针对图像中相似冗余背景造成的显著目标识别的干扰问题，提出了一种基于超像素的冗余信息抑制的显著目标检测方法。首先,引入超像素的概念，利用超像素优化的空间特征分割图像，获取图像的相似区域；其次,为消除像素间的相关性，计算超像素的香农熵来表示图像的像素信息，并据此建立图像的信息图，最后,为了更有效地去除图像中的相似信息，利用自相似性抑制方法克服冗余信息，建立高效的图像显著图。最后的仿真结果表明, 所提算法与传统方法相比，不仅可以准确识别显著目标，而且可以更有效地抑制背景中的冗余信息。

针对室内复杂的非结构化环境和机器人动态变化的服务任务,提出基于快速识读码(QR code)技术的室内环境空间认知手段.在双目视觉获得深度信息的前提下,基于DSmT证据理论构建信息不确定数学模型,形成描述体素占有/空闲概率的三维栅格地图.在构建三维地图的同时,利用粘贴在大物品上的基于QR code技术的人工物标,为环境中的大物品添加语义标签,并基于大物品的尺寸更新对应的体素占空值,形成含大物品功能属性和归属关系描述的三维栅格语义地图.通过实验与其它信息融合算法进行对比,并对人工物标的识读准确性进行分析,证明该方法的有效性和可行性.

此代码资源是我的博文:十五. 单线激光雷达和视觉信息融合,配套的ROS实践功能包. 使用前请确认并修改: 1. 你的单线雷达和相机发布的topic消息; 2.single_ladar_and_camera_fusion.launch为此功能包启动launch; 3.start_lidar_camera.launch为启动我机器上单线激光雷达和相机的launch. 使用时请按你的实际环境进行配置,或者干脆放弃此文件, 用你自己熟悉的方式启动你机器的相机和Lidar节点; 4.start_lidar_camera.launch文件中我还发布了相机和激光雷达的位姿信息(联合标定信息)到ROS的TF. 代码中会用到此数据进行相机到激光雷达的三维坐标系变换. 使用时请确认你的环境也有这样的TF;

章毓晋，基于内容的视觉信息检索，科学出版社，2003年。

视觉信息处理的脑机制

视觉伺服系统清洁机器人 论文形式 适用于大学本科阶段

基于双目视觉信息的运动物体实时跟踪与测距 基于双目视觉信息的运动物体实时跟踪与测距

行业-电子政务-具协同视觉信息感知多台顺次编队充电方法的智能园林机.zip

IMU预积分

首先提出了一种能够充分利用视觉传感器提供的色彩信息的彩色背景差方法。该方法克服传统的灰度背景差方法在光照影响、阈值设定方面的不足，通过定量描述两种颜色之间的差别，并根据这种差别的大小将视野中的目标从背景中分离出来。同时，分析了这种彩色背景差在实现效率上面临的问题，并提出了相应的简化算法。利用一种用基于学习的方法计算图像中特定色彩的参数彩色图像中不同颜色在色调、饱和度、亮度方面的统计学规律，从而根据这些规律对前景进行颜色识别，将彩色图像转换为颜色标号矩阵。该算法对光照影响具有较低的敏感度。 接着提出了一种能够对颜色标号矩阵中凸区域边界进行识别的快速边缘检测算法,。该算法从区域中一点出发，能够寻找并标记组成该区域的每行上区域的边界点，并通过对色块的边缘提取达到识别相应颜色标志的目的。针对该算法只能处理凸区域的不足，本文还提出了一种基于八邻域模板的边缘检测算法，通过对一个像素的八个邻域状态进行分析，确定不同状态组合下的边缘走向，从而逐个寻找区域的边缘点，算法的时间复杂度远低于传统的边缘检测算法。 最后，提出了一种根据多个颜色标志计算机器人位姿的方法。该方法可以保证在至少有两个标定点可见的情况下，正确计算轮椅的位置和朝向。 以上提出的所有算法针对嵌入式系统进行了优化并在iMote2嵌入式节点上实现，并在实验中验证了其正确性，获得了较好的效果。