没有合适的资源?快使用搜索试试~ 我知道了~
基于描述符辅助光流跟踪匹配的数据关联方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 30 浏览量
2022-11-28
20:31:57
上传
评论
收藏 563KB DOCX 举报
温馨提示
试读
14页
基于描述符辅助光流跟踪匹配的数据关联方法.docx
资源推荐
资源详情
资源评论
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
角点检测(FAST)、旋转二值描述符(rotated BRIEF)和 Lucas-Kanade(LK)光流算法,提出了
rBRIEF 描述符辅助光流跟踪匹配的特征点数据关联方法,在保留计算效率的同时,可有效
剔除光流异常匹配点对,提高特征点跟踪匹配的准确度,进一步提升 MSCKF 算法的定位
性能。
1. 特征点数据关联方法
基于特征点的数据关联主要是完成序列图像中相邻 2 帧图像之间特征点的匹配,本文
的视觉数据处理方法见图 1,主要包括 FAST 特征点提取、LK 光流跟踪匹配以及基于
rBRIEF 描述符的特征匹配点对优选。
图 1 基于特征点的数据关联方案
Figure 1. Data association scheme based on feature points
下载: 全尺寸图片 幻灯片
1.1 FAST 角点检测
FAST 角点检测算法检测图像中较为特别的点,基本思想是 1 个像素的灰度大小与其
邻域内足够多像素点灰度差异达到某种标准时,则认为该像素为角点。
以图像内任意 1 个像素作为候选特征点,建立以该像素点为中心,半径为 3、周长为
16 像素的圆形检测模板。如图 2 所示,顺时针方向对圆上的像素点进行编号,若圆上有连
续 N(一般取值为 9)个像素点灰度值都比圆心灰度加上设立的阈值大,或者都比圆心灰度减
去设立的阈值小,则将该点视为目标点。
图 2 FAST 角点检测模板
Figure 2. FAST corner detection template
下载: 全尺寸图片 幻灯片
为了避免检测到的角点过于集中在 1 个区域,导致角点的分布性不好,一般做法是对
图像进行网格化,在网格化后的所有小图像块内进行非极大值抑制操作,只保留 Shi-
Tomas 响应值最大的角点作为该图像提取到的特征点。
1.2 LK 光流跟踪匹配
光流是像素在 2 幅序列图像中运动的表现方式,通过估计像素的位移完成特征点的匹
配,一般分为稠密光流和稀疏光流。前者指的是计算图像中所有像素的运动,后者则计算
部分像素运动。稀疏光流以 LK 光流法为代表。
LK 光流基于以下 3 个假设:像素由 1 幅图像流向另外 1 幅图像,像素的灰度保持不
变;相邻 2 帧图像之间运动变化不大;像素及其邻域像素具有相似的运动
[12]
。假设图像 I
中 1 个包含纹理信息的特征窗口 W=(-w
x
, w
x
)×(-w
y
, w
y
),中心点坐标 u=(u
x
, u
y
),当图像发生
变化时,LK 光流跟踪的目的是在图像 J 中找到另 1 个点 v=(u
x
+d
x
, u
y
+d
y
),使得 2 处窗口内
像素点的灰度值近似相等,定义像素窗口的灰度误差函数。
ε(d)=ε(dx,dy)=∑x=ux−wxux+wx∑y=vy−wyuy+wy(I(x,y)−J(x+dx,y+dy))2ε(d)=ε(dx,dy)=∑x=ux−wxux+wx∑y=vy−wyuy+wy(I(x,y)−J(x+dx,y+dy))2
(1)
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
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功