基于主动视觉的原位感知与微变检测方法研究

摘要

场景的表面和结构信息感知是计算机视觉和机器人领域的基础问题，具备广泛的实际应用价值。传统计算机视觉研究多采用“先采集、后分析”的被动处理范式，导致数据采集与分析相互分离，因而依赖复杂的后端分析处理算法来弥补前端数据采集质量和一致性的不足。本文从预防性保护中文物等高值目标的精细监测这一挑战性问题出发，将视觉感知与运动控制规划有机结合，利用主动视觉方式来获取场景信息的精细原位感知，进而发现场景中随时间变化而产生的表面和结构的细微变化。本文首先重点探讨了单点目标场景监测中的主动式相机快速与精确重定位问题，并提出了复杂环境挑战下的细微变化检测方法；进而初步探究了区域大范围场景中的机器人自主探索策略，提出了区域场景的原位感知方法和细微变化检测方法。本文主要贡献如下：　　1.针对快速的相机位姿主动复现问题，提出了基于点特征的导向式相机快速重定位方法，通过特征点匹配实时计算导航框和导航信息，引导操作者将相机恢复至原始参考位姿状态；进而提出了基于线特征的导向式相机快速重定位方法，通过联合优化线段匹配与单应矩阵，实现了在弱纹理和光照显著变化场景下的鲁棒相机快速重定位。　　2.针对精确的相机位姿主动复现问题，提出了一种主动式相机精准重定位方法，实现了空间尺度和手眼标定未知下的相机六自由度原位复现，并获取同一场景的视觉图像感知。论文以严格的数学推导证明了该方法的收敛性，并通过大量真实和仿真实验验证了算法的鲁棒性、精确度、收敛性。相关系统平台成功应用于多个文物遗产地的常态监测，实现了0.1mm重定位精度的视觉原位感知。　　3.针对复杂环境下高值目标细微变化检测问题及由于光照显著差异、相机位姿不一致带来的挑战，提出了一种基于导向式相机重定位的多光照条件的图像采集方法，并将场景的细微变化检测形式化建模为光照一致化、基于光流的图像配准和基于低秩分解的微变检测这三个因素的联合优化问题，采用从粗到细的多尺度优化框架迭代联合求解，取得了可信的真实场景微小变化检测结果。　　4.针对区域性场景地图的主动构建问题，提出了一种基于深度自编码网络进行地图预测的方法来改进地图探索中信息增益计算，大幅度提升了机器人自主探索与地图构建的效率；进而提出了区域场景主动地图二次重建的原位感知方法，并对两次地图构建的结果进行变化检测来捕获场景中存在的细微结构变化。

目录