基于KLRK-Stab的机器人巡检图像增强消抖方法OA

地下巷道、综合管廊等存在光照不足和尘雾干扰强等环境干扰,轮足机器人在此类非结构化空间内巡检易产生高频抖动,导致搭载其上的深度相机采集的图像序列稳定性差,降低三维重建的精度。针对上述问题,本文提出了一种面向复杂工况的图像增强消抖方法,首先对图像进行处理,减弱光照变化和尘雾的影响;随后构建KLT(Kanade Lucas Tomasi)特征跟踪与金字塔LK光流(Pyramidal Lucas Kanade)双分支运动估计框架:KLT分支使用随机采样一致性算法(Random Sample Consensus,RANSAC)剔除异常匹配点,获得稀疏特征运动估计;LK光流分支使用K均值聚类(Kmeans)筛选主运动矢量,获得连续光流运动估计。并提出自适应置信融合策略,通过动态权重分配获得全局运动估计,并对原始图像进行定量补偿,得到稳定的图像序列。实验结果验证KLRK-Stab(KLT and LK-based Robust Stabilization)方法在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和结构相似性指数(Structural Similarity Index Measure,SSIM)等指标均优于其他算法。在三维重建层面上,点云厚度从消抖前的0.111~0.163 m收敛至0.058~0.084 m,表明三维重建精度获得了提升,本方法能够有效提升三维重建的可靠性。