无人水面艇的双目视觉应用
水下机器人双目立体视觉定位系统研究的开题报告
水下机器人双目立体视觉定位系统研究的开题报告（以下为开题报告正文）一、研究背景水下机器人作为一种具有广泛应用前景的智能装备，已经被广泛应用于海洋资源勘探、水下搜救、海洋环保等领域。
水下机器人在进行任务执行时，往往需要精准的定位和导航能力，而水下环境复杂，导致其探测范围受到较大限制，传统的GPS等定位手段在水下难以使用，这就需要开发出一种适用于水下环境的定位系统。
双目立体视觉作为一种非接触式三维测量手段，可以有效地消除传统单目视觉测量的缺陷，提高测量精度和稳定性。
在水下机器人领域，双目立体视觉技术也得到了广泛的应用，并取得了良好的效果。
因此，本文将重点研究水下机器人双目立体视觉定位系统。
二、研究目标本文旨在开发一种适用于水下机器人的双目立体视觉定位系统。
具体目标如下：1. 设计并搭建双目立体视觉系统；2. 研究水下机器人定位算法，提高其精度和稳定性；3. 在实际水下环境中验证水下机器人双目立体视觉定位系统的有效性。
三、研究内容本文研究的具体内容如下：1. 双目立体视觉系统的设计和搭建根据水下机器人的实际需求，设计一个适用于水下环境的双目立体视觉系统。
该系统应包括可靠的照明设备、高分辨率的相机以及稳定的图像传输设备。
2. 水下机器人定位算法的研究根据水下机器人实际需求，对双目立体视觉数据进行处理，提取出机器人所在位置和姿态的相关信息，并结合陀螺仪、加速度计等其他传感器数据，实现水下机器人的定位和姿态估计。
3. 水下机器人双目立体视觉定位系统的实验验证在实际水下环境中，使用研究开发的双目立体视觉定位系统对机器人进行测试和验证，评估其定位精度和稳定性，为后续实际应用提供可靠的技术保障。
四、研究方法本文将采用以下研究方法：1. 理论研究和文献综述对现有的双目立体视觉技术进行深入学习和分析，找出适用于水下机器人的双目立体视觉算法，并针对性地进行研究。
2. 硬件开发和系统集成根据研究开发需求，设计并搭建一个适用于水下环境的双目立体视觉系统，并将其集成到水下机器人中。
基于双目视觉的水下目标图像处理与定位技术研究
基于双目视觉的水下目标图像处理与定位技术研究自主式水下运载器-机械手系统(Autonomous UnderwaterVehicle-Manipulator System,AUVMS)是一种无人无缆自主地进行海洋环境作业的装备。
及时准确地获取水下目标物信息是AUVMS自主完成水下作业任务的前提。
水下目标物信息获取主要有声视觉和光视觉两种方式,相对于声视觉,光视觉在水下近距离作业中具有更高分辨率,是目前AUVMS作业主要信息获取方式。
本文以光视觉为基础,研究水下目标图像处理与定位技术,这对于提高AUVMS的自主作业能力具有重要的研究意义和实用价值。
本文以AUVMS自主完成水下作业任务为背景,研究基于双目视觉的水下目标图像处理与定位技术,主要包括图像降噪、图像分割和目标定位方法,在这些方法研究的基础上,研制一套基于非平行双目的水下目标定位系统,该系统旨在准确、稳定且快速地获取AUVMS所需的目标信息,配合课题组研制的AUVMS完成真实的水下自主作业任务。
本文的主要研究内容概述如下:(1)研究水下图像降噪方法。
典型空间域和变换域的图像降噪方法处理水下图像时,受多种噪声叠加的干扰,降噪结果中存在图像模糊加重、甚至大量图像信息消除等问题。
针对此问题,本文提出一种基于陷波滤波和双边滤波的水下图像降噪方法,该方法通过结合陷波滤波、中值滤波和双边滤波方法,以实现对不同图像噪声的降噪处理。
不同于典型的高斯滤波和中值滤波方法中采用固定窗口进行降噪的思路,本文方法通过判断邻域内像素值特征来改变滤波窗口的大小,并且增加相似性判断函数来提高降噪效果;不同于小波方法对分布较一致的小波系数进行置零处理的思路,本文方法中通过估计邻域的方差来确定权值函数,以提取噪声的主频率分量,来降低图像噪声。
通过水下图像降噪对比实验验证本文降噪方法的有效性。
(2)研究水下图像分割方法。
为满足AUVMS自主作业对图像处理的要求,本文采用耗时较少的典型阈值分割方法和灰度化方法(NTSC方法和ELSSP方法)处理水下图像时,受灰度图像中部分目标区域与背景区域间的对比度较低等因素影响,分割结果中存在的目标与背景粘连、目标分割不完整、分割耗时较长等问题。
基于双目视觉的水面障碍物识别算法
基于双目视觉的水面障碍物识别算法基于双目视觉的水面障碍物识别算法是一种应用于水下机器人、水下潜艇、水下无人船等水下机器设备中的技术。
该算法利用双目视觉系统获取的水下图像信息，通过图像处理和计算机视觉算法识别水下障碍物，进而实现对水下环境的感知和导航。
在双目视觉系统中，通常由两个相机组成，分别模拟人眼视觉系统的左右眼。
每个相机将获取到的图像通过图像传感器转换为数字图像，并通过图像处理算法来进一步处理这些图像。
