Feature Motion for Monocular Robot Navigation

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)

單視覺機器人 –追蹤方法選擇 • 追蹤環境 • 室內室外 • 應用主體 • 臉部判別移動 • 影像品質 • 特徵需求

目標 • 決定目標物在下張影像的位置 • 方法 • SIFT • 多重對應

目標 • 決定目標物在下張影像的位置

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

不同H的正規化相關匹配對應結果

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 • 原圖上的點xi • 映射後的點xi’ • H矩陣 3x3 Hxi=xi’

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

Feature Motion for Monocular Robot Navigation