Na segmentação do movimento oscilatório mecânico e na medição visual, diante das limitações de fragmentação e supersegmentação na segmentação do movimento por agrupamento espectral baseado em grupos de trajetórias em bloco tradicionais, causadas pela interrupção das trajetórias de fluxo óptico do braço oscilante e pelas diferenças na distribuição da velocidade linear, propõe-se um algoritmo de segmentação por agrupamento espectral baseado em grupos de trajetórias curvas, utilizando a curvatura como medida de similaridade, combinado com registro de nuvens de pontos para completar a medição de imagens de velocidade de rotação. O algoritmo primeiramente aprende a trajetória média do grupo de trajetórias curvas por meio de regressão gaussiana esparsa usando subconjuntos ativos, utiliza essa trajetória média como amostras semente para o agrupamento esparso em subespaço, completando a segmentação do movimento de uma só vez, e finalmente reatribui as amostras não-semente aos clusters representados pelas amostras semente para obter nuvens de pontos segmentadas com densidade máxima em cada quadro. Com base nas nuvens de pontos de cada quadro, um algoritmo de registro de nuvens de pontos de expectativa condicional é utilizado para obter a matriz de transformação entre quadros e extrair o componente rotacional para completar a medição do ângulo de oscilação do braço. Para comprovar a eficácia, em conjunto com o projeto do sistema automático de inspeção visual diária de segurança de veículos de transporte de passageiros, foram estudadas as composições do limpador de braços duplos de cinco modelos de veículos sob seis níveis diferentes de iluminação, comparando a precisão da medição do ângulo de oscilação por três algoritmos. Os resultados mostram que o algoritmo pode aprender trajetórias de mesmo comprimento completamente e que o erro quadrático médio do valor de regressão do deslocamento angular calibrado manualmente é inferior a 10%, enquanto a carga computacional é menor que o método tradicional de multiplicadores de direção alternada (ADMM) em uma única iteração, tornando-o adequado para aplicações em medição mecânica visual de movimento e diagnóstico de falhas na manufatura inteligente industrial e sistemas de controle automático.

fluxo óptico variacional; agrupamento de subespaços; regressão gaussiana esparsa; espaço RKHS; odometria visual; alavanca dupla de Grashof; variedade do grupo de Lie; expectativa condicional máxima