双目视觉系统具有视差（两个相机视野中物体的像素差异）的优势，可以提供更加准确的深度信息。
水面障碍物识别算法的步骤通常包括以下几个方面：1.图像获取：利用双目相机获取水下图像。
为了提高图像质量，可以使用滤波和调节相机参数等技术。
2.图像畸变校正：由于相机镜头等因素，图像中可能存在一些畸变，需要对图像进行畸变校正，以提高识别的准确性。
3.特征提取：对水下图像进行特征提取，一般可以使用边缘检测、角点检测等算法来提取水下图像中的关键特征。
4.匹配和深度计算：通过计算不同视角下图像的视差，可以计算出水下图像中物体的深度信息，从而判断是否存在障碍物。
5.障碍物判定：根据深度信息和阈值等条件，判断水下图像中的物体是否为障碍物。
如果是障碍物，则需要进行相应的避障处理。
6.算法优化与扩展：根据实际应用需求和场景变化，对算法进行优化和扩展，提高算法的性能和鲁棒性。
基于双目视觉的水面障碍物识别算法可以应用于水下机器人、水下潜艇、水下无人船等水下机器设备的导航和自主避障任务中。
通过该算法，这些水下机器设备可以对水下环境进行感知和理解，提高自身的安全性和可靠性。
此外，该算法还可应用于水下考古、水下勘探、水下环境监测等领域，为相关领域的研究和应用提供有力支持。
机器视觉SLAM在无人潜艇中的应用研究
机器视觉SLAM在无人潜艇中的应用研究随着科技的不断发展，无人潜艇越来越成为深海探索和海上监测的重要工具。
无人潜艇有着很强的适应能力，能够在恶劣的海况下完成各种任务，例如获取海底地形数据、进行海洋资源勘察、执行卫星通信任务等。
在无人潜艇的探索行动中，机器视觉SLAM技术也逐渐成为研究热点。
什么是机器视觉SLAM？SLAM是Simultaneous Localization and Mapping的缩写，即同时定位和建图。
它是一种利用传感器信息实现地图构建和机器人定位的技术。
机器视觉SLAM是利用摄像头获取环境信息的SLAM技术。
机器视觉SLAM技术可以实现机器人自主定位和环境地图构建。
它将机器人的位置和周围的环境信息进行联合估计，生成机器人定位位置和环境地图。
通过SLAM技术，机器人可以自主感知环境，避免障碍物，执行更多的任务，这是实现机器人自主控制的重要手段。
机器视觉SLAM在无人潜艇中的应用机器视觉SLAM技术在无人潜艇中的应用主要包括对海底环境的实时感知和控制指令的反馈。
在无人潜艇的探测任务中，机器视觉SLAM可以实现以下几个方面的功能：1. 海底地形构建机器视觉SLAM可以通过潜艇载有的摄像头获得海底地形信息，根据数据生成海底地形地图。
同时，潜艇可以通过自身航行路径对地图进行更新。
这种实时构建海底地形的技术可以为后续的海洋资源勘测与利用提供更准确的数据。
2. 海底障碍物感知在进行海底探测任务时，机器视觉SLAM可以通过摄像头感知海底障碍物，并将障碍物信息融合到机器人位置估计和环境地图中。
这样可以避免机器人撞到障碍物，提高探测任务的安全性和效率。
同时，在潜艇远离设备的情况下，它还可以自主感知障碍物并做出决策。
3. 任务执行状态的感知机器视觉SLAM可以实时感知潜艇的位置、速度、深度等运动状态信息。
这些信息可以通过SLAM实时反馈给机器人控制系统，控制指令可以根据机器人当前的状态和任务进度进行调整，确保任务的顺利完成。
基于双目视觉的水上目标测距与识别算法研究
基于双目视觉的水上目标测距与识别算法研究目前,许多国家都在对水上装备智能化、无人化技术进行研究,研究的重点方向之一就是水上装备的环境感知技术。
双目立体视觉技术作为重要的环境感知技术,受到研究人员的重视。
本文对双目测距中的关键技术和水上目标识别算法进行了深入研究,通过实验验证了双目测距算法和目标识别算法的可行性以及可靠性。
论文主要完成的工作如下:第一,对双目测距中匹配代价获取的关键技术进行优化改进,针对传统Census变换对中心像素过于依赖,噪声影响下匹配效果差的问题提出了一种改进的Census变换,利用改进的Census变换进行立体匹配,提高了立体匹配算法对噪声的鲁棒性和执行效率。
第二,对双目测距过程中采用的局部立体匹配算法流程进行调整优化,结合水上目标测距与识别这一最终目的简化传统局部立体匹配的流程,首先采用自适应设定滞后阈值的Canny算子以及Snake模型对水上目标的轮廓进行提取,然后在轮廓区域内采用自适应窗口进行匹配代价聚合,避免在深度不连续区域产生误匹配。
最后对视差进行优化,得到目标视差,进一步计算出目标的距离信息。
采用优化改进的算法进行测距实验,测距精度达到了无人艇避障以及视觉侦察的要求。
第三,结合水上目标的特点进行目标的识别分类。
由于像水上船舶这类目标较水上岛屿等目标具有明显的形状差异。
