移动机器人视觉中图像特征点提取与匹配技术研究

摘要

移动机器人视觉导航中，为了完成机器人的定位和导航，就要通过视觉系统获取环境的二维图像信息，进而完成三维重建。图像匹配是整个三维重建中最为重要的过程。本研究根据环境的不同纹理信息，制定了对应的研究方案和流程。首先对高纹理图像进行了分析，成功完成了图像间的匹配。但是匹配的前提是图像像素具有高梯度特征。对于环境中包括低纹理（如平坦的桌面）区域的情况下，由于图像像素的梯度很低，导致单纯的使用上述方案进行匹配很难在重建中得到质量高的三维效果。因此在图像的低纹理区域先使用图像分割技术得到超像素，之后超像素的匹配运用迭代的思想和数理统计的方法，通过迭代搜索，筛选满足条件的匹配对象。那么就可以把这个方案运用到机器人视觉导航中来,从而完成环境的三维重建。通过实验表明，在低纹理图像区域使用超像素匹配，提高了三维重建的精度。
　　为了很好的完成环境的三维重建，首先需要对获取环境的相机进行标定，得到相机的参数。这个参数是二维矩阵图像坐标和三维世界坐标之间桥梁的枢纽。之后先完成高纹理匹配，再完成低纹理匹配，最后完成了环境的重建。实验阶段，通过选择不同环境中重建的效果对比分析，得到了各种匹配方案的优缺点。整个的研究方案在实验过程中也表现出了其缺陷，不稳定性也是今后研究的方向。
　　本研究在阅读了大量的参考文献之后，分析问题的瓶颈。通过对传统图像特征匹配方法进行分析，掌握了方法中使用到的理论，并且完成了分步过程的实验，最后选择不同纹理的图像，使用该方法分别完成了匹配实验，得知方法在低纹理图像中完成匹配的缺陷。在此基础上总结前人的经验和成果，运用最新的研究成果，完成课题目标。整个的研究中运用C++语言，OpenCV，PCL等库完成了三维建模，通过重建结果的分析对比得知，本文使用的方法解决了三维重建和视觉导航过程中的低纹理环境难匹配的问题。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 三维重建

1．2．2 图像特征提取与匹配

1．3 论文主要研究内容

1．4 论文结构安排

1．5 论文创新点和难点

第二章 环境高纹理区域的匹配方案

2．1 研究方案和流程设计

2．1．1 方案流程分析

2．1．2 图像底层特征的匹配方法分类

2．1．3 研究方案必备因素分析

2．2 高纹理环境特征点的提取与匹配

2．2．1 特征点提取

2．2．2 特征点匹配

2．3 结果分析

2．3．1 OpenCV等库及工具介绍

2．3．2 结果分析

2．4 本章小结

第三章 环境低纹理区域的匹配方案

3．1 超像素生成

3．1．1 分割理论因素分析

3．1．2 超像素分割

3．2 超像素匹配

3．2．1 初始化图像

3．2．2 匹配分析

3．2．3 相机状态和像素矩阵变换

3．2．4 像素矩阵变换的优化

3．2．5 超像素间的匹配

3．3 本章小结

第四章 三维信息重建

4．1 相机标定和稀疏稠密重建

4．1．1 相机标定

4．1．2 光束法平差

4．1．3 PMVS稠密重建

4．2 单一纹理环境的三维重建

4．2．1 基于高纹理匹配方案的高纹理环境建模

4．2．2 基于高纹理匹配方案的低纹理环境建模

4．3 综合环境的三维重建

4．4 结果分析对比

4．5 本章小结

第五章 总结与展望

5．1 论文工作总结

5．2 下一步工作展望

参考文献

攻读硕士学位期间的研究成果

致谢