下载文档原格式
基于改进SIFT算法的双目视觉SLAM研究朱代先;王晓华【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)014【摘要】SIFT算法通常用于移动机器人视觉S LAM中.但其算法复杂、计算时间长,影响视觉SLAM的性能.在两方面对SIFT 改进:一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配.应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM.仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高.%Scale Invariant Feature Transform(SIFT) algorithm is used in mobile robot Simultaneous Localization and Mapping (SLAM) based on visual information.but this algorithm is complicated and computation time is long.Two improvements are introduced to optimize its performance. The linear combination of cityblock distance and chessboard distance is comparability measurement;Some partial features are used to matching. SLAM is completed by fusing the information of SIFT features and robot information with EKF. The simulation experiment indicate that the proposed method reduce computational complexity,and with high localization precision in indoor environments.【总页数】4页(P170-173)【作者】朱代先;王晓华【作者单位】西安科技大学通信与信息工程学院,西安710054;西安工程大学电信学院,西安710048【正文语种】中文【中图分类】TP911【相关文献】1.基于SIFT算法的单目视觉SLAM路标观测研究 [J], 王世浩;倪建军;王康;吴榴迎2.基于改进SIFT算法的双目视觉距离测量 [J], 李奇敏;李扬宇3.基于改进SIFT算法的单目SLAM图像匹配方法 [J], 胡为;刘兴雨4.基于双目视觉SLAM三维信息的建立与问题研究 [J], 张宇廷; 朱敏玲; 郑治伟5.基于新型多传感器融合策略的移动端双目视觉惯性SLAM闭环算法研究 [J], 任金伟;郑鑫;李昱辰;朱建科因版权原因，仅展示原文概要，查看原文内容请购买。
基于点线综合特征的双目视觉SLAM方法引言双目视觉SLAM（Simultaneous Localization and Mapping）是一种利用双目相机获取场景信息，并同时估计相机的位姿和场景三维结构的技术。
其中，点线综合特征是一种基于点和线的特征表示方法，可以用来描述场景中的结构信息。
本文将详细介绍基于点线综合特征的双目视觉SLAM方法。
点线综合特征的定义与表示点线综合特征是一种将点和线进行综合描述的特征表示方法。
在双目视觉SLAM中，可以通过将双目图像中的点和线提取出来，并将它们进行组合，从而得到点线综合特征。
点线综合特征的定义包括以下几个方面：1.点特征（Point Feature）：双目相机可以通过立体匹配算法得到一组对应的左右图像点对，这些点对被称为点特征。
点特征可以用来计算相机的位姿，同时也可以用来重建场景的三维结构。
2.线特征（Line Feature）：双目相机还可以通过线检测算法得到一组左右图像中的线段，这些线段被称为线特征。
线特征具有一定的尺度和方向信息，可以提供额外的视觉约束，有助于提高SLAM系统的精度和鲁棒性。
3.综合特征（Composite Feature）：将点特征和线特征进行综合，可以得到点线综合特征。
综合特征能够更全面、准确地描述场景中的结构信息，为SLAM系统提供更可靠的视觉约束。
基于点线综合特征的双目视觉SLAM方法框架基于点线综合特征的双目视觉SLAM方法主要分为以下几个步骤：1. 双目图像预处理首先需要对双目图像进行预处理，包括图像去畸变、图像配准、图像增强等操作。
去畸变可以校正由于镜头畸变引起的图像失真，提高图像的几何精度。