因此对水上目标的形状特征、Hu矩特征进行提取,将提取出的目标特征作为分类支持向量机的输入,对水上目标进行舰艇目标的识别和分类。
实验验证时选择高斯径向基核函数的支持向量机进行样本的训练和测试实验,取得了很好的分类识别效果。
双目 水面特征
双目水面特征
双目水面特征是指利用双目摄像头对水面进行拍摄，通过分析拍摄到的图像来提取水面的特征。
具体而言，双目水面特征可以包括以下几个方面：
1.水面纹理：通过分析双目图像中水面的纹理，可以提取出水面的特征信息。
例如，水面的波浪、水草、浮游生物等都可以被提取出来，用于水体状态的判断和分析。
2.水面颜色：双目摄像头可以捕捉到水面的颜色变化和分布情况。
通过对双目图像中水面的颜色进行分析，可以提取出水体的颜色特征，例如水体的蓝绿比例等，用于水体污染程度和水质状况的评估。
3.水面波动：利用双目摄像头可以观察水面的波动情况。
通过对双目图像中水面波动的相位、频率和幅度等信息进行提取，可以判断水体的流动状态和水流速度等。
4.水面目标识别：双目水面特征还可以用于水面目标识别。
通过对双目图像中的水面进行特征提取和比对，可以识别出水面上特定目标的位置、形状和运动轨迹等信息，例如船只、浮标、水生动物等。
综上所述，双目水面特征可以提供多方面的水体信息，对于水体监测、环境保护、水下机器人等领域都具有重要的应用价值。
一种用于无人船海面障碍物测距的双目视觉系统
doi：10.3404/j.issn.1672 – 7649.2019.12.024
A stereo vision system for marine obstacle ranging of unmanned surface vehicles
LI Fang-xu1, JIN Jiu-cai2, ZHANG Jie1,2, LI Li-gang1, DAI Yong-shou1 (1. College of Ocean and Space Information, China University of Petroleum (East China), Qingdao 266580, China;
2. Laboratory of Marine Physics and Remote Sensing, First Institute of Oceanography, Ministry of Natural Resources, Qingdao 266061, China)
Abstract: Stereo vision has the advantages of high ranging accuracy in short-range, rich content of obtained images. Therefore, it is a research hotspot in the field of obstacle avoidance for unmanned surface vehicles (USVs). Stereo matching is the key of stereo vision ranging. However, the irregular shaking of hull increases the scale and brightness difference of obstacles between binocular images, which is easy to cause matching errors. To improve the accuracy of stereo matching, an improved AKAZE features method is proposed in this paper. By extracting and matching contour corner points of obstacles in a nonlinear scale space, the position of the obstacle can be measured accurately. Based on the method proposed in this paper, a wide-baseline stereo vision system named SV-100 with water and salt resistance is developed, which is suitable for USVs working environment. The test experiment of the system was carried out. The results verified that the ranging error of the system within 100 m was less than 6 m.
