基于改进ORB特征匹配的单目视觉—惯性SLAM算法_祝晓轩.pdf

第 卷 第期 年 月青 岛 大 学 学 报（自 然 科 学 版）（）文章编号：（）：基于改进 特征匹配的单目视觉惯性 算法祝晓轩，杨杰，胡继港（青岛大学机电工程学院，青岛 ）摘要：针对 算法在弱纹理环境下运行不稳定、累积误差大等问题，提出了改进 特征匹配筛选的单目视觉惯性 算法。测量数据预处理环节采用了 特征提取，在特征点匹配时，使用双向匹配过滤和最小匹配点距离倍数判别剔除误匹配，最后利用随机采样一致性算法完成特征匹配。实验结果表明，与原算法相比，改进 算法的精度较高。关键词：；特征点提取；特征点匹配；匹配点筛选中图分类号：文献标志码：收稿日期：通信作者：杨杰，男，副教授，主要研究方向为基于物联网的嵌入式系统与应用图像识别技术。：即时定位与地图构建（，）指在机器人或其他载体上对各种传感器数据进行采集并计算，完成对其自身位姿的定位并生成周围场景地图信息。作为机器人导航技术研究的热点之一，视觉 使用的相机比激光 使用的激光雷达价格低，且采集的图像信息更为丰富，相比传统的全球卫星导航系统，视觉 系统既可以完成高精度的定位，又可以实时生成周围环境地图。但由于缺少深度信息，单目视觉 存在尺度模糊性问题，因此引入了惯性测量单元（，）。能够测量传感器本身的角速度和加速度，可以与视觉传感器采集的数据进行互补，构建出鲁棒性更强的视觉惯性 系统。算法和 算法均是单目相机和 紧耦合的视觉惯导融合 算法，但前者的后端优化基于扩展卡尔曼滤波器（，），后者则基于迭代扩展卡尔曼滤波（，）。从近年来国内外经典的视觉惯性 算法系统中可以看出，非线性优化已经成为视觉惯性 后端方案的主流理论。非线性优化通过迭代优化状态估计，通常采用降低计算复杂度的滑动窗口优化策略。算法和 算法均使用非线性优化作为系统后端方案。相比于使用双目相机的 ，具有更加完善和鲁棒的初始化、重定位、闭环检测以及全局位姿图优化等环节，定位精度更高，鲁棒性更加优良。但由于 的前端测量数据预处理中采用光流法，导致在弱纹理及复杂环境下存在运行不稳定且累积误差大，本文针对开源的 算法的前端部分进行改进。系统框架构建基于 算法，本文算法采用紧耦合方案，后端使用非线性优化完成视觉与惯性信息的深度融合，系统框架如图所示，分为五部分：测量数据预处理、系统初始化、后端滑动窗口优化、回环检测与重定位、全局位姿图优化。在测量数据预处理模块中，相机图像处理环节与原 算法不同，本文算法是对提取图像进行金字塔处理，然后提取 特征点，使用特征点法匹配相邻帧的特征点，对匹配点采用双向匹配过滤和最第期祝晓轩等：基于改进 特征匹配的单目视觉惯性 算法小匹配点距离倍数判别筛选后，使用随机采样一致性（）算法剔除误匹配。同时对 数据进行处理，通过对相邻两帧的 数据预积分得到当前时刻的速度和位姿信息。图本文算法框架 特征点提取与匹配 特征点提取测量数据预处理时，采用 特征提取处理相机图像。特征是采用 关键点作为特征点检测方法，利用 描述子作为特征点描述方法，前者是改进的 角点，后者是速度极快且具有旋转不变特性的二进制描述子。特征提取时，在图片中随机选取某一个像素点设为，像素点的灰度为，设定一个合适的灰度阈值，以为圆心，以为半径做圆，如图所示，选取的圆上的 个像素点。若在这 个点中有超过（通常取、）个点的灰度大于或者小于，则点为 角点，一般取值为。为了满足尺度不变性，避免出现多个特征点聚集在一起的现象，需对图像帧建立尺度图像金字塔，如图，在不同尺度的图像层进行栅格处理，对每个栅格使用 特征提取，最后使用四叉树的数据结构存储提取到的特征点，以保证特征点分布均匀。图 特征点定义图图图像金字塔为实现旋转不变特性，使用灰度质心法 计算提取到的每个 特征点的方向。选择某一图块，几何中心设为，灰度质心设为青 岛 大 学 学 报（自 然 科 学 版）第 卷，（），（），（），（）（）其中，表示在中的像素坐标，（，）表示该像素点的灰度值。连接几何中心和灰度质心得到方向向量?，特征点的方向可表示为 ，（），（）（）描述子是由和组成二进制描述子，在关键点附近确定对像素点对，通过比较像素点对的灰度值确定描述子每位上的数值，若大于，则取值为，否则取值为。对像素点对构造的矩阵为（）为了让 描述子具备旋转不变性，首先将坐标系的轴旋转至与?