Диссертация (1090939), страница 16
Текст из файла (страница 16)
Если крупный объектнаходится на слишком большом расстоянии или слишком близко к камере,перекрывая большую часть сцены, погрешность алгоритма визуальнойодометрии значительно увеличивается. В этом случае целесообразноувеличить порог, задающий частоту обновления выборки частиц.3.4.2. Адаптивное задание порогаРассмотрим изменение величины Neff в пределах периода времени 1, в течение которого она достигает крайних значений Nmin и Nmax, такимобразом, что 1 < Nmin ≤ Neff ≤ Nmax < N. Определим величину порога в периодвремени 1 как 1 . При вычислении нового значения порога должноучитываться то, с какой скоростью изменялась величина Neff на протяжениипредыдущего периода времени, а также среднее количество эффективныхчастиц в течение этого периода.
Пусть k 1 – число итераций фильтра втечение периода 1, а Neff (t ) – число эффективных частиц на t-ойитерации. Тогда величины α и β, характеризующие среднее число частиц впериод 1 и степень их разброса относительно среднего значения, могутбыть определены следующим образом:1241Nktk 1 1N eff (t 1) N eff (t )t 12N eff (k 1 ) N eff (1)(k 1 1)( N N m in ),.Порог определяется с помощью коэффициентов a и b, таких, чтоa, b > 0, a + b = 1, которые задаются вручную. a N b N ,N N m ax N m in ,N N N m in ,N N N N m in .Таким образом, когда α стремится к единице, Nα линейно растет доNmax, поэтому величина α близкая к единице означает, что значение Neffвелико относительно общего числа частиц N и порог должен быть увеличен.Рис.
3.13. Эволюция величины Neff в переделах периода с коэффициентомосцилляции 1.25 и полученный адаптивный порог125Нелинейная функция Nβ характеризует вариацию Neff. Величина β,близкая к нулю, означает низкий коэффициент осцилляции Neff, что говорит овысоком качестве аппроксимации и отсутствии необходимости обновлениявыборки частиц даже при относительно малом значении Neff. С другойстороны, если величина β значительно больше нуля, это говорит о сильнойосцилляции величины эффективного размера выборки. В этом случаеобновление выборки должно происходить чаще, чтобы компенсироватьвозросший уровень погрешности измерений.
Величина Nβ определенанелинейно зависимой от β с целью сделать ее наиболее чувствительнойвблизи нуля. Наглядные результаты вычисления порога для фильтра частиц сразмером выборки 10 при различных характерах эволюции Neff приведены нарисунках 3.13-3.14. Значения коэффициентов при этом a = 0.7, b = 0.3.Рис. 3.14. Эволюция величины Neff в переделах периода с коэффициентомосцилляции 0.23 и полученный адаптивный порог126На рисунке 3.15 представлен результат добавления процедурыадаптивного выбора порога для обновления выборки фильтра частиц. Дляоценкиэффективностиразработанногометодабылипроведенысравнительные измерения ошибки визуальной одометрии в процесседвижения камеры с жестко заданным порогом 50% и с процедуройадаптивного вычисления порога.Таблица 3.2.
Точность алгоритмов с жестким и адаптивным порогомЖесткоеАдаптивноеЗадание порогаa = 0.3a = 0.5a = 0.750%b = 0.7b = 0.5b = 0.3Средняя ошибка6.626.596.225.03оценки смещения камеры, смРис. 3.15. Ошибки величины смещения камеры при вычислении матрицытрансформации между кадрами с жестко заданным и адаптивным порогамиАдаптивное задание порога позволяет значительно увеличить точностьлокализации камеры. Средняя величина ошибки при вычислении смещениякамеры между последовательными кадрами до 24% меньше, чем в случае127жесткого задания порога (Таблица 3.2). Таким образом, предложенный методадаптивного задания порога позволяет при различных условиях увеличитькакэффективностьработыфильтрасточкизренияпотреблениявычислительных мощностей, так и точность оценки искомой величины.Данный метод находит особое место именно при оценке положения камеры валгоритме одновременной локализации и картирования на основе анализателевизионных изображений, так как погрешность измерения положениякамеры при этом сильно изменяется во время движения, что, как правило, нехарактерно для систем на основе других типов сенсоров, таких как лазерныедальномеры, ультразвуковые датчики и т.д.3.5.Краткие выводыВ главе предложены различные модификации компонентов системыодновременной локализации и картирования в системе прикладногообъемного телевидения, позволяющие увеличить точность построения картылокализации камеры.Предложенный алгоритм предобработки карты глубины на основемедианной фильтрации и модифицированного алгоритма интерполяциипозволяет на 9.8% увеличить точность вычисления смещения камеры междусоседними кадрами.