计算机视觉技术在无人值守船舶中的应用
计算机视觉技术在无人值守船舶中的应用随着人工智能技术的飞速发展，计算机视觉技术在各个领域中得到了广泛的应用，其中无人值守船舶领域也不例外。
无人船舶作为一种新型船舶运输方式，得到越来越多的重视和关注。
而计算机视觉技术的应用，则可以帮助无人船舶实现更高效、更精准的运行。
一、计算机视觉技术在无人船舶中的应用1. 船舶自主控制无人船舶的自主控制是指其在没有人类干预的情况下，能够依据航行区域、气象等多种条件实现自主航行、自主作业和自主停泊等多种操作。
而计算机视觉技术可以通过对视觉数据的处理和分析，实现无人船舶自主航行、障碍物识别、自动标定等多种任务。
例如，通过图像识别技术，可以对航道上的航标、障碍物等进行自动识别和定位；通过图像处理技术，可以实时获取船身周围的水质和气象变化情况，更好地掌握环境信息，从而实现更精准航行控制和作业调度。
2. 船舶安全监控在无人船舶运行过程中，安全监控是一个至关重要的环节。
而计算机视觉技术可以通过视觉监控、目标追踪等手段，实现无人船舶的远程安全监控和实时预警。
例如，在实时监测船舶周围环境情况的基础上，计算机视觉系统可以自动识别危险水域、险情、船只等，并发出警报提示操作人员做好相应措施。
同时，在船舶进出港口、停泊等操作过程中，计算机视觉技术也可以对船舶进行相应的识别和监控，实现船舶运行全程的安全控制。
3. 联合作战无人船舶在海上联合作战中发挥着越来越重要的作用。
而计算机视觉技术，则可以实现无人船舶与其他船舶的协同作战。
例如，通过对船舶周围环境的监测和分析，计算机视觉系统可以指导无人船舶的航行路线规划，提供精准的作战指挥。
同时，在联合作战中，计算机视觉技术也可以通过目标识别和追踪等手段，实现无人船舶与其他船舶、飞行器等的协同作战和协同攻击。
二、计算机视觉技术在无人船舶中的挑战和前景在计算机视觉技术在无人船舶中的应用中，也面临着许多挑战和问题。
首先，无人船舶的控制与协作需要对海底地形、水深、水流等信息进行大范围、多层次和多维度的感知和获取，这就需要计算机视觉技术的视觉信息处理速度和成像质量等方面有了更高的要求。
视觉导航在智能无人船中的应用研究
视觉导航在智能无人船中的应用研究随着科技的飞速发展，智能化无人船的应用越来越广泛，其中视觉导航技术被广泛应用于无人船的导航和控制系统中。
视觉导航技术是利用摄像头或雷达等视觉感知设备获取外界环境信息，再通过算法处理和识别，为无人船提供精确的位置信息和环境感知能力。
视觉导航技术在智能无人船中的应用研究已经成为热点问题，本文将探讨视觉导航在智能无人船中的应用研究发展现状、存在的问题及未来发展趋势。
一、视觉导航在智能无人船中的应用研究现状1. 视觉导航技术的原理视觉导航技术是利用摄像头或雷达等感知设备获取外界环境信息，把这些信息转化为数字化信号，再通过算法处理和识别，提取出物体的特征，计算物体的位置和运动状况，进而为智能无人船提供精准的导航和控制能力。
2. 视觉导航技术的应用在智能无人船中，视觉导航技术主要应用于以下领域：（1）无人船的自主导航：利用视觉导航技术定位、判断和识别障碍物，控制无人船的运动轨迹。
（2）无人船的自主避障：利用视觉导航技术判断避障物体，避免无人船与障碍物相撞。
（3）无人船的目标跟踪和感知：利用视觉导航技术跟踪、识别和定位目标物体，包括其他船只和水生动物等。
3. 视觉导航技术的发展随着科技的不断进步，视觉导航技术已经越来越成熟，并成功应用于智能无人船中。
目前，国内外智能无人船领域的科技公司和研究机构，如DJI、亿航智能、华为技术、MIT等，都已经开展了相关视觉导航技术的研究和应用。
不断涌现出高精度的视觉导航技术和成熟的无人船控制系统，为无人船智能化应用提供可靠保障。
二、视觉导航在智能无人船中存在的问题1. 受天气和光照等因素影响视觉导航技术在处理图像信息时，容易受到现实环境因素的干扰，如强光、阴雨天气等，影响了感知设备的精度和稳定性。
2. 识别率和鲁棒性有待提高视觉导航技术的识别率和鲁棒性还有待提高，部分图像特征无法有效识别和准确提取，这对无人船控制和导航带来了一些难题。
