基于点线特征鲁棒性评估的双目视觉里程计_荣燊1
需积分: 0 68 浏览量
2022-08-03
13:22:18
上传
评论
收藏 2.28MB PDF 举报
142
计算机与多媒体技术
Computer And Multimedia Technology
电子技术与软件工程
Electronic Technology & Software Engineering
同步定位与地图构建（Simultaneous Localization and Mapping）
即 SLAM 技术，在自动驾驶、无人机控制以及太空机器人等自动
化领域应用广泛，主流的视觉 SLAM 大致分为三类：基于滤波器
[1]
、
基于关键帧优化
[2-4]
、基于直接跟踪的方法
[5-7]
。而作为视觉 SLAM
的前端视觉里程计，为后端估计出一个较为准确的位姿是其主要的
工作。
基于点线特征的视觉里程计
[8-10]
位姿估计的精度依赖点线特征
匹配的精度，传统综合特征的视觉里程计对提取出的特征匹配，采
用最小化 3D-3D 误差
[11]
或 3D-2D 误差
[9]
对方法对位姿进行估计。
这些方法把提取出的所有特征匹配的精度视为一致的，对这些匹配
的特征建立单一误差模型，求解相机的位姿。考虑到在双目立体匹
配中，由于匹配的特征点的视差越大，三角测量的不确定性越小，
估计出的特征点深度精度越高，但是视差越大的匹配点的深度越低，
在特征跟踪时容易丢失，且匹配的可靠性较差，这就形成了三角测
量精度与特征点匹配精度相矛盾的地方。
本文综合考虑匹配精度和三角测量精度，提出一种特征鲁棒性
估计方法，通过筛选鲁棒性高的特征点和特征线段，综合计算效率，
提出了一种结合了 ICP 和 PnP 方法估计位姿的点线双目视觉里程计，
并在 KITTI-ODOMETRY 公开数据集上通过与 PL-StVO
[9]
对比，验
证了本文算法的有效性。
1 算法框架
本文视觉里程计算法框架如图 1 所示，分为位姿估计、关键帧
选取、局部建图三个部分。其中，位姿估计是本文的算法的核心工作。
特征提取过程中，本文使用了 ORB
[12]
进行特征点提取和描述，
LSD
[13]
进行特征线段提取并采用 LBD
[14]
描述子进行描述。通过对
提取的特征线段长度进行约束，过滤场景中大多数非结构化直线，
减少线特征描述子的计算成本，对特征线段采用端点模型表示，简
化特征线段的处理方式。并通过对特征点线进行极线约束，进一步
提高特征匹配的精度。通过对 KITTI 数据集
[15-16]
中双目图像对特
征匹配对的视差统计，结合双目视差对三角测量不确定性的影响，
对特征点进行鲁棒性评估，对三角测量精度高的特征点认为鲁棒
性较高，计算特征点深度，作为 3D 特征内点；对三角测量精度较
低的特征点，认为其三角测量误差较大，作为 2D 特征内点，将特
征点分为 3D 和 2D 特征。在帧间跟踪时，针对 3D-3D、3D-2D、
2D-2D 不同的特征匹配，提出了结合 ICP 和 PnP 方法的位姿估计方
法。最后进行选取信息冗余度低，位姿估计精度高的关键帧进行局
部地图优化。
基于点线特征鲁棒性评估的双目视觉里程计
荣燊
（合肥工业大学电子科学与应用物理学院 安徽省合肥市 230009）
2 双目视觉里程计
2.1 特征提取和匹配
由于 SLAM 系统的实时性要求，本文方法采用 ORB 方法对特
征点提取和描述，采用 LSD 方法对特征线段进行提取，采用 LBD
方法对特征线段描述。
LSD 特征提取是一种基于区域生长的线段提取算法，在提取时
会检测到许多细小的线段，如图 2 所示，这些线段数量庞大，而且
大多数非图像中的结构化线段，带有较大的不确定性，且对数量庞
大的线特征计算描述子会耗费更多的计算成本，导致算法效率下降。
本文首先通过对检测出的线特征几何长度进行约束，去除这些非结
构性线段。
算法流程如下：
（1）对图像首先采用梯度密度滤波器
[17]
进行预处理，剔除如
图 2.1 中所标识出来的密集区域，然后采用 LSD 算法进行线段提取；
摘 要：本文分别提取图像中的点线特征进行匹配，针对线特征提出先进行梯度密度滤波器预处理和极线约束再进行描述子匹配，提
出综合考虑特征匹配精度和三角测量的不确定性的特征鲁棒性评估策略，提出根据特征点线鲁棒性筛选效果结合 ICP 和 PnP 估计相机位姿
的方法，通过局部建图优化位姿。经过 KITTI 公开数据集的测试，验证了本文方法的有效性。
关键词：视觉里程计；双目视觉；点线特征；位姿估计；关键帧
图 2：在 KITTI_00 序列上使用 LSD 提取直线的结果
图 1：算法框架
资源评论
