基于轮廓匹配测量目标位置姿态-docker+jenkins+harbor+gitlab

【文件属性】：
文件名称：基于轮廓匹配测量目标位置姿态-docker+jenkins+harbor+gitlab
文件大小：4.46MB
文件格式：PDF
更新时间：2021-06-08 15:38:08
摄像 测量学 6.3 基于轮廓匹配测量目标位置姿态 设置合作标志用于合作目标相对位置姿态参数的测量是一种常用的方式。但当目标 相对距离较远或成像不很清晰时，往往不容易识别和提取合作标志点。而且对于许多实 际任务，也无法事先设置合作标志。 目标轮廓成像的形状也是与目标的相对位置和姿态有关的，简单的比如 6.2.1 节的长 宽比法和椭圆度法，就是根据目标成像外形的变化计算相对姿态参数。对于更复杂外形 的合作目标，由于目标的三维结构是完全清楚的，仍然可以根据目标成像的外形轮廓计 算相对位置和姿态 [19] 。 (1) 基于轮廓匹配测量目标位置姿态的基本原理 基于轮廓匹配测量目标位置姿态的基本思路是给定初值后通过迭代优化，让根据目 标位置姿态参数对目标边缘重投影的结果与目标边缘实际成像结果匹配偏差 小。实现 步骤如图 6.3.1。 图 6.3.1 基于轮廓匹配测量目标位置姿态的总体步骤 其中，“模型/图像一致性假设”意即根据目标位置姿态参数和目标三维模型对目标进 行重投影的结果，应与目标实际图像相一致。根据这一假设，在给出的目标位置姿态参 数初值的基础上，以重投影边缘与实际成像边缘偏差 小为目标函数，计算目标位置姿 态参数的修正量，对初值进行修正。对该修正过程进行迭代，直至收敛。广义卡尔曼滤 波是运动学测量中常用的一种数据处理手段，通过将当前时刻与以前时刻的数据关联， 对测量结果进行平滑和适当修正，给出 终结果。 根据 2.1 节介绍的像机成像模型，不考虑非线性畸变，空间点 P 与其成像点 p 之间 的关系由投影矩阵 M 确定，投影矩阵 M 由内参数矩阵 K 和外参数矩阵 E 组成，记为 目标位置姿态 初值 目标 三维模型 目标 图像 模型 描述 边缘特 征提取 模型/图像 一致性假设 计算位置 姿态参数 迭代 广义卡尔曼滤波 位置姿态结果 收敛？ 是 否