3. 硬件和算法不成熟虽然视觉导航技术已经实现了单点精度，但仍然存在一些硬件和算法方面的不成熟问题。
无人潜航器双目视觉关键技术研究
无人潜航器双目视觉关键技术研究摘要：双目视觉研究主要集中在视差计算、立体重建和深度估计等方面。
视差计算是根据左右两个相机采集到的图像，通过计算对应像素之间的位移，从而得到目标物体与相机之间的距离。
立体重建则是通过这些距离信息将多个视角的图像融合，形成一个立体场景。
而深度估计则是利用机器学习的方法，通过训练模型来推断目标物体的具体深度。
这些研究成果为潜航器提供了更加精确的环境感知能力，进一步提高了其在海底勘探和资源开发中的应用价值。
关键词：无人潜航器；双目视觉；关键技术引言无人潜航器双目视觉关键技术的研究不仅对于海洋科学研究和资源勘探具有重要意义，也对于军事侦察、环境监测、水下考古等领域具有广泛应用前景。
双目视觉技术的发展将进一步推动无人潜航器的自主性、智能性和灵活性。
在军事领域，无人潜航器配备双目视觉技术可以提供更加可靠的目标识别和目标定位能力，为军队提供更强大的侦察和打击手段。
在环境监测方面，潜航器利用双目视觉技术可以对海洋生态系统进行实时观测和数据收集，帮助科学家更好地了解海洋环境变化和生物多样性。
双目视觉技术还可以应用于水下文化遗产保护和考古发掘，提供更精确、全面的调查和研究手段。
1双目视觉技术1.1双目视觉技术的原理（1）视差原理：当一个物体位于不同位置时，它在两个眼睛中的投影位置也会有所不同。
这种差异称为视差。
根据视差的大小，我们可以推测出物体距离相机的远近关系。
（2）立体视觉原理：人类双眼的分别观察到的图像会被大脑处理并形成一个立体视觉的感知。
双目视觉技术也是基于这个原理，通过对两个不同位置的图像进行匹配，从而计算出物体在三维空间中的位置。
1.2在实际应用中，双目视觉技术步骤（1）图像获取：使用两个摄像头或图像传感器获取目标物体的图像。
（2）校准：根据相机的内外参数以及摄像头之间的几何关系，对两个图像进行校准和对齐，使得它们在水平和垂直方向上具有一致的视角和尺度。
（3）物体检测与匹配：在两个图像中检测出物体，并根据特征点或纹理来进行匹配，找到对应的点对。
计算机视觉在无人船识别与导航中的应用研究
计算机视觉在无人船识别与导航中的应用研究概述：无人船作为一种无人驾驶水上交通工具，具有识别和导航的重要需求。
计算机视觉技术作为一种能够模仿人类视觉系统的技术，在无人船识别与导航中起着重要的作用。
本文将探讨计算机视觉在无人船识别与导航中的应用研究，并介绍相关的技术和方法。
一、无人船识别中的计算机视觉应用1. 目标检测与识别无人船的识别是实现导航的重要前提。
计算机视觉技术可以通过目标检测与识别算法，对无人船进行准确的识别与分类。
这些算法利用图像特征提取、机器学习和深度学习等技术，能够从无人船的外观、形状等特征中识别出无人船的类型，并对其进行监测和跟踪。
2. 姿态估计与跟踪为了更好地控制无人船的运动，准确估计无人船的姿态信息是非常重要的。
计算机视觉技术可以通过多视角图像融合的方法，实现对无人船姿态的估计和跟踪。
这些方法利用摄像头获取的多个视角图像，通过计算机视觉算法实现图像融合，从而准确估计无人船的姿态信息，并及时反馈给导航系统，实现精确的导航控制。
3. 避障与路径规划无人船在航行过程中，需要避免与其他船只、障碍物等发生碰撞，这就需要进行避障与路径规划。
计算机视觉技术可以通过对周围环境的感知与分析，实现无人船的避障和路径规划。
其中，利用图像处理技术对环境进行识别与分割，并结合机器学习算法实现障碍物的检测与定位，从而为无人船的路径规划提供准确的输入数据。
二、计算机视觉在无人船导航中的挑战与解决方法1. 光照和天气条件在实际应用中，无人船面临着光照和天气条件不稳定的问题。
这会导致图像质量下降，影响计算机视觉算法的准确性。
为了解决这一问题，可以采用图像增强和增强型机器学习算法，通过抑制光照变化和噪声干扰，提高图像质量和算法的鲁棒性。