图像配准可以将左右图像进行对齐，使得它们在立体匹配时更加准确。
图像增强可以提高图像的对比度和清晰度，以便更好地进行特征提取和跟踪。
2. 点特征提取与匹配利用特征点提取算法（如FAST、SIFT、SURF等），从左右图像中提取点特征。
双目定位算法是一种基于双目视觉原理的计算机视觉方法，通过比较左右图像中的特征点，计算出特征点在三维空间中的坐标。
在Python 中实现双目定位算法，可以使用OpenCV 库和相关的双目视觉工具。
以下是一个简单的双目定位算法实现步骤：1. 安装依赖库首先，确保已安装以下依赖库：```pip install opencv-pythonpip install matplotlib```2. 导入所需库```pythonimport cv2import numpy as npimport matplotlib.pyplot as plt```3. 读取左右图像```pythonleft_image = cv2.imread('left_image.jpg', 0)right_image = cv2.imread('right_image.jpg', 0)```4. 预处理图像```pythonleft_gray = cv2.cvtColor(left_image, cv2.COLOR_BGR2GRAY)right_gray = cv2.cvtColor(right_image, cv2.COLOR_BGR2GRAY)```5. 寻找特征点使用SIFT 算法寻找左右图像中的特征点。
首先需要在左右图像上创建SIFT 对象，然后检测特征点：```pythonsift = cv2.xfeatures2d.SIFT_create()kp1, des1 = sift.detectAndCompute(left_gray, None)kp2, des2 = sift.detectAndCompute(right_gray, None)```6. 匹配特征点使用暴力匹配方法（Brute-Force Matcher）匹配左右图像中的特征点：```pythonbf_matcher = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)matches = bf_matcher.match(des1, des2)matches = sorted(matches, key=lambda x: x.distance)```7. 绘制匹配点将匹配点绘制到左右图像上：```pythondef draw_matches(img1, kp1, img2, kp2, matches):matched_points = [(kp1[m.queryIdx], kp2[m.trainIdx]) for m in matches]img = cv2.drawMatches(img1, kp1, img2, kp2, matched_points, None, flags=2)return imgdraw_matches(left_image, kp1, right_image, kp2, matches)```8. 计算三维坐标根据匹配点，使用三角测量方法计算特征点在三维空间中的坐标。
双目视觉特征点的三维坐标计算双目视觉是一种通过使用两个相机模拟人眼视觉的技术。
它可以通过计算两个相机之间的视差（即相同物体在两个相机中的像素差）来估计物体的深度，并计算出特征点的三维坐标。
双目视觉在机器人领域、计算机视觉和三维重建等方面有广泛应用。
下面将简要介绍双目视觉特征点的三维坐标计算的基本原理。
双目视觉系统由两个相机组成，分别称为主相机和从相机。
主相机通常放在一个固定位置，而从相机可以相对于主相机移动，以改变观察角度。
双目视觉的原理是基于视差的计算。
当一个物体位于不同相机的视野中时，由于视野的不同，物体在两个相机中的图像位置会有所偏移，这个偏移量称为视差。
首先，应该通过一些校准步骤来确定相机的内参矩阵和外参矩阵。
内参矩阵包括相机的焦距、主点坐标和畸变系数等参数，它们可以通过标定来测量得到。
外参矩阵包括相机的位置和姿态，可以通过对相机进行定位来获得。
双目视觉的主要步骤如下：1.特征点提取：在主相机和从相机的图像中提取特征点，例如角点或SIFT特征点等。
这些特征点在两个相机中的像素位置可以很容易地匹配。
2.特征点匹配：对于主相机和从相机中的每个特征点，需要找到在另一个相机中与之匹配的特征点。
匹配可以通过计算特征描述子之间的相似度来实现。
3.视差计算：对于每对匹配的特征点，可以通过计算它们在两个相机中的像素位置差来计算视差。
视差计算可以采用最小二乘法或其他深度推测算法。
4.深度计算：有了视差信息，可以根据相机基线和三角测量原理来计算特征点的相对深度。
