Feature Motion for Monocular Robot Navigation

單視覺機器人 – 追蹤 (tracking) 最常見的機器人導航技術 特徵點特性（特別 匹配性 抗破壞性） 特徵點取得（區塊 尺度不變）

單視覺機器人 – 追蹤 Good features to track

圖像特徵點 移動規律 ( 映射 ) 平面影像上的立體變化

單視覺機器人 – 追蹤 SIFT (Scale-invariant feature transform )

特徵點擷取　特徵點描述 128 維度特徵指標 ( 方向 梯度… )

高準確度

單視覺機器人 – 追蹤 Harris corner ( 改進 Moravec corner)

單視覺機器人 – 追蹤方法選擇

追蹤環境 室內 室外

應用主體 臉部判別 移動 影像品質 特徵需求

目標 決定目標物在下張影像的位置 方法

SIFT 多重對應

目標 決定目標物在下張影像的位置

目標 決定目標物在下張影像的位置 手段

旋轉 非等性變形 映射 (homography: 單應性 )

瑕疵 homography transforms

同一物體在兩張圖片中的對應方法 非精準　可接受 需要明顯對應物

不同 H 的正規化相關匹配對應結果

不同 H 的正規化相關匹配對應結果

不同 H 的正規化相關匹配對應結果

瑕疵 homography transforms

同一物體在兩張圖片中的對應方法 非精準　可接受 需要明顯對應物

僅能單一平面對應

瑕疵 解決

homography transforms 計算各種不同的 H

使用 RANSAC 方法選擇最佳 H

最佳化映射對應 RANdom SAmple Consensus (RANSAC)

重複 N 次： 隨機取四組對應特徵點，帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射，求出

特徵點在影像 B 所在位置，並計算匹配距離 給定 d ，記錄該次匹配距離 <d 的特徵點對應數目

選擇最佳參數

決定 H 原圖上的點 xi

映射後的點 xi’ H 矩陣 3x3

Hxi=xi’

決定 H 使用 Direct Linear Transformation (DLT)

決定 H 使用 Direct Linear Transformation (DLT)

決定 H 使用 Direct Linear Transformation (DLT)

決定 H 使用 Direct Linear Transformation (DLT)

最佳化映射對應 RANdom SAmple Consensus (RANSAC)

重複 N 次： 隨機取四組對應特徵點，帶入映射函式取參數 將影像 A 中所有特徵點依上式參數帶入映射，求出特

徵點在影像 B 所在位置，併計算匹配距離 給定 d ，記錄該次匹配距離 <d 的特徵點對應數目

選擇最佳參數

決定 H 使用 Direct Linear Transformation (DLT)

計算 SVD參數即為 V 之最下面那行

特徵追蹤 取得 H ，套用在低特徵物體 Normalized Cross Correlation(NCC) 精確對應

window 灰階 -> 統計 -> 向量 -> 夾角

應用 Autostitch Google Map Microsoft Photosyth