2. 实时性和效率无人船导航需要及时的响应和决策，因此计算机视觉算法的实时性和效率成为挑战。
为了提高算法的实时性，可以采用硬件加速、并行计算和优化算法等方法，减少图像处理和计算的时间消耗，从而保证无人船导航的实时性。
基于双目视觉的无人船障碍物探测与地图构建
基于双目视觉的无人船障碍物探测与地图构建黄倚天;朱晓辉;王杰华;刘瑞【摘要】在无人船的巡航过程中,如何探测和躲避障碍物是必须解决的问题;由于无人船自主巡航依赖于其自身对所处环境的精确探测,而目前一般采用的超声波或雷达技术探测距离和精度较低,避障功能弱,因此需引入视觉方法来提升避障精度,并用于轨迹生成、定位或路径规划;为无人船搭建双目视觉系统,提出采用双目直接稀疏里程计算法构建无人船所处三维空间模型,将构建的三维点云图转化为二维网格图并标记障碍物,为避障系统进行路径规划提供障碍物数据;实验结果表明,该系统对真实河流环境进行了地图构建,并解决了水上环境构建存在的“虚拟障碍”等问题.【期刊名称】《计算机测量与控制》【年(卷),期】2019(027)008【总页数】5页(P193-197)【关键词】无人船;双目直接稀疏里程计算法;障碍物探测;地图构建【作者】黄倚天;朱晓辉;王杰华;刘瑞【作者单位】南通大学计算机科学与技术学院,江苏南通226019;南通大学计算机科学与技术学院,江苏南通226019;南通先进通信技术研究院,江苏南通226019;西交利物浦大学计算机科学与软件工程系,江苏苏州 215123;南通大学计算机科学与技术学院,江苏南通226019;南通大学计算机科学与技术学院,江苏南通226019【正文语种】中文【中图分类】TP3910 引言在智能化水质监测任务中，无人船扮演着重要角色[1-2]。
无人水质监测船在其自主航行作业时需要自动巡航并自主避障，周围环境感知是先决条件，因此智能化识别周围环境是实现避障的关键技术[3]。
由于现有无人水质监测船一般采用超声波避障，其只能探测船体前方障碍物，且探测距离和精度较低、避障功能弱，而雷达系统在近距离内又存在盲区，因此无人船真正实现自动巡航和自主避障需要引进视觉系统[4-6]。
如今，实时视觉测距(VisualOdometry，VO)和视觉实时定位与地图构建(Visual Simultaneous Localization And Mapping，VSLAM)已成为热门的研究课题。
基于视觉信息融合技术的水面船只检测技术开发
基于视觉信息融合技术的水面船只检测技术开发
包琳
【期刊名称】《舰船科学技术》
【年(卷),期】2022(44)19
【摘要】无人船艇作为一种新兴船舶,不论在军事领域还是商业领域都具有非常重要的价值。
本文的研究方向是水面无人船目标检测技术开发,分别介绍了毫米波雷达目标探测技术和计算机视觉目标识别技术的原理,基于2种目标探测手段,开发一种基于信息融合的水面船舶目标检测技术,从时间配准和空间配准等方面进行详细阐述。
【总页数】4页(P134-137)
【作者】包琳
【作者单位】大连海洋大学
【正文语种】中文
【中图分类】U655.24
【相关文献】
1.基于双目视觉信息融合的移动机器人避障研究基于双目视觉信息融合的移动机器人避障研究
2.基于视觉注意机制的遥感图像船只检测
3.基于HSI的视觉注意力模型及其在船只检测中的应用
4.基于视觉显著性的海面船只候选区域检测方法
5.基于时空信息融合的无人艇水面目标检测跟踪
因版权原因，仅展示原文概要，查看原文内容请购买。
基于双目检测的无人艇避障方法
基于双目检测的无人艇避障方法发表时间：2020-07-17T06:24:11.120Z 来源：《现代电信科技》2020年第4期作者：张晔刘宇顾凯[导读] 为了满足小型水面无人艇控制设备体型小，系统实时性高的避障要求，提出了一种基于FPGA对双目摄像头图像处理获取障碍物的距离大小等数据从而进行分析的静态避障方法。
在对障碍物原始图像RGB值数据的充分利用基础上，避障算法提出碰撞危险系数和避碰方向系数对是否需要避障以及如何避障进行判断，最后以实际实验和仿真验证该避障方法的可行性和有效性。
