Monocular Vision-Based Obstacle Detection/Avoidance for Unmanned Aerial Vehicles阅读笔记

Monocular Vision-Based Obstacle Detection/Avoidance for Unmanned Aerial Vehicles

总结：

• 使用相机而不是激光或者雷达，因为轻，低功耗，而且采集的图像信息更加丰富
• 从单目获得的图片，分析物体的扩张比例判断物体是否逐渐靠近，而不是依靠3D模型
• 模拟雄蜂的生物特性，一方面根据检测的特征点的性质改变，另一方面两张连续的帧，这些特征点构建的凸包的比例大小改变

相关工作：

• 室内图片条纹，颜色方差用于检测障碍物
• lateral collision avoidance 基于光流方法
• MOPS(multi-scale-oriented-patches)提取边角信息，SIFT描述子用于提取内部轮廓信息，合成3D信息
• Hough Transform用于检测边缘，识别场景的本质，但是实验场合只有走廊和楼梯
• Extended Kalman Filter(EKF) 用来估计相机位置，Inertial Measurement Unit(IMU)用于位置估计，然后用重投影来获得相对距离
• conditional Markov Random Field用来区分一个物体是否为collision
• Block-Based Motion Estimation将输入图片分为几个小块，然后在连续的图片之间比较位移，这个方法对尺度大的障碍物比较有效

文章核心：

• 只提取图片(92)中心62度的视野，其他部分的障碍物一般不起作用
• 用SIFT提取特征，然后暴力查找两张图片中对应的特征点
• 只有距离和大小大于阈值的点才保留
• 利用提取的特征点全局建立凸包，计算面积，然后根据两张连续图片　特征点数比　和　凸包面积比　判断是否为障碍物
• 对于避障，就是根据障碍物所在的位置，对应性的调整飞向别的方向．

个人理解：

• 对大的障碍物，特征点连成凸包可能还有效，对于一堆杂散的障碍物，凸包连接的是所有障碍物的特征点，这样误判性可能会很大