根据特定的相机配置，可以通过相机内参和外参来计算特征点的三维坐标。
总的来说，双目视觉特征点的三维坐标计算可以通过特征点提取、特征点匹配、视差计算和深度计算来实现。
这些步骤需要对相机进行校准，并根据相机配置和参数来计算特征点的三维坐标。
双目视觉在计算机视觉领域有着广泛的应用，例如三维重建、目标跟踪、立体匹配和位姿估计等。
特征点的三维坐标计算是实现这些应用的关键步骤之一、它可以通过将双目相机与其他传感器（如激光雷达）结合使用来提高测量精度和准确性。
基于改进SIFT的无人机双目目标识别与定位
姚艺;黄卫华;章政;陈阳;张子然
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2022()6
【摘要】对无人机自主着陆系统中双目视觉采集到的地标图像进行了研究,在分析地标图像中存在模糊噪声以及大量背景干扰问题,提出一种基于改进SIFT算法的无人机双目视觉目标识别与定位方法。
首先,采用基于OTSU与HSV的ROI算法对无人机双目图像进行目标识别与分割预处理操作,将目标准确识别;其次,针对双目视觉获取三维信息效率慢的问题,采用基于改进的SIFT算法对已识别的地标进行特征提取,生成二进制描述符,并采用局部敏感哈希算法对特征点进行稀疏匹配,提高目标特征匹配准确度及效率;最后,采用相似三角形原理计算每个特征匹配点的三维距离,获得无人机与目标之间的平均三维距离。
实验结果表明所设计的算法相较于传统的SIFT算法更具有可行性和有效性。
【总页数】5页(P49-53)
【作者】姚艺;黄卫华;章政;陈阳;张子然
【作者单位】武汉科技大学信息科学与工程学院
【正文语种】中文
【中图分类】TH166;TG659
【相关文献】
1.基于改进的SIFT特征点的双目定位
2.基于SIFT特征点的双目视觉定位
3.基于Harris-SIFT算法的双目立体视觉定位
4.基于视差和SIFT的双目视觉移动目标识别和追踪的研究
5.基于YOLOv3的无人机目标识别与双目测距应用研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于SIFT算法的双目立体视觉测距系统作者：潘庆甫潘庆茹来源：《卷宗》2018年第31期摘要：针对双目立体视觉中的特征点提取与匹配时计算复杂度大、图像匹配时间较长的问题，提出用SIFT算法进行特征点的提取与匹配。
利用张正友标定法确定摄像机的内外参数，利用Bouguet算法进行图像的立体矫正。
建立以图像获取、立体矫正、目标检测与特征提取、立体匹配与三维重建为主要步骤的双目立体视觉测距。
实验表明，在保持原有匹配率的前提下，一定程度上提高了运算速度。
关键词：双目立体视觉测距，SIFT算法，图像匹配一个完整的双目立体视觉系统一般由摄像机标定、图像获取、图像预处理、目标检测与特征提取、立体匹配和三维测距组成。
与普通图像配准不同的是，立体像对之间的差异是由拍摄点的不同一起的，而不是由被拍摄图像的变换或运动引起的。
1 四个坐标系的转换如图1所示，图中有四个坐标系分别为世界坐标系（Ow-XwYwZw），摄像机坐标系（Oc-XcYcZc），像素坐标系（O0-uv）和图像坐标系（O1-xy）。
其中O1为摄像机光轴与图像平面的交点，称为主点，该点的坐标为O1（u0，v0），dx和dy分别为每一个像素在x轴和y轴上的尺寸，则图像中任意一点的像素在两个坐标系下的关系可以表示成：dx、dy、u0、v0其实都是我们假设出来的参数，dx、dy表示感光芯片上像素的实际大小，u0、v0是图像平面中心，最终是要我们求的内外参数。
设空间一点P在摄像机坐标系Oc-XcYcZc下的坐标为，在世界坐标系Ow-XwYwZw下的坐标为，该点在图像坐标系下的成像点为p，p点的图像坐标和像素坐标分别为和R为旋转矩阵，T为平移向量：其中，称为u轴上的尺度因子，称为v轴上的尺度因子，M1称为摄像机的内部参数，M2称为摄像机的外部参数，确定内外参数的过程称为摄像机的标定。
2 双目立体视觉的测距模型简易的双目立体视觉测距模型如图2所示，假设两摄像头的光轴平行，Ol和Or分别为左右摄像头的光心，两摄像头的光心之间的距离为b，P为目标点，根据图1建立的坐标模型可知P到两摄像头之间的距离可看作Z轴上的坐标即为Z，P在左右摄像头的成像点分别为Xl和Xr，因此，可建立以X-Z的平面模型。
双目立体视觉系统分类一、引言双目立体视觉系统是一种通过模拟人类双眼来感知物体深度的计算机视觉技术。
它模仿了人类的双眼视觉系统，并利用两个相机采集不同视角的图像，通过计算两个图像之间的视差（视点之间的差异），从而获取物体的三维信息。
本文将对双目立体视觉系统的分类进行全面、详细、完整且深入地探讨。
二、传统方法传统的双目立体视觉系统主要包括以下几种分类：1. 匹配算法匹配算法是双目立体视觉系统的核心算法之一。