张晔刘宇顾凯（江苏科技大学电子信息学院江苏镇江 212003）摘要：为了满足小型水面无人艇控制设备体型小，系统实时性高的避障要求，提出了一种基于FPGA对双目摄像头图像处理获取障碍物的距离大小等数据从而进行分析的静态避障方法。
在对障碍物原始图像RGB值数据的充分利用基础上，避障算法提出碰撞危险系数和避碰方向系数对是否需要避障以及如何避障进行判断，最后以实际实验和仿真验证该避障方法的可行性和有效性。
关键词：双目摄像头；测距；横截距；避障1.引言水上无人艇是一种轻型智能水面运载工具，具有体积小、造价低、速度快、机动性强等特点[1]。
近年来，随着控制、传感、无线通信技术的不断进步，无人水面艇得到了迅速发展。
通过搭载不同的设备，无人水面艇可以应用在不同的领域，如环境监测、水质采样、海岸保护、海底测绘、军事等[2]。
然而水面避障一直是水上无人艇难以大规模应用的难题之一，现阶段虽然已有典型的几种避障方式，但运算量大，设备要求较高，难以运用在搭载嵌入式设备的无人艇上[3]。
为提高运算速度，增强实时性，本文提出出一种基于FPGA对双目摄像头图像处理的静态避障方法。
2.系统实现双目摄像头测距指的是通过在不同位置的摄像头检测出两幅画面中物体的位差，通过计算机图像处理确定物体的轮廓信息。
若双摄像头光点处于同一垂直面上且摄像头检测角度相同，即可通过计算检测出物体与此垂直面的垂直距离。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
83 /
学术
ACADEMIC
左相机视图 右相机视图
图像预处理 图像预处理
匹配 代价 计算
代价 聚合
图4 本文算法结构
视差 计算
生成 点云 视图
（a）左目视图
（b）右目视图
图3 无人艇双目采集平台
Il
IR
y
y
（c）生成视差图像
（d）环境点云视图
x
（a)参考图像
X-dx X （b)匹配图像
（1）
由 (1) 式可知深 度 Z 可由 (2) 式
给出
（2）
最终化简 (2) 式可得式 (3)
（3）
由以 上计算过 程可知 双目测 距 精 度主要取决于基线长度以及图像分辨 率等因素。
3. 海上双目采集实验 本次实验中所使用双目视觉实验
装置如图 3 所示，包括无人艇移动采 集平台，工 业 摄像机，图像采 集计算 机等部分。
关键词：双目视觉 无人艇 usv
1. 引言 无人艇又称 USV（Unma nned
Sur face Vessel）相 较 于 无 人车， 无 人机 而 言还 是 一 个比 较 陌 生 的 无 人 系统平台，与前者不同的是，其工 作 场 景 是 在 海 洋，江 湖 等 区 域，能 够 执 行 海 洋 侦 察，运 输，作 战 等 多 种 任 务，另 外还 具 有适 应 恶 劣环 境 ， 高 速 灵 活 机 动 性 的 特点，双目视 觉 技术是一种被动式环境感知技术， 在获 得左 右目图像 的同时可以计算 出 环 境 的 深 度信息，且 能 够 根 据 观 测需要动态调整以适应环境观测需 要，具有低 成本等 优势，将双目视觉 技 术应用于海洋场景下越 来越受到 关注。
置。对左视图每一像素点在右视图中
以 此 方 法 搜 索 遍 历 全 图，获 得 最 终
深度图。
5. 实验与总结 对海洋场景下所采集立体图像对
运 用本 文 算 法 进 行立体 匹 配 计算，生 成 场 景下的 视 差视图，并将 结 果 映 射 到 三 维 空间，对 场 景中三处 物 标 度 量 其空间距离与激光测距结果相比较， 图像采集结果如图 6 所示。
2. 双目视觉模型
双目视觉技术是基于图像视差而
实现，通 过 匹 配计算左 右 视图中同一
物 体对应像素的 视 差，根 据 三 角测 距
原理 获 取 对应目标 空间距离信息。图
1 所示为理想状态下双目视觉系统投
影模 型，
空间中一点，投
影 到 左 右 摄 像 头 坐标 系的 投 影点 分
别为
和
，基 线 长 度
P(Xw,Yw,Zw)
Zc1 Zc2
v
u
o1
f
P1(u1,v1)
P2(u2,v2)
v
o2
u
f