方向相同，通过式（）计算得到的特征点的方向可以确定仿射变换矩阵为 （）对矩阵进行旋转变换，得到新的对点集构建的矩阵为（）本文在关键点附近取 对像素点对，旋转变换后得到新的像素点对集，再进行灰度比较，得到 维的 描述子，保证了 算法的描述子具有旋转不变性。特征点匹配获得 特征描述子后，使用 距离描述特征点之间的相似程度。距离越小，两个特征点的描述子对应位置的不同字符的个数越少，代表特征点之间的相似度越高。参考 系统中特征点匹配的方法，本文算法采用近邻算法的暴力匹配方法。将前一帧图像中的所有特征点组成的集合设 为，将 后 一 帧 图 像 中 的 所 有 特 征 点 组 成 的 集 合 设 为，。计算中的某特征点与中所有特征点的 距离，选出最近邻距离和次近邻距离，两距离之比小于设定值，即，则将和最近邻的视为匹配成功。通过上述匹配，中所有匹配成功的特征点都能在中找到唯一且对应的特征点；遍历集合后，中所有匹配成功的特征点都能在中找到唯一且对应的特征点。通过双向匹配过滤完成第一次误匹配筛选，即特征点的匹配点为特征点，同时特征点的匹配点为特征点，则认为该匹配结果正确，否则判定为误匹配，剔除。将过滤后的所有匹配点对的 距离进行排序，得到最小 距离。当匹配点对之间的 距离大于最小 距离的设定倍数时，则认为匹配有误，需剔除，对特征点对再次筛选。但有时会出现最小 距离过小的情况，导致筛选后的匹配点个数过少，所以设置一个经验值作为下限。本文算法取的设定倍数为，经验值为。通过两次对误匹配的剔除，提高了剩余匹配点对的匹配质量，有效地减少了后续使用 算法的迭代次数。由图可以看出，两次筛选后，交叉匹配线（误匹配对）明显减少。实验与分析为评估本文算法的性能，在开源数据集 上，对其定位精度、鲁棒性等进行仿真实验验证。实验硬件部分是 为 （）（），内存为 的，操作系统为 第期祝晓轩等：基于改进 特征匹配的单目视觉惯性 算法 。本文算法的整体构架搭载于机器人操作系统 ，基于开源算法 ，利用 、等开源库，开发语言为。通过 中的 三维可视化工具对地图可视化分析，最后使用 评估工具对数据集运行结果和误差统计数据完成性能评估。图特征点粗匹配图与两次筛选和 算法后特征点匹配图图为本文算法在 序列上的绝对位姿误差（），将图的轨迹投影到轴平面，进一步细化轨迹误差如图所示。可知，当机体快速移动或发生较大角度转动时，由颜色条量化结果可知，误差水平在 以内，平稳运动部份，误差水平缩小到 左右。图本文算法在 序列上的三维绝对位姿误差图本文算法在 序列上的轴向投影位姿误差为了进一步量化误差评估标准，使用均方根误差（）比较改进前后算法的系统精度。旋转出现误差，平移上也会出现误差，所以本文仅考虑平移误差的情况作为评估指标。（），表示所有关键帧真值位姿，（），表示所有关键帧估计位姿，通过式（）求解出最终的均方根误差 （）（）由表数据可知，本文算法除了 序列以外，其余序列的绝对轨迹误差的均方根误差青 岛 大 学 学 报（自 然 科 学 版）第 卷（）均低于 ，在不同难度数据集序列上均有优良的精度表现。表本文算法在 数据集中绝对位姿误差的统计特性单位：测试数据集 通过表的数据对比，本文算法在测试的组不同难度数据集序列上 均方根误差均优于原 算法，误差降低率为左右，在 中降低率可达 ，有效地提高了在不同场景下的系统定位精度。表本文算法与 在 数据集上的 均方根误差比较单位：测试数据集本文算法 降低率（）测试数据集本文算法 降低率（）结论本文提出的基于 的改进 特征匹配筛选单目视觉惯性 算法，在特征点匹配环节新增了两次特征点误匹配筛选剔除。该算法通过在开源数据集 中的测试，不同光照难度的场景下与原 算法的系统误差相比系统精度均提高，有效地降低了光照环境因素对系统的干扰。参考文献 夏琳琳，沈冉，迟德儒，等一种基于光流线特征的单目视觉惯性 算法中国惯性技术学报，（）：李建禹基于单目视觉与 结合的 技术研究哈尔滨：哈尔滨工业大学，：，：，（）：，：，（）：，：，（）：，：（），：孟特，李富才，刘邦彦，等基于 图像的视觉 算法研究青岛大学学报（自然科学版），（）：（下转第 页）青 岛 大 学 学 报（自 然 科 学 版）第 卷 ，（，）：，：；（上接第 页），：，：，（），：，（，）：，：；