Feature Motion for Monocular Robot Navigation
單視覺機器人 – 追蹤 (tracking) 最常見的機器人導航技術 特徵點特性(特別 匹配性 抗破壞性) 特徵點取得(區塊 尺度不變)
單視覺機器人 – 追蹤 Good features to track
圖像特徵點 移動規律 ( 映射 ) 平面影像上的立體變化
單視覺機器人 – 追蹤 SIFT (Scale-invariant feature transform )
特徵點擷取 特徵點描述 128 維度特徵指標 ( 方向 梯度… )
高準確度
單視覺機器人 – 追蹤 Harris corner ( 改進 Moravec corner)
目標 決定目標物在下張影像的位置 手段
旋轉 非等性變形 映射 (homography: 單應性 )
瑕疵 homography transforms
同一物體在兩張圖片中的對應方法 非精準 可接受 需要明顯對應物
瑕疵 homography transforms
同一物體在兩張圖片中的對應方法 非精準 可接受 需要明顯對應物
僅能單一平面對應
瑕疵 解決
homography transforms 計算各種不同的 H
使用 RANSAC 方法選擇最佳 H
最佳化映射對應 RANdom SAmple Consensus (RANSAC)
重複 N 次: 隨機取四組對應特徵點,帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射,求出
特徵點在影像 B 所在位置,並計算匹配距離 給定 d ,記錄該次匹配距離 <d 的特徵點對應數目
選擇最佳參數
決定 H 使用 Direct Linear Transformation (DLT)
決定 H 使用 Direct Linear Transformation (DLT)
決定 H 使用 Direct Linear Transformation (DLT)
決定 H 使用 Direct Linear Transformation (DLT)
最佳化映射對應 RANdom SAmple Consensus (RANSAC)
重複 N 次: 隨機取四組對應特徵點,帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射,求出特
徵點在影像 B 所在位置,併計算匹配距離 給定 d ,記錄該次匹配距離 <d 的特徵點對應數目
選擇最佳參數
決定 H 使用 Direct Linear Transformation (DLT)
計算 SVD參數即為 V 之最下面那行
特徵追蹤 取得 H ,套用在低特徵物體 Normalized Cross Correlation(NCC) 精確對應
window 灰階 -> 統計 -> 向量 -> 夾角
應用 Autostitch Google Map Microsoft Photosyth