S1yc1S2Fra bibliotekxcyc2
b
图1 双目系统模型
P(X,Y,Z)
xleft P1
Z
-x P2
right
f
B
图2 双目系统视差模型
4. 立体匹配计算 双目视觉系统中的图像立体匹配
(stereo correspondence) 是 获 得 场 景深 度信息 的 关 键，立体 匹 配 的目的 是在左右视图中找出相应的匹配点， 并且计算出 视 差，从 而 生 成 视 差 图 像 (disparity map),Scharstein D 所提 出的 立体 匹 配 过 程 包含 四 个 部 分，即 匹配代价计算、代价支持聚合、视差计 算最优化以 及视 差校 正。本 文 算 法 结
图6 海上平台采集图像对与深度视图
图5 SAD匹配过程
图7 测量距离与测量误差曲线
构如图 4 所示。 对 于 匹 配 代 价 计 算 而 言，常用 的
算法有灰度相关绝对误差和 (SAD)， 误差平方和 (SSD)，本文使用 SAD 算 法对左右视图进行匹配实验，对于图 像 灰 度相 关计算 而 言，左 右 视 图灰 度 不一致会使立体匹配计算难以取得理 想 效 果，因此 需 要对图像 进 行 预 处 理 以减少这种亮度差异，增强纹理特征。 其中 SAD 的匹配计算过程如图 5 所示，
为 b，摄像头距为 f，对应的双目视差
计算 模 型 如图 2 所 示 Xleft 为 空间投 影点在左摄像头传感器坐标中 x 坐
标 位 置，Xright 为 空 间 投 影点 在 右 摄 像头传感器坐标系中 x 轴坐标位置，
视 差 d=（X left -Xright）根 据 三 角 形 相 似性原理可得公式（1）
无人水面艇的双目视觉应用
◎ 费鹏 李鑫 大连海事大学航海学院
摘 要：双目视觉技术在汽车辅助驾驶，三维重建，机器人等领域具有广泛应用，本文通过实 验，将该技术应用于海洋场景下实现无人艇对环境的感知，本文通过海上实验平台，实地采集 了海洋场景下的左右目视图，并对校准后的双目运用SAD方法进行视差立体匹配计算并最终生 成海面场景下的视差图像，在ROS下将视差图像映射到三维点云空间，通过点云测量距离与激 光测距距离相比较得到双目观测误差的结果，本文通过实验验证了双目视觉技术应用于海洋环 境下为无人水面艇提供视觉导航的可行性，具有一定的实用意义。
参考文献 ： [1]Bertram V.Unmanned surface vehicles-a survey[J].Skibsteknisk Selskab,Copenhag en,Denmark,2008,1:1-14. [2]Cyganek B,Siebert J P.三维计算机视觉 技术和算法导论[M].陆军,懂晓睿,译.北京:国 防工业出版社,2014. [3]张如如.基于双目立体视觉三维重建方法 的研究[D].聊城大学,2018. [4]Scharstein D,Szeliski R.A taxonomy and evaluation of dense two-frame stereo correspondence algorithms[J]. International journal of computer vision,2002,47(1-3):7-42.
在极线搜索空间内使用滑动窗口在极
线 上计算与参 考 图 像 匹 配 距离，匹 配
度量公式如式 4 所示。
（4）
其中
为差的 绝 对值 之
和，
为左图一定大小窗口下的
像素 点 灰 度值，
为右图以相
同 大 小窗口进 行 水平 极 线 搜 索 得 到
的 像 素 值 点 灰 度，SSAD(x,y) 取 得 最 小 值 的 位 置，即为 相匹 配 的 像素 点位
对双目测距结果与激光测距结果
目标1 目标2 目标3 目标4
双目测量 激光测距
距离(m) 26.7 31.3 38.7 43.0
距离(m) 27.1 32.8 41.2 46.1
误差(m)
0.4 1.5 2.5 3.1
表1 测量结果
相比 较，结果 如表 1 所 示，对应的距 离与误差曲线如图 7 所示。