使用多个相机系统跟踪单位球面上运动目标的移动机器人外文文献翻译、中英文翻译.docVIP

附录 1 外文翻译 使用多个相机系统跟踪单位球面上运动目标的移动机器人 摘要：移动机器人上摄像机系统的运动目标检测与跟踪是一个难题，由于机器人自身运动和运动目标共同构成了一个具有挑战性的问题：图像中的可分辨运动。在本文中， 我们关注的是多摄像机系统，即瓢虫?2 相机，它的图像被用来检测运动和随后的性能以及球体上多个对象的跟踪。这使我们能够解释其运动的连续性，这是通过传感器在图像拼接过程中的球体上的场景的连续性。被跟踪的球体上的对象在贝叶斯滤波器的基础上，通过冯米塞斯-费舍尔分布和数据关联是最近邻全局的方法，其中距离矩阵是通过推导 RéNyiα-冯米塞斯 Fisher 分布差异–构造。该方法是在进行测试的合成和真实世界的数据实验为基础的。 引言 运动目标的检测与跟踪（DATMO）在一个移动平台或车辆周围是在许多不同的应用程序的基本步骤。该信息是否已被用于在一个环境中的移动目标导航，被指定为属于运动目标区域，该 DATMO 始于 D 检测部分，包括对原始数据的信息处理和之后的跟踪方案假设的过程。在这个意义上的检测方法强烈地依赖于传感器的性质和它感测的现象，而跟踪部分可以依赖于测量的空间中采取。在本文中，我们利用一个多摄像机系统，形成一个全方位的图像拼接的一系列透视图像在一个单位的球体，这是我们的测量驻留空间。 当相机被放置在一个移动机器人，运动目标检测变得越来越复杂，因为在图像的总运动汇合性是机器人运动任务，独立的对象 ECT 运动，以及场景的三维结构[ 1 ]。[ 2 ]在运动目标检测与一个单一的透视相机是通过计算光流场的优化实现双线性变换 在将图像相邻帧之间，在这之后的图像差异进行运动检测。然后，粒子过滤器被用来跟踪在图像中的移动对象，激光测距仪用于推断三维中的位置。[ 3 ]检测是基于单眼场景重建和仿射变换的三角形网格。利用扩展卡尔曼滤波进行运动目标跟踪和场景重建。演示与经典结构的运动检测，从运动（SFM）与多个硬性移动的物体的动态场景，称为多体 SFM，[ 4，5 ][ 6 ]人检测到使用直方图的方向梯度的一针 ED 打开全景图像利用在移动机器人瓢虫?2 多相机系统。 在跟踪多个运动目标时，数据关联问题起着至关重要的作用。为了解决这个问题， 可以使用的方法是全球近邻（GNN），ATT 试图在每一个扫描后[ 7 ]找到最有可能的数据关联假设，联合概率数据关联（JPDA）滤波器在多个假设中首先形成，然后结合前在继续下一个扫描[ 8 ]，多假设滤波器（MHT）在多个数据关联假设的形成和传播。此外，跟踪多个目标的另一种方法：对象是概率假设密度（PHD）滤波器[ 9，10 ]， 本身并没有解决数据关联问题。上述具体实施与跟踪方法，如果使用卡尔曼滤波，高斯混合或序贯蒙特卡罗方法。然而，据笔者所知，这些方法以前没有被应用在多个目标在单位球面上分布的跟踪场景即米塞斯-费舍尔分布。 本文提出了一种基于 GNN 的框架，这是基于与米塞斯–Fisher 分布的贝叶斯跟踪球跟踪多个运动目标的新方法。解决 E 的任务，首先我们得到验证门控基于测量 的可能性和预测的状态为球体丢弃不可能测量的关联程序的手段。重新计算最可能的数据关联的假设提出了 RéNyiα-散度作为距离测度之间的冯米塞斯–Fisher 分布和表达方法推导出 T 。RéNyiα-发散是一类广义的距离，包括一些知名的距离等计算 –Leiber 和 Bhattacharyya 距离。实验结果 是第一次提出在合成数据的例子和随后的瓢虫?2 多摄像机系统获得的实验。目前的系统是全方位的，但是，由于它形成的全方位图像，通过拼接图像的五透视相机（顶部没有被视为）的运动物体的检测是由透视凸轮的方法进行 时代[ 2 ]。随后的移动对象的聚类和测量生成的跟踪过程，然后在球体上执行。 本文的结构如下。第 2 节介绍利用运动检测算法。第 3 节介绍了提出的多目标跟 踪方法，第 4 节显示实验结果，而第 5 节总结论文。 运动目标检测 为检测任务，我们用一个球面数字摄像系统组成的 6 个单眼相机（即瓢虫?2）放在一个移动平台。由于系统包括六个方面 VE 相机，他们可以缝合在一起，从而形成一个球形图像。许多传感器，包括单眼相机，原则上只轴承传感系统，而深度只能估计 达到一个规模。这里出现的需要跟踪在球体上的移动对象。在先前提出的问题的静脉，在六个图像的相机系统中检测到的对象的位置 茎被投射到球体上，作为跟踪任务的输入。运动目标检测是一个比较困难的问题的机器人开始移动，因为自我运动产业 固有光流。为了确保算法的效率和平台移动，它是必要的自我运动补偿[ 2，3 ]。 自我运动补偿算法提供了一个连续帧之间的转换，转换可估计的直接或间接。前者依靠各种定位 离子系统（例如，IMU，GPS，里程计），后者估计使用图像处理方