一种改进的面向SLAM系统的相机位姿估计方法

相机位姿估计是SLAM系统的关键环节,影响着整个SLAM系统的精度和效率.针对SLAM中相机位姿估计存在的问题,提出了一种改进的相机位姿估计方法.该方法的主要思路是将特征点法和直接法结合起来,以此来提升特征点数量不足时相机位姿估计的精度和鲁棒性.首先,提出了一个将相机运动模型和图像划分相结合的特征匹配算法,该算法在保证匹配速度的同时,提高了特征匹配的精度与数量.其次,在特征点的基础上,通过引入光度信息,提出了表观形状加权融合的相机位姿估计方法,该方法在缺乏特征点时依然可以稳定工作.最后,基于优选的关键帧,实现了局部与全局融合的相机位姿优化,其中局部优化通过构建局部关键帧共视关系实现;全局优化通过基于闭环检测构建的位姿图来实现.为验证上述位姿优化方法的性能,构建了基于该方法的SLAM系统,并在当前流行的场景图像数据集上进行了重建实验,重建结果验证了本文方法的有效性.     

基于RGB-D图像的具有滤波处理和位姿优化的同时定位与建图

RGB-D相机能够同时获得彩色图像和深度图像,广泛用于同时定位与建图(SLAM)的研究.本研究针对RGB-D SLAM方法进行了两方面的改进:一方面,改进点云滤波方法,从而更有效地去除RGB-D相机数据中的噪声和冗余;另一方面,采用ICP算法提高相机位姿估计的精度,从而提高估计的相机运动轨迹的精度.在公开的数据集上对提出的RGB-D SLAM方法进行实验验证,结果表明,该方法能够有效提高移动机器人自主定位与建图的精度.     

基于目标检测的室内动态场景SLAM

室内动态场景下的同步定位与地图构建(simultaneous localization and mapping, SLAM)系统容易受到运动障碍物的影响，从而导致其位姿估计精度和视觉里程计的稳定性降低。本文提出一种基于YOLOv4目标检测网络的视觉SLAM算法，获取语义信息，并利用LK光流法判断动态特征，在传统的ORB-SLAM2系统上将动态特征点剔除，只使用静态特征点来估计相机的位姿；建立稠密点云地图，并转化成节约内存空间的八叉树地图。在TUM公开数据集上对该方法进行测试和评估，实验结果表明：在动态环境下，该系统与ORB-SLAM2相比，相机位姿估计精度提高83%，且减少了生成的环境地图的存储空间，为后续实现机器人导航具有重要意义。     

基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图（simultaneous localization and mapping, SLAM）系统。利用目标检测的实时性,在传统ORB＿SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统（robot operating system, ROS）下进行仿真,采用套接字（Socket）通信方式代替ROS中话题通信方式,将ORB＿SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB＿SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。     

室内剔除行人特征点的视觉SLAM算法

针对视觉SLAM系统在室内场景下易受行人干扰,导致定位精度和稳定性下降的问题,提出了一种室内剔除行人特征点的视觉SLAM算法,该算法在传统的ORB＿SLAM2算法中集成了一个新的动态目标检测线程,此线程使用YOLOV5s目标检测算法识别并剔除行人动态信息。首先,系统对YOLOV5s引入坐标注意力机制,提取图像中与目标相关的特征;其次,将彩色图像同时输入到ORB＿SLAM2算法和动态目标检测线程中,ORB＿SLAM2算法实时估计相机位姿,动态目标检测线程识别和剔除行人动态目标,从而减少其对ORB＿SLAM2算法的干扰;最后,将2个线程的输出融合至静态地图构建线程,生成无行人干扰的地图构建结果。针对文中算法,在不同数据集下开展试验验证。结果表明：相对于ORB＿SLAM2算法,改进算法在TUM的高动态数据集中绝对轨迹精度提高了96.51%,相对轨迹精度提高了96.57%,相对轨迹误差的旋转精度提高了96.47%。室内剔除行人特征点的视觉SLAM算法充分过滤了行人特征点,提高了SLAM系统的精度,为室内导航、建图等领域提供了一种新的解决方案。     

