DOI: 10.17586/1023-5086-2021-88-08-54-66

Алгоритм оценки положения тела на основе визуальных данных с четырьмя копланарными характерными точками с помощью модели отслеживания падающих лучей

Fu Anqi, Wang Zhiwu, Zhang Shihai, Zhang Zimiao

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Zhang Zimiao, Wang Zhiwu, Zhang Shihai, Fu Anqi Vision-based pose estimation algorithm with four coplanar feature points via an incident-ray-based camera model (Алгоритм оценки положения тела на основе визуальных данных с четырьмя копланарными характерными точками с помощью модели отслеживания падающих лучей) [на англ. яз.] // Оптический журнал. 2021. Т. 88. № 8. С. 54–66. http://doi.org/10.17586/1023-5086-2021-88-08-54-66

Zhang Zimiao, Wang Zhiwu, Zhang Shihai, Fu Anqi Vision-based pose estimation algorithm with four coplanar feature points via an incident-ray-based camera model (Алгоритм оценки положения тела на основе визуальных данных с четырьмя копланарными характерными точками с помощью модели отслеживания падающих лучей) [in English] // Opticheskii Zhurnal. 2021. V. 88. № 8. P. 54–66. http://doi.org/10.17586/1023-5086-2021-88-08-54-66

Ссылка на англоязычную версию:

Zimiao Zhang, Zhiwu Wang, Shihai Zhang, and Anqi Fu, "Vision-based pose estimation algorithm with four coplanar feature points via an incident-ray-based camera model," Journal of Optical Technology. 88(8), 445-453 (2021). https://doi.org/10.1364/JOT.88.000445

Аннотация:

Получение изображений посредством точечного отверстия предполагает, что все проецируемые лучи пересекаются в нём. Это ограничение приводит к низкой точности оценки положения тела на основе визуальных данных. Кроме того, калибровка камеры позволяет получить лишь глобальное оптимальное решение для совокупности внутренних и внешних параметров, что затрудняет точную калибровку внутренних параметров, а затем и точность оценки положения тела. Предложен алгоритм оценки позиции с четырьмя копланарными характерными точками спомощью модели отслеживания падающих лучей. Две параллельные плоскости используются для отображения массива лучей и соответствующих им пикселов. Проектирующий луч определяется по координатам его пересечений с двумя плоскостями. Таким образом, камера параметризуется плоскостью изображения и двумя параллельными плоскостями. На основе этой модели по четырём компланарным характерным точкам можно оценить позицию объекта. Весь процесс состоит из неитеративного и итеративных шагов. На неитеративном шаге получается начальная оценка позиции, а затем она уточняется на итеративном шаге. Результаты экспериментов по оцениванию позиции предложенным алгоритмом и другими существующими алгоритмами демонстрируют превосходство нашего алгоритма.

Ключевые слова:

оценка положения тела, модели отслеживания падающих лучей, две параллельные плоскости, компланарные характерные точки

Благодарность:

Работа выполнена при поддержке Национального фонда естественных наук Китая (№№ 51605332, 51905378) и Фонда естественных наук Тяньцзиня (№№ 19JCQNJC04200, 18JCQNJC73100).

Коды OCIS: 150.0150, 150.1135, 100.0100

Список источников:

1. Wang X., Cao Y., Zhou K. Methods of monocular pose measurement based on planar objects // Optics and Precision Engineering. 2017. V. 25(1). P. 274–280.
2. Gao F., Chen N., Fan Y. et al. Visual pose estimation method for rotor UAVs autonomous landing // Electronics Optics & Control. 2017. № 2. P. 41–44.
3. Sun C., Xu Z., Wang D. Pose prediction method for moving helmet-mounted display and sight system // Journal of Electronic Measurement and Instrumentation. 2014. № 7. P. 724–729.
4. Lei J., Zeng L., Ye N. Research on industrial robot alignment technique with monocular vision // Optics and Precision Engineering. 2018. V. 26(3). P. 733–741.
5. Yang W., Lin J., Gao Y. et al. Pose measurement system of double shield universal compact // ACTA OPTICA SINICA. 2015. V. 35(11). P. 139–147.
6. Quan L., Lan Z. Linear n-point camera pose determination // IEEE Transactions on Pattern Analysis & Machine Intelligence. 1999. V. 21(8). P. 774–780.
7. Daniilidis K., Ansar A. Linear pose estimation from points or lines // IEEE Transactions on Pattern Analysis & Machine Intelligence. 2003. V. 25(5). V. 578–589.
8. Duan F., Wu F., Hu Z. Pose determination and plane measurement using a trapezium // Pattern Recognition Letters. 2008. V. 29(3). P. 223–31.
9. Lepetit V., Moreno-Noguer F., Fua P. EPnP: An accurate O (n) solution to the PnP problem // International Journal of Computer Vision. 2009. V. 81(2). P. 155–166.
10. Hu Z., Lei C., Wu F. A short note on P4P problem // ACTA AUTOMATICA SINICA. 2001. V. 27(6). P. 770–776.
11. Zhang Z. A flexible new technique for camera calibration // IEEE Transactions on Pattern Analysis & Machine Intelligence. 2000. V. 22(11). P. 1330–1334.
12. Zhang Z., Liu B., Jiang Y. A two-step pose estimation method based on four non-coplanar points // Optik – International Journal for Light and Electron Optics. 2015. V. 126(17). P. 1520–1526.
13. Zhang S., Ding Y., Hao K. et al. An efficient two-step solution for vision-based pose determination of a parallel manipulator // Robotics & Computer Integrated Manufacturing. 2012. V. 28(2). P. 182–189.
14. Chen P., Wang C. IEPnP：An iterative camera pose estimation algorithm based on EPnP // ACTA OPTICA SINICA. 2018. V. 38(4). P. 130–136.
15. Dementhon D., Davis L. Model-based object pose in 25 lines of code // International journal of computer vision. 1995. V. 15(1). P. 123–141.
16. Oberkampf D., DeMenthon D., Davis L. Iterative pose estimation using coplanar feature points // Computer Vision and Image Understanding. 1996. V. 63(3). P. 495–511.
17. Gramegna T., Venturino L., Cicirelli G. et al. Optimization of the POSIT algorithm for indoor autonomous navigation // Robotics & Autonomous Systems. 2004. V. 48(2). P. 145–162.
18. Sun C., Sun P., Wang P. An improvement of pose measurement method using global control points calibration // Plos One. 2015. V. 10(7). P. e0133905.
19. Zhang Z., Zhang S., Li Q. Robust and accurate vision-based pose estimation algorithm based on four coplanar feature points // Sensors. 2016. V. 16(12). P. 2173.

20. Zhu Z., Wang X., Liu Q., Zhang F. Camera calibration method based on optimal polarization angle // Optics and Lasers in Engineering. 2019. V. 112(1). P. 128–135.
21. Zhu Z., Wang S., Zhang H. et al. Camera projector system calibration method based on optimal polarization angle // Optical Engineering. 2020. V. 59(3). P. 035104.
22. Ye J., Yu J. Ray geometry in non-pinhole cameras: a survey // Visual Computer. 2014. V. 30(1). P. 93–112.
23. Miraldo P., Araujo H. Calibration of smooth camera models // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2013. V. 35(9). P. 2091–2103.
24. Miraldo P., Araujo H., Goncalves N. et al. Pose estimation for general cameras using lines // IEEE Transactions on Systems, Man, and Cybernetics. 2015. V. 45(10). P. 2156–2164.
25. Miraldo P., Araujo H. Pose estimation for non-central cameras using planes // Journal of Intelligent and Robotic Systems. 2015. V. 80(3). P. 595–608.
26. Gennery D. Generalized camera calibration including fish-eye lenses // International Journal of Computer Vision. 2006. V. 68(3). P. 239–266.
27. Michael D., Shree K. The raxel imaging model and ray-based calibration // International Journal of Computer Vision. 2005. V. 61(2). P. 119–137.
28. Sun P., Sun C., Li W. et al. A new pose estimation algorithm using a perspective-ray-based scaled orthographic projection with iteration // Plos One. 2015. V. 10(7). P. e0134029.
29. Sun C., Dong H., Zhang B. et al. An orthogonal iteration pose estimation algorithm based on an incident ray tracking model // Measurement Science and Technology. 2018. V. 29(9). P. 095402.
30. Guo X., Tang J., Li J., et al. Attitude measurement based on imaging ray tracking model and orthographic projection with iteration algorithm // ISA Transactions. 2019. V. 95. V. 379–391.