相机的低成本室内行人定位方法

针对大场景低成本人员快速定位的问题,本文提出一种基于单目视觉的指纹定位方法。首先利用人脸识别获得人脸的像素坐标,然后计算人脸在像片上的面积从而进行粗匹配,最后通过人脸在像片上的中心值进行精匹配,最终获得待定位人员的精确坐标。     

单目视觉定位中的相机标定

单目视觉定位因其定位模型简单、标定步骤少等特点被广泛应用,根据灭点原理对单目视觉定位中的相机标定进行了研究和分析,并将RANSAC方法用于灭点计算来改善灭点的平稳性,提高了相机标定参数的精度。     

单目视觉Tukey权因子模型室内位置测量

面向室内导航和定位的需求,本文提出了一种基于编码图形和单目视觉传感器相结合的室内移动载体位置测量方法。首先,优化设计了一系列用于移动载体空间位置计算的编码影像,利用轮廓匹配、矩计算和映射匹配相结合的方式实现空编图形的识别与定位。其次,针对编码图形中心像方坐标观测值提取残差,构建了基于单位权和Tukey权因子模型的空间后方交会方法,基于两种权重因子分别计算了移动载体的观测值残差权重,分析了不同残差的观测值对结果的影响程度。然后,构建了4组实验环境,从不同角度获取了观测影像,并进行了数据处理与分析。最后,通过实验验证,表明基于2种权因子模型的方法均能够实现载体位置的计算,但基于Tukey权因子方法具有更高的精度,平面精度提高了29.76%—49.42%,高程精度提高了29.17%—74.07%。本文方法能够为室内空间移动载体提供高精度的导航和定位测量服务。     

融合惯导信息的单目视觉室内定位方法

针对单目视觉定位方法定位精度高但数据源不稳定,而惯性测量组件可稳定获取定位数据却存在累计误差的问题,提出了一种融合惯导信息的单目视觉室内定位方法.该方法利用四参数拟合模型将图像数据转换成定位定姿数据,并在惯导数据解算过程中引入互补滤波修正陀螺仪读数,最后将处理后的数据作为观测值输入到扩展卡尔曼滤波器中,得到最优位置信息.实验结果表明,该方法能够有效地提高室内定位的精度和稳定性.     

一种相机标定辅助的单目视觉室内定位方法

目前随着室内定位技术的发展,人们对室内定位精度提出了更高的要求,高精度、低成本的室内定位技术成为研究的热点。本文结合相机标定提出了一种单目视觉室内定位方法,将室内环境按照是否共面进行区域分割,并对分割后的各区域进行相机标定,对摄像机获取的视频进行运动目标检测获取目标像素坐标,利用像素坐标和相机与空间的位置关系并结合平面约束方程进行目标位置解算。试验表明：该算法定位精度在X方向小于0.15 m,Y方向小于0.35 m,平均单点定位时间小于5 s,获得了良好的室内定位效果。     

基于单目视觉的特征点测距与定位方法研究

在单目视觉测距系统中,摄像机安装偏差会造成摄像机云台俯仰角与模型俯仰角不一致,从而影响远距离单目测距和定位的精度。针对这一问题,提出了一种基于梯度下降法的俯仰角校正方法。该方法根据单目测距原理和参考点与摄像机的实际距离,构建出梯度下降法的目标函数;对目标函数进行一阶微分,求出目标函数的梯度;迭代计算出使目标函数值小于设定阈值的俯仰角,以此为单目测距模型最优俯仰角。在此基础上,依据单目视觉成像原理构建像素坐标与实际坐标间的函数关系,计算特征点的实际坐标。以球型摄像机为图像采集设备开展实验与应用,结果表明,测距结果的相对误差都在4%以内。这证明该方法能准确校正单目测距俯仰角,确保测距精度,且能有效确定特征点坐标。     

室内高精度定位技术研究应用现状与发展趋势

基于视觉的手机定位方法是室内定位中的研究热点,但面向机场、商场等大型室内环境时存在可靠性差、计算效率低等问题。针对该类场景,提出一种基于三维实景地图的粗定位-精定位二级定位方法,首先基于Wi-Fi指纹匹配粗定位结果约束匹配图像库范围,然后通过子区域分段式建立特征库以及利用深度学习的方法去除天花板图像。实验结果表明,大型室内场景下所提方法可以将视觉匹配定位精度由1.89 m提升至0.45 m,将定位计算效率提升5倍以上。所提方法能够有效降低定位时间,提升特征点云的精度,进而提升视觉匹配定位精度,同时能降低特征点匹配错误而造成定位错误的情况,可以实现高可用、亚米级精度的室内视觉全局定位。

     

基于改进MCNN的密度图在室内定位中的应用

北京商场购物人群众多,易发生人群拥挤踩踏事故,使得确定高密度人群区域的位置变得至关重要,因此本文引入人群密度图,确定图中人群分布情况,得出室内人群的定位信息。首先将采集的人群视频分割为图像帧,并分成训练集和测试集;然后对训练集图片作人头标签处理,生成地面实况密度图,将其作为改进的多列卷积神经网络算法的训练数据生成模型,并将模型应用于测试集图片生成人群密度图;最后运用Arc GIS对人群密度图与室内平面图作地理配准处理,从而实现对高密度人群的定位。研究结果表明,利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致,将人群密度图应用于室内定位是可行的。     

一种室内无标志动态目标视觉定位方法

提出了一种室内无标志动态目标的视觉定位方式,采用卡尔曼滤波估计动态目标图像坐标,并利用分区定位方式对多相机视场内的动态目标进行定位,根据观测到动态目标的相机数目将多相机视场范围区域划分为单目区域、双目区域和多目区域,对不同的区域采用不同的定位方式。仿真和真实实验表明,本文算法可以达到10 cm左右的定位精度,运行效率可以达到50 ms/帧。提出的无标志动态目标定位方法具有更高的鲁棒性,基本可以满足实时性要求且定位精度较高。