外文翻译.pdf

点云映射使用点云映射使用 Kinect RGB D 测量传感器和测量传感器和 Kinect 融合视觉测距融合视觉测距 N Namithaa S M Vaitheeswaranb V K Jayasreea and M K Bharatb a College of Engineering Alappuzha Dt Kerala State 688 541 India b National Aerospace Laboratories Bengaluru India 摘要摘要 RGB D 相机像 Kinect 提供 RGB 图像实时以及逐像素深度信息 本文使 用 Kinect 融合由微软研究院开发的 3D 重建场景实时使用 MicroKinect 相机和它 作为一个援助申请视觉里程计的机器人车辆 没有外部引用像 GPS 是可用的 关键词关键词 Kinect Kinect 融合 测程法 机器人 视觉 1 介绍 视觉运动的研究是计算机视觉的核心技术推进各种关键技术 这些包括三 维重建 跟踪监测 识别 导航和控制等等 域的重建方法 利用结构与运动技 术 光学 flow 提供信息使用二维三维场景的运动预测 为单个相机使用光流限 制但是存在 防止运动的可靠估计的三维场景 提供的解决方案是使用立体声或 多个摄像头同时估计结构和运动增加这些技术的鲁棒性 这些方法的缺点是复杂 的 需要映射的帧数 如束调整迭代细化步骤 减少不确定性 缺乏从表面平滑由于 二维参数化等等 随着时间的可用性的飞行 RGB D 色彩深度 相机使用结构光传感 近年来 实时获取三维信息和帧率已成为可能 这权证与重建的方法和公式 因为深度相 机可用 传感器提供的结构信息和表面不需要估计 早期的方法是基于颜色的位 移模式 还有其他几个优点 其中之一就是引入动能融合算法 2密度及其扩展 使 3 D 扫描使用一个移动的体积和表示不使用标准的八叉树迭代最近点 ICP 从而能 够在实时工作 在本文中 我们提出使用 Kinect 融合由微软研究院开发的 3 D 重建场景实 时使用微 Kinect 摄像头和它作为一个援助申请视觉导航的机器人车辆 没有外部 引用像 GPS 是可用的 2 相关工作 视觉传感器显示潜力提供构成的信息 通过航迹推算 在结构领域和杂乱的 环境中 传统的 GPS 可以退化和 或否认 不同方法之间的三种常见方法有受到更 多的关注 视觉算法 3 基于视觉的同步位置和建图4和从运动应用程序结构6 在 这些技术中 视觉测程法是一种低延迟和低成本的方法 优于其他两种方法的计算 复杂度和硬件 相比之下 后两种方法是计算密集型和需要映射的帧数 如束调整 迭代细化步骤 减少不确定性等等 视觉测程法可以分为两类 a 稀疏的测程法和 b 茂密的测程法 稀疏方法 提取一组稀疏点探测器像哈里斯使用功能 快速或特征描述符如加快健壮的特性 冲浪 尺度不变特征变换 筛选 之间的通讯功能是建立在连续帧之间的时间 假设如果错误匹配块之间的点是最小的 从一组良好的通讯描述的平移和旋转的 变换矩阵 计算帧到帧 相比之下 密集的测程法方法使用密集数据集或整个图像数据 转换数据 帧之间的光测量的误差 分别使用了一种不同的方法 获得表面之间的几何误差 描述刚体变换 这种方法的一个缺点是 他们需要结构化表面和更进一步的问题 是 他们需要一个计算昂贵的近邻搜索创建点对应 为了克服这个问题 3D 表面被 表示为 2 D 深度地图 一个点对应的第二个深度地图是发现通过应用刚体运动和 投射到二维坐标 这些方法受到长期漂移 因此在运动估计过程中积累错误 幸运的是微软 Kinect 的可用性和其他 RGB D 使用结构光传感器感应导致 获取三维信息导致更可靠信息实时重建过程和结构 这开辟了新的可能性和机会 的跟踪和导航 重大进展之一是动力学的发展融合算法 5已展示了其潜力密度实 时扫描室内静态场景 的进一步获得一直表示算法的分层八叉树 锥体结构 来实 现更快的计算和并行化 利用这一点 本文提出使用 RGB D 相机 容易为视觉测 距应用程序可用 由于结构信息是现成的 我们从两个连续帧计算摄像机运动 3 方法 目前的工作是基于Kinect融合生成3D健壮重建一个机器人在实时的环境 这是移动微软 Kinect 传感器获得的真实的场景 Kinect 融合算法的输入是一个时 间序列的深度地图 Kinect 传感器 该算法只使用深度地图和没有颜色信息 并且 不妨碍照明条件下 允许 Kinect 融合功能甚至在完全黑暗 下面的图 1 显示了 Kinect 得到融合结果 实时算法运行30fps和提供了一个表面表现为每个当前帧深度精炼全球模 型通过合并新的表面在每个时间步使用 ICP 算法 双边滤波器用于平滑图像 消 除噪音的深度图代替强度值在图像中每个像素的加权平均强度值附近的焦油 ls 结果是一个平滑深度保持锋利边缘的地图 深度地图转换为三维点云与顶点和正 常信息使用分层的金字塔八叉树算法 因此结果包含不同层次的细节 连续匹配的点云到一个3D模型 