论文笔记20190620-2

1、Markerless Augmented Reality System Based on
Planar Object Tracking 基
于平面物体跟踪的无标记增强现实系统-2011
https://ieeexplore.ieee.org/document/5739718
摘要：通常，基于视觉的AR系统基于环境的先验知识（例如方形标记）来操作。传统的基于标记的AR系统的一个问题具有标记必须位于感测范围内的限制。因此，对于称为实时相机跟踪的技术已经进行了大量的研究工作，其中系统试图将未知的3D特征添加到其特征图中，并且即使当参考图超出感测范围时这些也提供配准。 在本文中，我们描述了一个实时摄像机跟踪框架，专门用于跟踪桌面工作区中的单目摄像机。所提出的方案的基本思想是基于平面跟踪算法实现实时相机跟踪。我们还建议一种重新检测功能的方法，以维护虚拟对象的注册。所提出的方法可以解决当它们离开感测范围时不能跟踪特征的问题。它可以适用于移动计算环境的增强现实系统。

使用LKT（Lucas Kanade Tracker）[7]进行特征跟踪。

3、基于视频的增强现实的标记跟踪https://ieeexplore.ieee.org/document/7873011
摘要：在增强现实（AR）系统中，虚拟对象，图形或文本被添加到真实场景中以改善人的感知。必须严格按照场景组合对齐虚拟和真实信息。增强现实的关键是3D注册技术，它是基于有效地跟踪场景中的人工标记。利用线性规划理论，本文提出了一种跟踪方法，可以识别增强现实系统中任何凸多边形的顶点，因为大多数标记都是正方形。可以借助于四个顶点的坐标来估计相机的变换矩阵。
提出了一种跟踪方法，可以识别增强现实系统中任何凸多边形的顶点，因为大多数标记都是正方形。可以借助于四个顶点的坐标来估计相机的变换矩阵。由于该算法能够承受相机的大范围运动和快速运动速度，因此获得了稳定，准确和实时的特性。
4、An Improvement on ArUco Marker for Pose
Tracking Using Kalman Filter
用卡尔曼滤波器改进姿态跟踪的ArUco标记-2018
https://ieeexplore.ieee.org/document/8441049
摘要：本文提出了一种基于卡尔曼滤波的鲁棒但简单的物体姿态跟踪算法。与无标记姿势跟踪相比，称为ArUco的基准标记为该问题提供了快速而准确的解决方案。凭借这些优势，这种基于标记的技术已准备好用于虚拟现实，并可在低成本的可穿戴设备中运行。然而，它仍然存在遮挡和噪音的问题。如果标记的大部分被遮挡，则暂时不能获取姿势信息。由于手抖动引起的噪音也会影响所产生姿势的质量。这在实时环境中是不可取的。我们采用线性卡尔曼滤波器解决这些问题。即使临时阻挡摄像机视图，也可以估计姿势信息。我们已经进行了真实的实验来证明卡尔曼滤波器应用的效果。结果令人满意。

用Levenberg-Marguardt算法[28]使用四个方角计算姿势信息。

5、D-PET: A Direct 6 DoF Pose Estimation and
Tracking System on Graphics Processing Units
D-PET：图形处理单元上的直接6 DoF姿态估计和跟踪系统-2017
https://ieeexplore.ieee.org/document/8050811
摘要：实时恢复已知平面目标的精确6 DoF姿势对于增强现实和机器人应用是必不可少的。尽管近年来已经提出了几种姿态估计跟踪系统，但仍然需要对一般平面物体更有效和更准确的解决方案。在这项工作中，我们开发了一个实时姿势估计和跟踪系统的创新GPU实现。它由姿势估计单元和姿势跟踪器单元组成。前者使用直接方法计算目标的初始姿势，而后者使用分层搜索方案实现精确的姿势跟踪。在合成和真实数据集上的实验表明，所提出的算法对各种平面目标表现良好。通过在嵌入式GPU上实现我们的方法，

6、VINS-Mono：一种强大而通用的单眼视觉惯性状态估计器-2018
https://ieeexplore.ieee.org/document/8421746

摘要：一个摄像头和一个低成本惯性测量单元（IMU）构成单目视觉惯性系统（VINS），这是六个自由度公制的最小传感器套件（尺寸，重量和功率）（DOF） ）状态估计。在本文中，我们介绍了VINS-Mono：一种强大而通用的单目视觉惯性状态估计器。我们的方法从用于估计器初始化的稳健过程开始。基于紧耦合，非线性优化的方法用于通过融合预集成的IMU测量和特征观察来获得高度精确的视觉 - 惯性测距。环路检测模块与我们的紧密耦合配方相结合，可实现最小计算的重定位。我们还执行4-DOF姿势图优化以强制实现全局一致性。此外，建议的系统可以通过以有效的方式保存和加载地图来重用地图。可以通过全局姿势图优化将当前和先前的映射合并在一起。我们在公共数据集和现实世界的实验中验证了我们系统的性能，并与其他最先进的算法进行了比较。我们还在微型车辆平台上执行机载闭环自主飞行，并将算法移植到基于iOS的演示中。我们强调，所提出的工作是一个可靠，完整，通用的系统，适用于需要高精度定位的不同应用。我们开源我们的两台PC（https://github.com/HKUST-Aerial-Robotics/VINS-Mono）和iOS移动设备（https://github.com/HKUST-Aerial-Robotics/VINS-Mobile）的实现。可以通过全局姿势图优化将当前和先前的映射合并在一起。我们在公共数据集和现实世界的实验中验证了我们系统的性能，并与其他最先进的算法进行了比较。我们还在微型车辆平台上执行机载闭环自主飞行，并将算法移植到基于iOS的演示中。我们强调，所提出的工作是一个可靠，完整，通用的系统，适用于需要高精度定位的不同应用。
7、Tracking Algorithms Aided by the Pose of Target
目标姿态辅助的跟踪算法-2019
https://ieeexplore.ieee.org/document/8604001
摘要：传统的目标跟踪算法利用了目标位置的信息。随着雷达高分辨率技术的发展，有可能获得目标的姿态。本文提出了两种目标跟踪算法，该算法由目标姿态辅助。首先，通过高分辨率范围轮廓实时估计目标的姿势，然后将姿势添加到目标测量方程。由于目标的姿态和运动参数之间的关系是非线性的，因此目标姿势（Pose-EKF）辅助的扩展卡尔曼滤波算法和目标姿势（Pose-UKF）辅助的无迹卡尔曼滤波算法是建议。仿真结果表明，与传统的扩展卡尔曼滤波算法（EKF）和传统的Unscented卡尔曼滤波算法（UKF）相比，该算法可以大大提高目标跟踪精度（位置精度和速度精度）和收敛速度。姿势测量误差对跟踪性能影响很小。Pose-EKF和Pose-UKF之间的跟踪精度差异非常小。但就计算时间而言，Pose-EKF优于Pose-UKF，但Pose-EKF失败，Pose-UKF在姿势至关重要时有效。姿势测量误差对跟踪性能影响很小。Pose-EKF和Pose-UKF之间的跟踪精度差异非常小。但就计算时间而言，Pose-EKF优于Pose-UKF，但Pose-EKF失败，Pose-UKF在姿势至关重要时有效。姿势测量误差对跟踪性能影响很小。Pose-EKF和Pose-UKF之间的跟踪精度差异非常小。但就计算时间而言，Pose-EKF优于Pose-UKF，但Pose-EKF失败，Pose-UKF在姿势至关重要时有效。