Диссертация (1090939), страница 13
Текст из файла (страница 13)
Цветные изображения,поступающие с RGB камеры, имеют глубину цвета 8 бит/канал. Приразработке и тестировании алгоритма использовались различные тестовыенаборы данных, полученные при различных условиях освещения и характереокужающего пространства. [74,71,87]. На рисунке 2.33 приведены картаглубины и RGB изображение, полученные при работе алгоритма. Наизображениях отмечены двумерные координаты особых точек в плоскостицветного изображения, полученных с помощью детектора SURF, и значениярасстояния до этих точек, полученные с помощью анализа карты глубины.Черныеобластикартыглубны,полученнойпрограммно-аппаратномспособом с помощью RGBD камеры, говорят о том, что в этих диапазонахкоординат особых точек, получение данных о расстоянии невозможно.
Этанеопределенность может вносить сильные искажения в одометрическиеданные, получаемые в форме матрицы поворота и вектора переноса.Частичным решением даннойпроблемы является получение искомогозначения на карте глубины методом медианного среднего в пределах95прямоугольной области заданного радиуса вокруг особой точки. В даннойработе использовалась локальная область размером 5×5 пикселей. Задачапредобработки карты глубины подробно рассматривается в следующей главедиссертации.(б)(а)Рис. 2.33. Особые точки на карте глубины (а) и цветном изображении (б),полученных с камерыНа рисунке 2.34 приведена полученная траектория движения камерыдля последовательности №1 набора тестовых данных [87].Рис. 2.34. Траектория движения камеры, полученная методом SLAM всравнении с действительной траекторией движения.96Набор соответствий между особыми точками и положение камеры впространстве представляют собой одно из состояний фильтра частиц.
Векторсостоянийформируетсясоспоставлениявнаблюдаемыхсоответствииориентиров,сразличнымиспособамидостигаемымихарактеромформирования их наборов. Так, множество особых точек, полученное длятекщего кадра сопоставляется последовательно с предыдущеми наборамиособых точек. В совокупности с обновленным положением камеры, этиданные формируют одну из частиц, таким образом в течение каждого циклаработы алгоритма обновляется 10 состояний фильтра частиц.Тестированиереализованногоалгоритмапроизводилосьводнопоточном режиме на персональном компьютере под управлениемпроцессора Intel Core i5-4210 с частотой 1.7 ГГц.
Величина ошибкивычислялась как среднее значение среднеквадратического отклоненияоценки координат камеры, полученных с помощью вычисления афинногопреобразования координат особых точек, от действительных данных напротяжении всего пути движения [83, 52].
Результаты для набора тестовыхизображений [71,74] приведены в таблице 2.7.Таблица 2.7. Результаты оценки ошибки работы алгоритмаТестоваяпоследовательностьPUTKK Sequence 1 Kin v1PUTKK Sequence 2 Kin v1PUTKK Sequence 3 Kin v1PUTKK Sequence 4 Kin v1fr1/xyzfr1/roomfr2/deskfr2/slamРазмер карты5.98 × 2.665.97 × 2.936.18 × 2.856.77 × 2.280.52 × 0.782.53 × 2.173.95 × 4.406.96 × 6.52Среднеквадратическаяошибка, м0.290.250.220.340.070.160.220.26Таким оброзом, среднеквадратическе отклонение оценки координат камерыот действительных значений для данного набора тестовых данных составляет0.23 ± 0.08 м.97По результатам исследований детекторов ключевых точек был сделанвывод значительном преимуществе детектора ORB над SURF с точки зренияскорости работы и о большом потенциале применения пары детектор ORB –дескриптор SURF.
Сравнение результатов скорости работы алгоритма сприменением SURF и ORB детекторов ключевых точек показывают 34%сокращение времени обработки данных в случае использования ORBдетектора. На рисунке 2.34 приведены результаты детектирования особыхточек для обоих методов.(б)(а)Рис. 2.35.
