基于描述符辅助光流跟踪匹配的数据关联方法.docx
版权申诉
30 浏览量
2022-11-28
20:31:57
上传
评论
收藏 563KB DOCX 举报
0. 引言
近年来，全场景环境下的高可用、高可靠、高精度的完备导航参数定位需求日益增
长，传统 GNSS/INS 组合导航在 GNSS 信号遮挡区域，INS 的导航误差迅速累积，定位结
果精度快速下降
[1]
。视觉惯性里程计(VIO)是利用图像和惯导信息，融合计算获取定位导航
信息的热点技术，能有效解决 GNSS 失效情况下导航系统误差快速发散的问题，因此被广
泛研究与应用。根据其融合框架，可以分为基于滤波器的 VIO 和基于优化的 VIO
[2]
。前者
核心思想为惯导测量载体的运动数据用于状态传播，相机测量的信息数据用于状态更新估
计。而后者需要处理在轨迹上所有的测量，估计和平滑载体状态，由于这类方法拥有迭代
的运算机制，能够修正历史的状态估计，因此可达到较高的运动估计精度。但基于优化的
方法计算量较大，算法设计更复杂，无法在一些算力有限的平台上运行。而基于滤波器的
VIO 算法可同时兼顾计算效率和精度，且大多数平台上均能获取准确一致的定位结果
[3]
。
基于滤波的 VIO 又分为松耦合
[4]
、紧耦合
[5]
这 2 种模式。松耦合模式是将视觉运动估
计的位置、速度、姿态变化的结果作为观测量构建观测方程，与惯性导航系统方程进行融
合解算；紧耦合模式则是直接将相机观测到的图像特征信息作为观测量，构建观测方程对
惯导误差进行修正。紧耦合算法中具有代表性的是 MSCKF 算法，采用了 1 个滑动窗口维
护多个时刻的相机位姿，以多帧图像共视到同 1 个特征点为出发点，特征点与图像之间的
约束关系构建观测方程，估计并输出最新时刻的位姿
[6]
。该方法直接使用了图像特征点原
始观测值，因此视觉粗差对 VIO 解算精度影响极大。为了减少视觉粗差，需要提高 VIO
数据关联的准确性，即特征点跟踪匹配的准确度。
目前，特征点跟踪匹配算法大多采用基于描述符特征点匹配，或光流法匹配
[7]
。描述
符的特征点匹配方法，描述了特征点与周围像素分布特征，可将其作为目标匹配的依据；
光流法则是依据同一特征点灰度不变原理，寻找该点在下一帧图像中可能出现的位置，从
而实现匹配。在 Liu 等
[8]
的研究中改善了特征点的局部描述符，采用融合全局环境描述
符，使得特征信息具备一定的空间描述能力；在成怡等
[9]
的成果中提出了基于 Hamming 距
离和余弦相似度结合的描述符匹配方法，降低了多相似区域图像特征点的误匹配率；而邹
斌等
[10]
的研究中则采用区域分块对图像进行预处理，挑选最佳匹配子块预期得到最佳匹
配。以上 3 种方法均属于对描述符表达能力及匹配策略进行改进，能够获取较为准确数据
关联，但匹配过程计算复杂，实时性较差。基于光流的方法中，王亭亭等
[11]
采用前后双向
光流方法提高了特征点的跟踪精度，该方法不需要计算特征点描述符，节约了描述符暴力
匹配时间，但在实际环境中由于光照、载体动态等因素引入大量错误匹配点，导致特征点
跟踪匹配的准确度改善有限。
针对滤波框架下的视觉惯性里程计定位精度易受特征点异常匹配值影响的问题，光流
法具备较高的计算速度，但假设条件过于严苛导致跟踪匹配不准确；基于描述符的特征点
匹配在准确性上存在一定的优势，但描述符计算和匹配过程复杂。因此，本文结合了快速
剩余13页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3648
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