После этапа предобработки на карте глубиныотсутствуют дефекты, вызванные факторами различной природы, а границыобъектовуточненыспомощьюданныхцветногоизображения.Восстановленные области позволяют получить данные о глубине длядополнительного числа ориентиров, не задействованных при использованиикарты глубины без предобработки. Это освобождает от необходимостидетектирования большего числа особых точек при их недостатке, что такжеувеличивает производительность алгоритма.Исследование эффективности использования сигма-точечного фильтраКалмана в задаче наблюдения пространственных ориентиров показывает, чтоданный метод имеет преимущество в случаях, когда количество особых128точек на изображениях невелико, либо, что характерно для системприкладного объемного телевидения, для большого числа ориентировнедоступны данные о глубине.
Так, при работе с 50-ю особыми точками,использование сигма-точечного фильтра Калмана позволяет на 23.6%уменьшитьсреднеквадратическуюошибкупривычисленииполнойтраектории движения камеры.Предложенный алгоритм адаптивного задания порога для обновлениявыборки фильтра частиц позволяет значительно увеличить точностьлокализации камеры. Средняя величина ошибки при вычислении смещениякамеры между последовательными кадрами до 24% меньше, чем в случаежесткого задания порога. Адаптивное задание порога позволяет приразличных условиях увеличить как эффективность работы фильтра с точкизрения требуемых вычислительных мощностей, так и точность оценкиискомой величины.129ЗАКЛЮЧЕНИЕОсновныерезультатыдиссертацииможносформулироватьвследующем виде:1. Исследование различных подходов к решению задачи одновременнойлокализации и картирования показывает, что каждый из алгоритмовимеет свои преимущества и недостатки, и выбор того или иногоалгорима напрямую зависит от характера задачи, типа датчика ивычислительных ресурсов системы.
Метод FastSLAM характеризуетсялинейным характером зависимости вычислительной сложности отколичествапространственныхориентиров.Методнаосноверасширенного фильтра Калмана демонстрирует в среднем меньшуюошибку локализации камеры при работе с числом пространственныхориентиров в диапазоне 50-150, однако проигрывает методу на основефильтра частиц при уменьшении числа отслеживаемых ориентиров.При числе ориентиров, превышающем 180 - 200 точек, алгоритм наоснове фильтра частиц характеризуется в среднем на 5% меньшейвеличиной среднеквадратической ошибки определения положениякамеры.2. Проведены исследования детекторов и дескрипторов особых точек,позволяющие сделать вывод о большом потенциале применения парыдетектор ORB – дескриптор SURF, сочетающей в себе высокуюскорость детектирования, присущую методу ORB, и точностьдескрипторов SURF. Численные результаты показывают в среднем на6% худшую точность вычисления траектории движения камеры и 34%сокращение времени обработки данных для алгоритма на основе ORBдетектора, в отличие от случая использования SURF.
Таким образом,ORB детектор может стать одним из решений, позволяющих увеличитьпроизводительностьалгоритма130одновременнойлокализацииикартирования в системе прикладного телевидения при условиисравнительно небольшого снижения точности работы алгоритма.3. Рассмотрены основные оптические характеристики RGB-D камеры ивопросы калибровки. Проведение внешней калибровки системыпозволяет уменьшить ошибку репроецирования в среднем на 60-80%до величины 0.3 пикселя.
В конечном счете эта величина зависит отоптических характеристик каждой конкретной камеры. Ошибкаопределения трехмерных координат точки определяется искажениями,вносимыми обеими камерами RGB-D системы.4. Предложен алгоритм предобработки карты глубины на основемедианнойфильтрацииимодифицированногоалгоритмаинтерполяции, позволяющий на 9% увеличить точность вычислениясмещениякамерымеждусоседнимикадрами.Послеэтапапредобработки на карте глубины отсутствуют дефекты, вызванныефакторами различной природы, а границы объектов уточнены спомощью данных цветного изображения.
Восстановленные областипозволяют получить данные о глубине для дополнительного числаориентиров, не задействованных при использовании карты глубины безпредобработки. Это освобождает от необходимости детектированиябольшего числа особых точек при их недостатке, что такжеувеличивает производительность алгоритма в целом.5. Исследование эффективности использования сигма-точечного фильтраКалманавзадаченаблюденияпространственныхориентировпоказывает, что данный метод имеет преимущество в случаях, когдаколичество особых точек на изображениях невелико, либо, чтохарактерно для систем прикладного объемного телевидения, длябольшого числа ориентиров недоступны данные о глубине. Так, придетектировании в среднем 100 особых точек, использование сигматочечногофильтраКалмана131позволяетна20%уменьшитьсреднеквадратическую ошибку при вычислении полной траекториидвижения камеры.6.