面向LBS的机器视觉协助的智能手机惯性导航研究

摘要

近些年来，随着智能手机和移动互联网的不断发展，LBS技术（Local Based Services，基于位置的服务）受到越来越多的关注。惯性导航技术作为定位技术的一种补充形式，在LBS中起着重要的作用。惯性导航是利用IMU（Inertial Measurement Unit，惯性测量元件）测量的数据，通过滤波和积分方法计算运载体运动、姿态和位置信息，从而达到对运载体的定位。智能移动设备的惯性导航给智能机器人、室内导航、增强现实和互动娱乐等领域提供了技术支持。然而，智能手机中的惯性元件由于其自身原因，往往存在误差偏差大、误差因素不确定的情况。惯性测量元件的单一导航漂移现象严重，导航精度很低，无法在实际工程中应用。
　　针对这一情况，本文提出了一种利用计算机视觉协助的智能手机惯性导航算法。本文通过对SFM（Structure From motion，从运动到结构）问题进行求解对特征点进行三维重建，然后利用移动端的 GPU加速技术实现对特征点的实时跟踪，最后通过PnP（Perspective n points，n点透视）问题求解得到的移动设备的位移偏量和姿态偏量，以实现视觉定位。将视觉定位用以协助和修正惯性导航的结果。经过实验表明，本文提出的算法能在一定程度上修正惯性导航漂移情况，提高惯性导航的精确性。本文的主要工作包括：
　　1.对智能手机中的惯性元件（加速度计、陀螺仪和磁力计）及其工作原理进行介绍，对传统的惯性导航系统算法和误差来源进行介绍，并在此基础上利用零速检测算法实现智能手机的惯性导航。
　　2.对计算机视觉中SFM和PnP问题描述及其理论基础进行了介绍。利用特征点提取算法对二视图的稀疏特征点进行提取，并通过金字塔Lucas-Kanade光流法对提取出的特征点跟踪匹配，最后通过 PnP问题的求解实现智能手机的视觉定位。
　　3.从理论方面对卡尔曼滤波算法进行了详细的介绍，给出计算机视觉辅助惯性导航的卡尔曼滤波模型，并利用该模型对惯性导航数据和计算机视觉匹配的运动信息进行数据融合。
　　4.对OpenGL ES2.0进行了介绍，并利用OpenGL ES2.0在iOS平台上对金字塔Lucas-Kanade光流法进行GPU并行加速处理，以保证整个计算机视觉辅助的惯性导航算法的实时性和可操作性。
　　对本文提出的计算机视觉辅助的惯性导航算法进行测试，并给出不同机型采用计算机视觉辅助的惯性导航算法对比的结果，并给出误差分析。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 课题研究背景与意义

1.2 国内外研究现状

1.3 论文工作内容

1.4 论文组织形式

第二章 相关技术概述

2.1 惯性导航系统概述

2.2 光流法

2.3 卡尔曼滤波

2.4 移动端GPU加速技术

2.5 本章小结

第三章 计算机视觉协助定位算法实现

3.1 特征点提取算法

3.2基于OpenGL ES并行加速的金字塔Lucas-Kanade光流法

3.3 基于光流跟踪的特征点匹配算法求解SFM问题

3.4 PnP问题求解

3.5 本章小结

第四章 计算机视觉协助的智能手机惯性导航算法实现

4.1 智能手机传感器介绍

4.2传感器数据获取以及Core Motion框架介绍

4.3 积分求解及零速检测算法

4.4 基于卡尔曼滤波融合算法

4.5 本章小结

第五章 实验与分析

5.1 金字塔Lucas-Kanade光流法对比实验结果及分析

5.2 室内导航实验

5.3 室内导航实验分析

5.4 本章小结

第六章 总结与展望

6.1 工作总结

6.2 研究展望

参考文献

致谢

作者简介