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