基于改进ICP算法和CAD模型库的单目视觉位姿测量

针对单目视觉条件下测量三维物体的位姿问题,提出一种基于改进迭代最近点(iterative closest point, ICP)算法和CAD(computer aided design)模型库的单目相机位姿测量方法.首先,利用OpenGL绘制物体几何模型,基于一系列虚拟观察点得到物体在虚拟相机下的投影图,提取边缘点集构成模板库;然后,通过改进的Hausdorff距离将待处理图像的边缘点集与模板库的点集模型进行匹配,得到粗略位姿,再在此基础上采用改进的ICP算法对待测图像的边缘点集与物体三维边缘点集进行迭代优化得到精确的位姿参数.实验结果表明,该方法求得的位姿参数误差较小,进而验证了所提方法的有效性.     

动态环境下基于深度学习的视觉SLAM研究

由于传统的同步定位与建图(simultaneous localization and mapping, SLAM)中有很强的静态刚性假设，故系统定位精度和鲁棒性容易受到环境中动态对象的干扰。针对这种现象，提出一种在室内动态环境下基于深度学习的视觉SLAM算法。基于ORB-SLAM2进行改进，在SLAM前端加入多视角几何，并与YOLOv5s目标检测算法进行融合，最后对处理后的静态特征点进行帧间匹配。实验使用TUM数据集进行测试，结果显示：SLAM算法结合多视角几何、目标检测后，系统的绝对位姿估计精度在高动态环境中相较于ORB-SLAM2有明显提高。与其他SLAM算法的定位精度相比，改进算法仍有不同程度的改善。     

基于图优化的单目线特征SLAM算法

提出了基于图优化的单目线特征同时定位和地图构建(SLAM)的方法.首先,针对主流视觉SLAM算法因采用点作为特征而导致构建的点云地图稀疏、难以准确表达环境结构信息等缺点,采用直线作为特征来构建地图.然后,根据现有线特征的SLAM算法都是基于滤波器的SLAM框架、存在线性化及更新效率的问题,采用基于图优化的SLAM解决方案以提高定位精度及地图构建的一致性和准确性.将线特征的Plücker坐标和Cayley参数化方式相结合,一方面采用Plücker坐标便于线性投影计算,另一方面采用Cayley参数化方式有利于线特征参数的非线性优化.仿真实验结果显示:所提出算法的位姿估计误差平方和与均方根误差分别是里程计位姿估计的2.5%和10.5%,是基于EKF线特征SLAM算法估计位姿误差的22.4%和33%,重投影误差仅为45.5像素;实际图像实验中的位姿估计误差平方和为958 cm~2,均方根误差为3.9413 cm,从而证明了所提出算法的有效性和准确性.     

基于改进ICP算法的室内环境三维地图创建研究

提出一种基于离散选取机制的改进特征点ICP算法,并设计了基于该算法的三维地图创建方法.该方法分为3个阶段,首先提取并匹配相机运动过程中采集的RGB彩色图像中的SURF特征点;然后结合RANSAC算法进行初始配准,优化特征点集初始位姿、去除误匹配,并结合基于离散选取机制的特征点ICP算法进行精确配准;最后利用g2o图优化算法结合关键帧实现对相机运动轨迹的优化,减少累计误差,并将相机采集到的点云数据根据相机当前位姿构建三维点云地图.经过在5个公开数据集环境下进行实验对比,证明本方法的可行性和有效性,在相机运动长度为15.989 m的情况下误差仅为0.059 m,且能够准确地创建实验环境的三维地图.     

基于滑窗非线性优化的双目视觉SLAM算法

针对双目基于ORB特征的即时定位与地图构建(ORB-SLAM)算法位姿估计精度较低的问题,对其进行了改进,提出了一种基于滑窗非线性优化的双目视觉SLAM算法。该算法引入了滑窗思想,在状态估计过程中对最新多帧图像对应系统的状态进行了解算;重构了位姿估计过程中的代价函数,通过高斯牛顿法优化状态变量;采用边缘化策略,有效限制了待求解状态量的数目,并将其余状态量及与其相关的视觉测量转换为求解当前滑窗内状态的先验约束。通过在公开数据集上测试,验证了算法的精确性和有效性,实验结果表明:该算法能有效估计相机位姿且不发生显著漂移,与双目ORBSLAM算法相比,位姿估计精度有了显著提高。     