它通过比较两个图像中对应的像素点（称为对极约束），找到它们之间的匹配关系，在此基础上计算视差。
常见的匹配算法包括：•基于灰度的匹配算法：使用像素灰度值进行匹配，如SAD（Sum of Absolute Differences）和SSD（Sum of Squared Differences）等。
•基于特征点的匹配算法：使用特征点提取算法，如SIFT（Scale-Invariant Feature Transform）和SURF（Speeded Up Robust Features）等，进行匹配。
2. 深度计算深度计算是双目立体视觉系统的另一个重要任务。
它通过视差计算得到每个像素点的深度信息。
常见的深度计算方法包括：•三角测量法：利用成像几何关系，利用相机的内外参，计算出像素点的三维坐标，从而得到深度信息。
•基于视差图的深度计算：根据视差图，通过一定的数学模型和滤波方法，计算出每个像素点的深度。
3. 重建方法重建方法是将双目立体视觉系统获取的二维图像信息转换为三维点云或三维模型的过程。
常见的重建方法包括：•点云重建：利用深度信息，将每个像素点转化为三维空间中的点，并通过点云生成算法，生成完整的点云模型。
•三维模型重建：利用深度信息，将每个像素点转换为三维空间中的点，并通过三维模型重建算法（如表面重建算法），生成连续的三维模型。
三、深度学习方法随着深度学习的发展，越来越多的研究者开始探索使用深度学习方法解决双目立体视觉任务。
基于改进SIFT特征的双目图像匹配算法王民;刘伟光【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)002【摘要】针对SIFT(尺度不变特征变换)算法无法准确定位物体形状特征的问题,提出了一种结合了Harris角点和SIFT算法的立体匹配方法.在DOG尺度空间提取Harris算子作为图像的特征点并为每个特征点定义主方向,计算出特征点的32维特征向量描述子并用BBF算法检索同名特征点之间的欧式距离进行匹配.在降低SIFT 算法的时间复杂度的同时提高了算法提取特征点的形状意义,在双目图像匹配实验中取得了较好的结果.%The SIFT (Scale Invariant Feature Transform) algorithm can not locate the object shape features accurately. To solve the problem, a stereo matching method based on both Harris corner and SIFT algorithm is proposed. The algorithm extracts image feature points using Harris operator and defines the main directions for each feature point. It calculates the 32-dimensional feature vectors of each feature point descriptor and uses Best Bin First (BBF) algorithm to calculate the Euclidean distance to match. The new algorithm reduces the SIFT algorithm' s time complexity and improves the real-time performance. Experimental results of image matching in binocular stereo vision demonstrate that the new algorithm has better performance than previously reported in the literature.【总页数】4页(P203-206)【作者】王民;刘伟光【作者单位】西安建筑科技大学信息与控制工程学院,西安710055;西安建筑科技大学信息与控制工程学院,西安710055【正文语种】中文【中图分类】TP391【相关文献】1.一种基于改进SIFT特征的图像匹配算法 [J], 龙文峰2.基于改进SIFT特征和图转换匹配的图像匹配算法 [J], 张官亮;邹焕新;秦先祥;林小平3.一种基于改进SIFT特征的图像匹配算法 [J], 龙文峰;4.基于改进的SIFT特征的图像匹配算法研究 [J], 胡柳;邓杰;肖瑶星;卢艳芝;曾蒸5.基于改进的SIFT特征的图像匹配算法研究 [J], 胡柳;邓杰;肖瑶星;卢艳芝;曾蒸因版权原因，仅展示原文概要，查看原文内容请购买。
