Adición de un Paso de Fusión de Datos al Algoritmo de Mínimos Cuadrados Clásico para Mejorar la Estima del Campo de Flujo Óptico

Carlos M. Soria

Argentina

Universidad Nacional de San Juan

Instituto de Automática, Facultad de Ingeniería

Mario Sarcinelli Filho

Brazil

Universidad Federal del Espíritu Santo

Departamento de Ingeniería Eléctrica

Ricardo Carelli

Argentina

Universidad Nacional de San Juan

Instituto de Automática, Facultad de Ingeniería

Enviado: 06-02-2018

|

Aceptado: 06-02-2018

|
DOI: https://doi.org/10.1016/j.riai.2013.05.005
Datos de financiación

Descargas

Palabras clave:

Flujo óptico, Fusión de datos, Estimación óptima, Estimación por mínimos cuadrados, Robots móviles autónomos

Agencias de apoyo:

Secretaría de Políticas Universitarias del Ministerio de la Educación

Ciencia y Técnica de la República Argentina y CAPES (Fundación Coordinación de Perfeccionamiento del Personal de Ensenanza Superior) de Brasil

Resumen:

En este artículo se propone una versión mejorada del método clásico basado en el criterio de mínimos cuadrados para estimar el campo de flujo óptico. La esencia de la propuesta es fusionar algunas estimas de un mismo vector de flujo óptico, obtenidas por el criterio de mínimos cuadrados, para generar una estima más precisa de dicho vector. Se discuten dos propuestas para obtener las estimas a fusionar en base al criterio clásico de mínimos cuadrados, generando dos versiones modificadas del algoritmo claásico. Se presentan los resultados obtenidos aplicándose los dos algoritmos propuestos para estimar los vectores de flujo óptico correspondientes a dos imágenes sucesivas de la secuencia de vídeo conocida como SRI Trees. Finalmente se enumeran algunas situaciones, en términos de navegación de robots móviles, en las cuales dichos algoritmos podrían ser utilizados, como forma de resaltar la aplicabilidad de los resultados de esta investigación.
Ver más Ver menos

Citas:

Barron, J. L., Beauchemin, S. S., 1994. Performance of optical flow techniques. International Journal of Computer Vision 12, 43–77.

Black, M. J., Anandan, P., 1990. A model for the detection of motion over time. In: Proceedings of the International Conference on Computer Vision. Osaka, Japan, pp. 33–37.

Caldeira, E. M. O., Schneebeli, H. J. A., Sarcinelli-Filho, M., 2007. An optical flow-based sensing system for reactive mobile robot navigation. SBA Controle e Automacao 18 (3), 265–277.

Carelli, R., Soria, C. M., Nasisi, O. H., Freire, E. O., 2002. Stable agv corridor navigation with fused vision-based control signals. In: Proceedings of the 28th Annual Conference of IEEE Industry Electronics Society - IECON 02. Sevilla, Spain, pp. 2433–2438.

de Micheli, E., Verri, A., 1993. Vehicle guidance from one-dimensional optical flow. In: Proceedings of the 1993 IEEE Intelligent Vehicle Symposium. Tokio, Japan, pp. 183–188.

Dev, A., Krose, B. J. A., Groen, F. C. A., 1997. Navigation of a mobile robot on the temporal development of the optic flow. In: Proceedings of the 1997 IEEE/RSJ/GI International Conference on Intelligent Robots and Systems - IROS 97. Grenoble, France, pp. 558–563.

Gern, A., Moebus, R., Franke, U., 2002. Vision-based lane recognition under adverse weather conditions using optical flow. In: Proceedings of the 2002 IEEE Intelligent Vehicle Symposium. pp. 652–657.

Giachetti, A., Campani, M., Torre, V., 1998. The use of optical flow for road navigation. IEEE Transactions on Robotics and Automation 14, 34–48.

Hong, L., 1999. Sense your world better: multi-sensor/information fusion. IEEE Journal of Circuits and Systems 10, 7–8, 12–15, 28.

Horn, B. K. P., Shunck, B. G., 1981. Determining optical flow. Artificial Intelligence 17, 185–204.

Jia, Z., Balasuriya, A., Challa, S., 2008. Vision based data fusion for autonomous vehicles target tracking using interacting multiple dynamic models. Computer Vision and Image Understanding 109, 1–21.

Langley, K., Atherton, T. J., Wilson, R. G., Lacombe, M. H. E., 1991. Vertical and horizontal disparities from phase. Image and Vision Computing 9, 296– 302.

Lukas, B., Kanade, T., 1981. An iterative image registration technique with an application to stereo vision. In: Proceedings of the 7th International Joint Conference on Artificial Intelligence - IJCAI 81. Vancouver, Canada, pp. 674–679.

Prince, J. L., McVeigh, E. R., 1992. Motion estimation from tagged mr image sequences. International Journal of Computer Vision 11, 238–249.

Rudall, B. H., 2004. Reports and surveys. Robotica 22, 1–8.

Sarcinelli-Filho, M., Schneebeli, H. A., Caldeira, E. M. O., 2002. Using optical flow to control mobile robot navigation. In: Proceedings of the 15th IFAC World Congress on Automatic Control. Barcelona, Spain.

Simas, G. M., Fickel, G. P., Novelo, L., de Bem, R. A., Botelho, S. S. C., 2010. Reconstruçao probabilística 3d aplicada a análise de movimento: um enfoque na teleoperaçao. In: Anais do XVII Congresso Brasileiro de Automática - CBA 2010. Bonito, MS, Brasil, pp. 3800–3807.

Watanabe, Y., Fabiani, P., Besnerais, G. L., 2009. Simultaneous visual target tracking and navigation in a gps-denied environment. In: Proceedings of the 14th International Conference on Advanced Robotics - ICAR 09. Munich, Germany.

Zainal, Z., Ramli, R., Mustafa, M. M., 2012. Improved heading direction interpretation via optical flow using selected region of interest. Procedia Engineering 41, 1298 – 1306.

Zhang, Z., Faugeras, O., 1992. Three-dimensional motion computation and object segmentation in a long sequence in stereo frames. International Journal of Computer Vision 7, 211–241.

Zheng, Q., Chellappa, R., 1993. Automatic feature point extraction and tracking in image sequences for unknown image motion. In: Proceedings of the International Conference on Computer Vision. Berlin, Germany, pp. 335– 339.

Ver más Ver menos