基于粒子滤波的移动机器人SLAM算法

针对FastSLAM算法对传感器精度要求较高,不适用于方向性差的超声传感器问题,提出了一种基于超声概率栅格地图环境特征点提取匹配的移动机器人粒子滤波同时定位与地图创建(SLAM)算法.该算法可分解为机器人位姿估计和环境路标估计2个部分.基于蒙特卡罗定位原理利用粒子滤波算法对机器人运动轨迹进行估计;在建立全局超声概率栅格地图的基础上,利用概率栅格地图环境特征提取算法对环境路标坐标进行估计.实验证明,该算法较好地解决了超声测距传感器由于散射角大带来的特征点估计不准的问题,对环境路标和机器人轨迹的估计都比较准确.并对移动机器人累计误差进行了有效的补偿,减少了由于累积误差造成的移动机器人轨迹扭曲失真.     

结合车道线检测的智能车辆位姿估计方法

基于视觉的智能车辆定位问题是自动驾驶领域研究的一大热点。在某些有效近景特征不显著的场景中,由于参与计算的特征数量不足,会导致位姿估计精度下降甚至失效。为此,本文提出一种结合车道线检测的相机位姿估计方法来提高位姿估计精度。首先,设计了一套基于自适应感兴趣区域和几何结构筛选法的车道线检测算法,精确检测到了左右车道线的内、外侧线;其次,对车道线区域内的点进行帧间匹配,得到新的匹配点对,并根据V视差图拟合出地面视差方程,求解出属于车道线匹配点对的准确视差值;最后,将这些匹配点对与ORB方法提取得到的匹配点对融合,共同参与相机的位姿计算。经实验验证,本文提出的算法提高了位姿估计结果的精度,解决了某些场景中有效特征点不足导致的位姿估计失效问题,具有良好的环境适应性。     

基于空间结构约束的改进迭代最近点影像配准

提出了一种改进的基于空间结构约束的迭代最近点(ICP)影像配准方法.该方法通过结合特征点的空间结构相似性和特征相似性获得特征点的匹配矩阵,其中特征相似性通过特征点的局部特征描述算子进行计算,空间相似性则通过特征点的空间位置进行计算.特征点之间的空间结构相似性不仅包括了对应特征点之间的空间距离,还包含了特征点到邻近特征点的空间距离.在匹配过程中,分别从参考影像和待配准影像的角度出发,实现了匹配的对称性处理.通过对具有不同影像特征的真实遥感影像进行实验,结果表明该算法具有较高的配准精度.     

基于改进FPFH-ICP的车载激光雷达点云配准方法

为了改善传统车载激光雷达点云配准方法准确度低、计算速度慢的问题，提出了一种基于快速点特征直方图（fast point feature histograms, FPFH）初始匹配与改进迭代最近点（iterative closestpoint,ICP）精确配准相结合的改进FPFH-ICP配准算法。配准前使用体素滤波器和statistical-outlier-removal滤波器进行预处理；采用FPFH提取点云特征，基于采样一致性（sample consensus initial alignment, SAC-IA）进行初始配准，为精确配准提供良好的位姿信息；建立K-D树并在传统ICP配准算法的基础上添加法向量阈值，对车载激光雷达点云数据进行精确配准；在4种不同场景的实验中，改进FPFH-ICP配准比ICP配准的均方根误差和配准用时分别平均减少了7.56%和41.22%，比点特征直方图（point feature histograms, PFH）配准的均方根误差和配准用时分别平均减少了30.28%和18.95%，表明改进的FPFH-ICP能够对车载激光雷达点云数据实现精确且高效的配准。     