Особые точки, полученные с помощью SURF (а) и ORB (б)детекторов.Рис. 2.36. Среднеквадратическая ошибка оценки смещения камеры прииспользовании детекторов ORB и SURF в задаче наблюдения ориентировалгоритма SLAM98Экспериментальныеисследованиядемонстрируютотносительнуюсхожесть обоих методов в точности работы при большом количестве особыхточек.
Различие в результатах более чем в 10% начинает проявляться вслучаях, когда в процессе работы алгоритма обрабатывается менее 100особых точек. В этом случае SURF детектор демонстрирует лучшиерезультаты.Таблица 2.8. Среднеквадратическая ошибка оценки смещения камерыКоличество особых точекТипдетектора3060100150200ORB34.1221.2117.109.417.15SURF28.7618.8216.548.726.47На рисунке 2.37 приведены результаты вычисления траектории камерыприискусственномограничениичисладетектируемыхориентировпятидесятью.Рис.
2.37. Траектории движения камеры, полученные при использованиидетекторов ORB и SURF в задаче наблюдения ориентиров алгоритма SLAM99В первом случае для детектирования особых точек используется метод ORB,тогда как во втором детектор SURF. В обоих случаях для описаниянайденных точек используется дескриптор SURF.
Численные результатыпоказывают в среднем на 6% худшую точность траектории движения камерыдля алгоритма на основе ORB детектора, в отличие от случая использованияSURF. Таким образом, ORB детектор может стать одним из решений,позволяющих увеличить производительность алгоритма одновременнойлокализации и картирования в системе прикладного телевидения приусловии 6% снижения точности работы алгоритма.2.5.Краткие выводыВ данной главе работы были рассмотрены основные оптическиехарактеристики RGB-D камеры и вопросы калибровки. Проведение внешнейкалибровки системы позволяет уменьшить ошибку репроецирования всреднем на 60-80% до величины 0.3 пикселя.
В конечном счете эта величиназависит от оптических характеристик каждой конкретной камеры. Ошибкаопределения трехмерных координат точки определяется искажениями,вносимыми обеими камерами RGB-D системы.По результатам исследований детекторов и дескрипторов особых точекможно сделать вывод о большом потенциале применения пары детектор ORB– дескриптор SURF, сочетающей в себе высокую скорость детектирования,присущую методу ORB, и точность дескрипторов SURF. Численныерезультаты показывают в среднем на 6% худшую точность траекториидвижения камеры и 34% сокращение времени обработки данных дляалгоритма на основе ORB детектора, в отличие от случая использованияSURF. Таким образом, ORB детектор может стать одним из решений,позволяющих увеличить производительность алгоритма одновременнойлокализации и картирования в системе прикладного телевидения приусловии 6% снижения точности работы алгоритма.100Исследование различных путей решения задачи одновременнойлокализации и картированияпоказало, что каждый из подходов своипреимущества и недостатки, и выбор того или иного алгорима напрямуюзависит от характера задачи, типа датчика и вычислительных ресурсовсистемы.МетодFastSLAMхарактеризуетсялинейнымхарактеромзависимости вычислительной сложности от количества пространственныхориентиров.
Это, однако, не является неоспоримым преимуществом принебольшом количестве наблюдений, что хараткерно для решений в составесистем прикладного телевидения. Метод на основе расширенного фильтраКалмана демонстрирует в среднем меньшую ошибку при вычислениитраектории движения камеры, однако проигрывает методу на основе фильтрачастиц при уменьшении числа отслеживаемых ориентиров.Итоговая версия алгоритма была реализована на языке C# сприменением ряда библиотек для задач цифровой обработки изображений,численных методов и визуализации данных. Проведены исследованияточности работы алгоритма.
