基于视觉的机器人环境建模方法的研究(3)
Pradel G[12]提出了未知环境的一个无地图轨迹描述法。该方法利用二文激光测距仪的距离测量值，对机器人的可视区域进行数字化处理，消除多余的数据，利用与细胞自动机相似的规则修改其表示方法。抽取这些路标，并组织成一个全景表示法，称作壁画。壁画是利用邻近规则进行检验的。我们利用两个标准来检测信息最丰富的壁画并进行存储。所存储的壁画被看作是与人相似的机器人路线描述法，机器人可以用它来检索到达起点的路线。Lippiello V[13]等提出了一个利用视频摄像机实时估算运动物体的位置与方向的算法。该算法基于扩展式卡尔曼滤波器，它在一组物体特点构成的图像平面中测量位置，通过这个位置迭代地计算物体姿念，它利用二叉空间分割(BSP)树基于物体几何形状表示法来选择最优的特征点。在每个采样时刻，利用一个树访问算法来预先选择摄像机在卡尔曼滤波器所预测姿态下可以观测到的物体所有特征点。进一步进行选择，以确定抽取图像特征时要用到的最优可视点集合。
Aider O[14]等提出了一个基于模型的室内移动机器人定位法，该方法采用单目视觉与直线对应关系。使用了一个经典的四步方法(即图像获取、图像外观特征抽取、图像与外观模型特征匹配、摄像机姿态计算)。讨论了这四步，重点是临界匹配问题。特别提出了一个有效的、简单的方视图不变区域，缩减对应空间。利用移动机器人参考系的特点，将全局解释树分解为两个子区域；然后，定义了两个低阶几何约束并将它们直接应用于二文一三文对应关系中，以便提高搜索效率。最后一个阶段，针对每个匹配假设来计算姿态，根据所定义的误差函数选择最佳姿态。
基于图像外观方法的环境描述是一种有效的视觉建模与定位方法。但该方法并非完善，还存在许多问题，如环境图像分割实施困难，外观模型的确定与分类繁琐等。1.3 基于特征点的环境描述与建模方法
特征点是指图像中存在信号变化的点，特征点检测也是一类非常有效的景物特征提取技术，在目标识别在移动机器人环境建模与定位领域可以将检测到的特征点或特征点簇作为路标来表示环境，尤其在未知坏境图像分割实施困难的情况下，这种完全像素级的自底向上的分析策略有着广泛的应用。常用的特征检测方法有Harris角点检测[15]与强角点检测，但是它们不具有尺度不变性，对于不同尺度的图像无法建立相应的特征点对应关系。Mikolajczyk和Schmidl[16]提出一种鲁棒的、尺度不变的特征检测子，使用Harris检测特征点的位置和Laplacian检测子选择尺度因子。Lowe[17]从速度方面考虑DoG(Difference of Gaussians)来估计LoG(Laplacian of Gaussian)检测子，提出一种SIFT(Scale lnvariant FeatureTransform)描述子，它通过计算特征点邻域的梯度直方图来描述特征点。随后Ke和Sukthankar[18]将PCA主量分析应用到SIFT中提出PCA-SIFT描述子。HerbertBay等人从速度方面考虑，提出的快速鲁棒的匹配算法SURF(Speed Up RobustFeature)[19]．对图像的比例缩放、旋转、三文视角、噪声、光强的变化具有较好的不变性。
Koseeka[20]等采用在每个位置获得的图像中检测出的SIFT特征表示每个拓扑节点，定位时则首先从当前待识别环境所得到的图像中检测出SIFT特征，然后用最近邻策略与拓扑模型中各节点的SIFT特征进行匹配，将匹配特征数量最多的节点作为当前机器人所在位置。为提高定位的精确性，采用隐马尔科夫模型（HMM，Hidden Markov Model)建模相邻拓扑节点间的关系，则定位问题转化为在给出直到T时刻所有观测条件下的HMM估值问题。
Li Fyang[21]提出了一个随机环境模型，它采用定位识别法，易于实现全局定位法。在探测阶段，环境被分割成一些位置，每个位置由一组不随比例变化的特征点来表示，与这些特征点相关的描述符在对比度、比例以及视点变化情况下也可以鲁棒地匹配。利用隐式马尔可夫模型确定一些位置相邻关系，根据这些关系可以消除因环境动态变化及外观固有模糊性带来的误分类问题。