无人驾驶车辆单目视觉里程计快速位姿估计

针对传统的单目视觉里程计位姿估计算法无法满足无人驾驶车辆实时定位需求的问题,提出了一种基于基础矩阵性质改进的快速位姿估计算法。通过优化基础矩阵的计算过程来提高算法的实时性,首先得到含有8个未知参数的基础矩阵,然后利用特征匹配点对来求解基础矩阵。通过仿真实验对算法的效率和精度进行了分析,并将其与现有的算法进行了对比。实验结果表明,在不降低运动估计结果精度的前提下,优化后的位姿估计算法的运行速度可以在传统算法的基础上提高近4倍。研究对视觉里程计在无人驾驶车辆上的实时应用具有一定的参考价值。     

采用非线性尺度空间滤波和SIFT的遥感影像配准方法

针对传统点特征匹配算法存在运算时间长和配准精度低的问题,提出一种基于非线性尺度空间滤波和尺度不变特征转换(SIFT)点特征配准算法.首先,通过非线性尺度空间滤波对基准影像和待配准影像分别进行预处理,保留其边缘信息并去除噪声.其次,采用SIFT算法对预处理后的两幅影像进行特征点提取,通过最近邻和次近邻的欧式距离比值法进行双向匹配,得到匹配特征点.最后,对待配准影像进行仿射变换.结果表明:该方法的总体运行时间比传统SIFT点特征配准算法降低63.2%,且配准精度大幅提高.     

基于特征的刚体碎块断裂面层次化匹配方法

刚体碎块断裂面的匹配是通过旋转和平移变换将两个断裂曲面变换到同一坐标系统下的过程。为了提高断裂面匹配的速度和精度,提出一种基于局部特征和改进迭代最近点(iterative closest point,ICP)算法的层次化的匹配方法。首先,对刚体碎块外表面进行曲面分割,并根据粗糙度提取其断裂面;然后提取断裂面的局部深度、法线的偏角和点云密度等局部特征;最后采用基于局部特征和改进ICP算法的方法来实现断裂面的精确匹配。实验结果表明,基于局部特征的断裂面匹配算法能够精确、快速地实现刚体碎块的部分匹配和完全匹配,是一种有效的刚体碎块匹配方法。     

动态场景中自适应去除外点的全局运动估计方法

为在动态场景图像序列中准确地完成全局运动估计,提出一种自适应去除外点的全局运动估计方法。对尺度不变特征变换(Scale invariant feature transform,SIFT)算法提取出的特征点利用最近邻搜索算法中的BBF(Best Bin First)方法进行匹配。为提高全局运动估计的精度,提出改进的随机抽样一致(RANdom SAmple Consensus,RANSAC)算法。此算法能够自适应地去除外点,即利用特征点运动矢量的方差控制迭代次数来进行外点的去除,最终通过摄像机运动模型实现准确的运动参数估计和背景补偿。对标准图像序列Coastguard和实际拍摄的动态场景图像序列的实验表明,提出的方法能够快速地完成动态场景中的全局运动估计与补偿,具有较高的精度和适应性。     

一种改进的地下车库弱纹理下智能汽车SLAM算法

地下车库中纯视觉的SLAM方法无法克服光线不足和弱特征纹理两大不利因素,为此论文提出一种基于VINS-Mono框架下改进的视觉惯导融合算法,把原算法中提取Harris角点的方法改进为提取灰度值陡变的像素点,并使用非线性优化方法在初始化阶段进行视觉位姿估计。后端采用滑动窗口的形式建立先验估计残差、IMU残差以及基于灰度值不变原理构建的视觉残差的联合残差模型,进一步提升了系统底层变量的优化效果从而提高算法的定位准确度。通过基于EuRoc数据集的仿真实验和地下车库实际场景的实车实验,验证了所提算法的鲁棒性和精确性。     

基于GMS和块匹配的运动估计特征匹配算法研究

针对运动估计中传统特征匹配算法存在匹配时效性差、精度不高等问题,提出一种基于块匹配搜索的改进网格运动统计算法.首先提取ORB特征点并将图像划分网格;然后计算网格内各特征点的运动平滑约束度,并以此作为准则确保匹配精度;最后采用块匹配菱形搜索算法进行特征匹配筛选以提高匹配速度.仿真试验结果表明:相较于随机抽样一致算法,特征点保持数量为500时匹配效率提升24.6%,匹配速度提高42.9%;与ORB-SLAM2算法相结合用于连续运动估计时,单帧耗时0.13 s,实时性较好.