Среднеквадратическе отклонение оценкикоординат камеры от действительных значений для тестовых данных [87]составляет 0.28 ± 0.08 м.101ГЛАВА 3. МОДИФИКАЦИЯ КОМПОНЕНТОВ СИСТЕМЫ3.1.Вводные замечанияРеальные условия работы алгоритма одновременной локализации икартирования подразумевают ряд аспектов, приводящих к ухудшениюточности локализации камеры и построения карты пространства.
Так, картаглубины, получаемая на выходе RGB-D камеры подвержена различнымдефектам, вызываемым способом получения дальнометрических данных,недостаточным уровнем освещенности, характером материалов объектовсцены. Поэтому для задач технического зрения в большинстве случаевтребуется предобработка карты глубины с целью минимизации влияниятаких дефектов. Наряду с методом восстановления карты глубины в даннойглаве исследуется применимость сигма-точечного фильтра Калмана в задаченаблюдения пространственных ориентиров. Классическое решение на основерасширенного фильтра Калмана, обычно использующееся в алгоритмеFastSLAM,подразумеваетпроцесслинеаризациимоделидвиженияориентиров.
В этом заключается главная причина, по которой этот подходможет оказаться неэффективным в случае использования сильно нелинейноймодели движения. Также, в главе предлагается метод адаптивноговычисления порога эффективного числа частиц, учитывающий эволюциюэтой величины.3.2.Предобработка карты глубины3.2.1. Причины возникновения искажений карты глубиныКарта глубины, получаемая в системе прикладного объемноготелевидения при помощи искусственного светового текстурирования сцены,как правило, содержит множество различных искажений и дефектов. Средиряда различных факторов, приводящих к подобным искажениям можновыделить следующие явления [21]:1021.
Поглощающие и отражающие поверхности приводят к появлению накарте глубины дефектов, что вызвано невозможностью определенияшаблона в данной точке сцены;2. Ненулевая стереобаза системы проектора приводят к взаимнымперекрытиям объектов на изображениях, поэтому часть точекпроецируемого шаблона оказывается вне поля зрения камеры.3. Шумы проектора и камеры приводят к ошибкам детектирования точекшаблона и, как следствие, к ошибкам карты глубины.4. Триангуляционный метод расчета расстояния характеризуется тем, чтопогрешность измерения глубины растет с увеличением расстояния дообъектов сцены.5. Сильныеискаженияпроецируемогошаблонанаповерхностяхобъектов, ориентированных вдоль оптической оси камеры или вблизиэтого положения.В зависимости от причин возникновения и характера искажений,дефекты можно разделить на три группы [20]:1.
Случайнорасположенныеобластинаповерхностяхобъектов,возникающие вследствие ошибок распознавания светового шаблона(рисунок 3.1а), в том числе из-за поглощающего/отражающегохарактера поверхности объектов (рисунок 3.1б);2. Области на границах объектов, появляющиеся вследствие перекрытияпроецируемого шаблона объектами сцены, (рисунок 3.1в);3. Ошибками детектирования светового шаблона на большом расстоянииот камеры за границей разрешающей способности сенсора камеры(рисунок 3.1г).В силу данных факторов исходная карта глубины в большинствеслучаев неприменима в задачах технического зрения без предварительнойобработки. Таким образом, повышение точности работы измерительныхсистем прикладного объемного телевидения, является важной задачей вобласти технического зрения.103(а)(б)(в)(г)Рис.
3.1. Различные виды дефектов карты глубины, характерные для методасканирования сцен с помощью инфракрасной локацииАнализ исследований в этой области показывает, что основнымиалгоритмами восстановления карты глубины выступают различные методыинтерполяции на основе синтеза текстур, поиска похожих блоков (Exemplarbased method, EBM интерполяция [32]), решения дифференциальныхуравнений в частных производных, а также гибридные методы. Как правило,существующие решения не позволяют достичь приемлемого качества приреконструкции карт глубины, так как приводят к размытию резких перепадовяркости и искажениям границ объектов.104(а)(б)(в)(г)Рис. 3.2.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
