光學圖像的多粒度環(huán)境感知算法.pdf

1、環(huán)境感知不同于傳統(tǒng)離線的三維重建方法，強調(diào)以低成本、易于獲取的硬件平臺實時或接近實時地理解真實工作環(huán)境，并根據(jù)實際應用需要建立所需精度的環(huán)境模型，是自主機器人、快速三維重建、增強現(xiàn)實等諸多熱門領域的重要基石。當前，實現(xiàn)環(huán)境感知最為流行的理論框架是同步定位與建圖，即同時獲取感知設備的三維姿態(tài)和環(huán)境三維結構，并相互指導對方計算、生成。其中，基于彩色、紅外等光學圖像的同步定位與建圖，由于光學圖像所蘊含的豐富信息和感知設備的廉價易得等特性，受到

2、研究者的廣泛關注。雖然許多研究者30年間在這個領域不斷耕耘，但是其中依然存在由諸多因素如：計算性能限制、傳感器噪聲、室外等不可控的感知環(huán)境和實際應用需求的多樣化等導致的魯棒性問題亟待解決。
　　針對以上問題，本文采用概率八叉樹模型和濾波理論研究多源異構光學圖像的多粒度時態(tài)融合與多尺度表示，以及單源誤差剔除方法，探索環(huán)境感知，尤其是室外等不可控環(huán)境下的感知問題。所完成的主要工作包括：
　?。?）提出了基于光學圖像的多粒度環(huán)境感

3、知算法。算法通過概率八叉樹擬合真實三維環(huán)境，壓縮并統(tǒng)一表示由多源異構光學圖像生成的多粒度點云模型。同時，配以適宜的剪枝與歸并方法用于概率八叉樹的多粒度融合與表示、以及提升環(huán)境模型的存儲效率。進一步在相機運動過程中，通過卡爾曼濾波動態(tài)融合多粒度點云模型的概率八叉樹表示。最終生成唯一的時態(tài)融合概率八叉樹三維模型，簡稱TFPOM，能夠在較少的噪聲影響下以任意粒度動態(tài)擬合真實環(huán)境。最后，算法從基于環(huán)境模型的視覺導航和增強現(xiàn)實兩個方面，通過姿態(tài)估

4、計的誤差和運動模糊恢復質(zhì)量評價其在不可控環(huán)境下的表現(xiàn)。
　?。?）提出了針對室外增強現(xiàn)實場景的濾波增強感知算法。室外不可控場景下的環(huán)境感知問題還體現(xiàn)在TFPOM容易受到光照條件以及環(huán)境紋理的影響。為此，本文算法通過高斯-拉普拉斯算子將輸入視頻幀所生成的圖像金字塔濾波，突出場景中的邊緣和細節(jié)。然后，在特征點幀間匹配過程中，利用最終得分均值和平均搜索長度值確定匹配閾值以適應濾波變化后視頻幀強烈的對比度變化，并使用雙向光流法提升匹配精度