博客
关于我
基于光流的3D速度检测
阅读量:324 次
发布时间:2019-03-04

本文共 886 字,大约阅读时间需要 2 分钟。

光流的概念在1950年由Gibson首次提出。它是在观察成像平面上空间移动物体的像素移动的瞬时速度。利用图像序列中时域中像素的变化以及相邻帧之间的相关性,找到前一帧与当前帧之间的对应关系,从而计算出相邻帧之间物体的运动信息。一般而言,光流是由前景物体本身的移动,相机的移动或场景中两者的联合移动引起的。

假设我们有两个图像I和J,它们之间有一个小的转换,可以表示如下。

其中,I(x)和J(x)可以看作是一个映射函数,其中像素位置x为自变量,像素灰度为因变量。这两个图像。我们从优化的角度考虑这个问题,如下

通过连续地调整该二维平移d,J和I之间的差异被最小化。

为了解决这个问题,我们首先求解目标函数相对于自变量的导数,可以得到以下公式。

接下来,我们采用J(x + d)的一阶泰勒展开式,然后将其简化为误差函数的导数,如下所示:

最后,必须添加这些错误以获得总错误。

经过迭代计算,我们可以收敛到最终结果。

两个帧之间相应点的光流关系可用于估计3D速度。

其中,点p是使用校准相机的投影方程式从3D点P在图像平面上的投影。

或矢量记法

区分wrt时间收益:

光流场矢量可以分为平移部分和旋转部分,如下所示:

如果存在3个非共线的光流向量和深度,则可以求解3D速度。

通过将翻译部分跨越的线相交,我们可以获得扩展焦点(FOE),也称为Epipole:

我们可以如下设置碰撞时间

与FOE处于相同径向距离的点的流动矢量长度与反深度成比例。

我们可以获得以下共面条件

这表示像点,流量和线速度都在同一平面上。

我们可以从两点获得V:

从n个点得到一个齐次系统

V是A的零空间,可以从SVD获得。

对于平移和旋转情况,我们可以重写:

可以线性写成反深度和Ω。

对于n点,我们可以写出一个方程组。

对于Φ,矩阵是2N x(N + 3)矩阵,并且是V的函数。

如果我们求解反深度和Ω的未知矢量,则会得到。

我们可以将其插入目标函数中。

在球上搜索得到V:

参考文献

Robotics: Perception Coursera ,Université de Pennsylvanie

 

转载地址:http://vmxq.baihongyu.com/

你可能感兴趣的文章
mac mysql 进程_Mac平台下启动MySQL到完全终止MySQL----终端八步走
查看>>
Mac OS 12.0.1 如何安装柯美287打印机驱动,刷卡打印
查看>>
MangoDB4.0版本的安装与配置
查看>>
Manjaro 24.1 “Xahea” 发布!具有 KDE Plasma 6.1.5、GNOME 46 和最新的内核增强功能
查看>>
mapping文件目录生成修改
查看>>
MapReduce程序依赖的jar包
查看>>
mariadb multi-source replication(mariadb多主复制)
查看>>
MariaDB的简单使用
查看>>
MaterialForm对tab页进行隐藏
查看>>
Member var and Static var.
查看>>
memcached高速缓存学习笔记001---memcached介绍和安装以及基本使用
查看>>
memcached高速缓存学习笔记003---利用JAVA程序操作memcached crud操作
查看>>
Memcached:Node.js 高性能缓存解决方案
查看>>
memcache、redis原理对比
查看>>
memset初始化高维数组为-1/0
查看>>
Metasploit CGI网关接口渗透测试实战
查看>>
Metasploit Web服务器渗透测试实战
查看>>
MFC模态对话框和非模态对话框
查看>>
Moment.js常见用法总结
查看>>
MongoDB出现Error parsing command line: unrecognised option ‘--fork‘ 的解决方法
查看>>