Тип работы:
Предмет:
Язык работы:


Разработка и реализация алгоритмов безмаркерного трекинга

Работа №80186

Тип работы

Дипломные работы, ВКР

Предмет

автоматика и управление

Объем работы55
Год сдачи2018
Стоимость4250 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
56
Не подходит работа?

Узнай цену на написание


АННОТАЦИЯ 6
ВВЕДЕНИЕ 8
ЦЕЛИ И ЗАДАЧИ 9
1. Аналитическая часть 10
1.1. Анализ метода одновременной локализации и построения карты( Simultaneous Localization
And Mapping (SLAM)) 10
1.1.1. Задача SLAM - frontend 11
1.1.2. Задача SLAM - backend 11
1.2. Виды SLAM 11
1.3. Реализации SLAM 13
1.4. Метод DSO SLAM 16
1.4.1. Инициализация системы, реализующей работу алгоритма DSO-SLAM 17
1.4.2. Обнаружение ключевых точек 17
1.4.3. Исправление геометрических ошибок изображений 21
1.4.4. Определение положения кадра в пространстве 23
1.4.5. Представление данных в методе DSO_SLAM 31
1.5. Повышение точности SLAM алгоритма 32
1.5.1. Алгоритм замыкания петель 32
1.6. Преобразования над облаками точек 35
1.6.1. Трехмерный перенос точек карты 36
1.6.2. Трехмерное изменение масштаба точек карты 36
1.6.3. Трехмерный сдвиг точек карты 37
1.6.4. Трехмерное вращение точек карты 38
1.7. Применение бинарных изображений в SLAM 39
2. Практическая часть 40
2.1. Сохранение Карты изучаемого пространства 40
2.1.1. Хранение карты изучаемого пространства в системе 40
2.1.2. Сохранение карты в текстовый файл 41
2.1.3. Сохранение облака точек 43
2.2. Добавление алгоритма замыкания петель 43
2.3. Добавление методов модификации карты 46
2.4. Работа с бинарными изображениями 51
ЗАКЛЮЧЕНИЕ 56
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 57
ПРИЛОЖЕНИЕ А


Одной из важнейших задач компьютерного зрения является задача построения карты пространства, которая реализуется путём применения алгоритма одновременного позиционирования и построения карты местности (Simultaneous Localization And Mapping - SLAM). Он выполняет глобальную оптимизацию получаемых с камеры данных. Минимизирует ошибку определения позиции камеры и вычисления инверсной глубины ключевых точек.
Безмаркерный трекинг в последние годы становится всё более популярным и исследуемым. В частности, он очень востребован в киноиндустрии. При съёмке возникает необходимость в построении карты пространства. Маркерный трекинг требует трудоёмких ручных измерений, большого количества маркеров и, соответственно, длительной подготовки съёмочных павильонов. Все эти проблемы решаемы путём использования безмаркерного трекинга. Для построения карты в данном случае требуется лишь откалиброванная камера и, возможно, задание положений некоторых точек для масштабирования или ориентации карты в виртуальном пространстве.
Сейчас существует большое количество различных реализаций SLAM. Для построения карты, необходимой для дальнейшего применения в системе виртуальной реальности, наиболее важными критериями оценки работоспособности являются точность и быстродействие. А также возможность модификации карты в реальном времени.
ЦЕЛИ И ЗАДАЧИ
1. Анализ существующих алгоритмов безмаркерного трекинга.
2. Выбор наиболее оптимального алгоритма.
3. Разработка и реализация реализации выбранного алгоритма, анализ и осуществление необходимых изменений и доработок:
3.1. Позиционирование в пространстве должно производиться максимально точно. Например, коррекция построения может осуществляться с помощью механизма замыкания петель.
3.2. Необходимо предусмотреть возможность сохранения и загрузки карты, для дальнейшего ее использования.
3.3. Должна быть предусмотрена возможность модификации карты:
Смещения
Задания начала координат
Поворота
Масштабирования
3.4. Анализ целесообразности применения бинарных изображений вместо градиентных в алгоритме и изучение их влияния на эффективность построения карты.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В рамках выпускной квалификационной работы были изучены существующие реализации алгоритмов безмаркерного трекинга. Рассмотрены их преимущества и недостатки и выбран для дальнейшей модификации алгоритм прямой разреженной локализации и одновременного построения карты - DSO SLAM. Добавлено сохранение карты изучаемого пространства и её модификация. На базе ORB SLAM изучен алгоритм замыкания петель и добавлен в DSO SLAM, в качестве механизма повышения точности и надежности. Изучены нюансы применения бинарных изображений для получения объёмной карты пространства и, в результате их применения при детектировании ключевых точек, получен выигрыш в быстродействии и информативности получаемой карты.