6景深相机姿势估计得到的映射过程中在 每个时间 t 连续调整的点云 我们可以叫它为源和目标点云 我们必须选择第一 个点云作为参考模型 然后新到达的点云是符合这个模型使用一个名为 ICP 的迭 代法 迭代最近点 ICP 算法最小化欧几里得的平方误差源和目标点之间的点云 这允许算法在 GPU 并行时跑得更快 这第一场比赛后 修改后的 ICP 算法计算两个点云之间的错误使用点对平 面度量方法而不是点对点的标准 ICP 变体 每个点之间的距离平方的总和源云计 算和相应的目标点的切平面目标云是最小化的若干次迭代 直到一个足够接近匹 配被发现 连续点云又投射到相机模型的图像帧 点落在相同的像素被认为是匹配 的 Kinect 融合使用点对平面度量方法 8而不是点对点标准9中每个点之间的距 离平方的总和源云计算和相应的目标点的切平面目标云是最小化的若干次迭代 直到接近找到匹配 4 测程法登记 在这种情况下 我们获得同步采集的点云数据在每一个时间步的 t 测程法 变换矩阵 t 组成一组旋转和翻译 小角度近似形式的矩阵写成移动和旋转的点 如果这样移动点和之间的距离定义的切向飞机表面法线倪很小 这里 是标量的产品 ni 是 di 法向量 表面法线是现成的 Kinect 融合深度 图像 5 实验和结果 决定每一个的质量生成的点云 首先进行合成实验数据集和一个开源软件 云对比 10是用来计算分数反映多少生成的 3 d 点云对应于地面真理 3 d 模型 图 1 显示了一个典型的数据云从 Kinect 融合 之间的平均距离米现在的方法和 参考模型是 0 038 米 图2显示了RGB图像和深度图像获得Kinect用于重建三维点云实时地图 帽状云意味着距离为每个框架的抓住云是 0 0824 米 0 087 米和 0 073 米 图 3 显示了 6 自由度轨迹反演得到的点云变换矩阵的实时三维点云 获得的结果与事 实模型有很好的协议 参考文献参考文献 1 J Shi and C Tomasi Good Features to Track IEEE Conference on Computer Vision and Pattern Recognition pp 593 600 1994 2 Richard A Newcombe Shahram Izadi OtmarHilliges David Molyneaux David Kim Andrew J Davison PushmeetKohli Jamie Shotton Steve Hodges and Andrew Fitzgibbon Kinect Fusion Real Time Dense Surface Mapping and Tracking IEEE ISMAR October 2011 3 D Nist er O Naroditsky J Bergen Visual Odometry Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2004 CVPR 2004 vol 1 pp 1 652 27 June 2004 4 J Artieda J M Sebastian P Campoy J F Correa I F Mondragon C Mart nez and M Olivares Visual 3 D SLAM from UAVs Journal of Intelligent and Robotic Systems vol 55 4 5 pp 299 321 1 August 2009 5 Z Zhang Microsoft Kinect Sensor and its Effect MultiMedia IEEE vol 19 2 pp 4 10 February 2012 6 J Oliensis A critique of Structure from Motion Algorithms Computer Vision and Image Understanding vol 80 2 pp 172 214 30 November 2000 7 E Ezra M Sharir and A Efrat On the Performance of the ICP Algorithm Computational Geometry vol 41 1 pp 77 93 31 October 2008 8 S Y Park and M Subbarao An Accurate and Fast Point to Plane Registration Technique Pattern Recognition Letters vol 24 16 pp 2967 76 31 December 2003 9 F Bosch e Automated Recognition of 3D CAD Model Objects in Laser Scans and Calcula