1. Мясников В.Д. Модельно-ориентированный дескриптор поля градиента как удобный аппарат распознавания и анализа цифровых изображений. Компьютерная оптика, 2012.
2. Nishant Kejriwal, Swagat Kumar, Tomohiro Shibata High performance loop closure detection using bag of word pairs. Robotics and Autonomous Systems, 2016.
3. Emilio Garcia-Fidalgoa, Alberto Ortiza Vision-based topological mapping and localization methods: A survey. Preprint submitted to Robotics and Autonomous Sys-tems, 2014.
4. Nicolo Valigi Simple bag-of-words loop closure for visual SLAM. Robotics for developers Research, 2016.
5. Пелевин Е.Е., Балясный С.В. Использование метода Adaptive Threshold в системе технического зрения, Т.: Технические науки, 2017.
6. Bergmann P., Wang R., Cremers D. Online Photometric Calibration of Auto Ex¬posure Video for Realtime Visual Odometry and SLAM. In IEEE Robotics and Auto¬mation Letters (RA-L), 2018.
7. Yang N., Wang R., Gao X., Cremers D. Challenges in Monocular Visual Odom- etry: Photometric Calibration, Motion Bias and Rolling Shutter Effect. In IEEE Robot¬ics and Automation Letters (RA-L), 2018.
8. Engel J., Koltun V., Cremers D. Direct Sparse Odometry. In IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018
9. Engel J., Koltun V., Cremers D. Direct Sparse Odometry. In arXiv, 2016
10. Dorian Galvez-Lopez, Juan D. Tardos Bags of Binary Words for Fast Place Recognition in Image Sequences. IEEE Transactions on Robotics, 2012.
11. Raul Mur-Artal, J. M. M. Montiel, Juan D. Tardos ORB-SLAM: A Versatile and Accurate Monocular SLAM System. IEEE Transactions on Robotics, 2015.
12. Boyd, S. and Vandenberghe, Convex Optimization. L.: Cambridge University Press, 2004.
13. Haynsworth, E. V. On the Schur Complement. Basel Mathematical Notes, 1968.
14. Jin TU DSO ^ЙЖ^. [Электронный ресурс] //URL:
https://meta.tn/a/fc2433cfl a49888eb671 e9cdbbfbdd8cd9203 899bfcd48e 151537a9474d807db ( датаобращения: 12.04.2018)
15. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. - М.: Радио и связь, 1986.
16. Роджерс Д., Адамс Дж. Математические основы машинной графики: Пер. с англ. - М.: Мир, 2001.
17. Тихомиров Ю. Программирование трехмерной графики. - СПб: BHV - Санкт-Петербург, 1998.
18. H. Strasdat, A.J. Davison, J.M.M. Montiel, and K. Konolige Double Window Optimisation for Constant Time Visual SLAM Accepted for the IEEE International Conference on Computer Vision (ICCV), 2011
19. J. Engel, T. Schops, D. Cremers LSD-SLAM: Large-Scale Direct Monocular SLAM . ECCV , 2014.
20. Стрелкова А.Н. Труфанов М.И. Титов Д.И. Способ калибровки дисторсии
оптико-электронного устройства [Электронный ресурс] //URL:
http: //www.findpatent.ru/patent/232/2321888. Ыт1(дата посещения 11.04.18).
21. Берёзкин Е. Н. Курс теоретической механики — 2-е изд., пер. — М.: Изд- во МГУ. 1974.
22. Scaramuzza D. Visual Odometry and SLAM: past, present, and the robust-per-ception age. Robotics and Perception Group. 2016.
23. David G. Lowe Distinctive Image Features from Scale-Invariant Keypoints. Computer Science Department University of British Columbia Vancouver, 2004.

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