一種基于rgb-d的slam算法的改進方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及移動機器人研宄領(lǐng)域，具體是一種基于RGB-D的SLAM算法的改進方 法。
【背景技術(shù)】
[0002] 為了在未知環(huán)境中進行導(dǎo)航，移動機器人需要構(gòu)建環(huán)境地圖并且同時定位自 身在地圖中的位置，像這樣同時解決這兩個問題的過程就稱為同步定位與地圖構(gòu)建 (SimultaneouslyLocalizationAndMapping，SLAM)。當機器人處于室外環(huán)境的時候，這 個問題可以通過高精度的GPS來解決。但是，當機器人處于室內(nèi)環(huán)境時，或當GPS不夠精確 無法滿足高精度的需求時，或者當機器人所處環(huán)境涉密時，人們就必須使用其他方法來精 確估計機器人的位置并且同時構(gòu)建環(huán)境地圖。SLAM問題就是在這樣的需求背景下提出的， 是當前移動機器人研宄領(lǐng)域的一個重要課題。
[0003] 移動機器人可以通過不同類型的傳感器獲取所處環(huán)境的信息，傳感器的類型不 同，得到的環(huán)境信息的內(nèi)容也不相同。如聲吶測距儀獲取的信息為傳感器與障礙的距離信 息，激光掃描測距儀獲取的信息為傳感器與障礙的距離和角度信息，視覺傳感器獲取的信 息為環(huán)境的圖像信息等等。移動機器人可以同時配置多類傳感器，通過融合不同傳感器所 獲取的信息，可以有效地提高地圖環(huán)境的精度。
[0004] 把視覺傳感器和紅外傳感器集成到一起并實現(xiàn)兩種傳感器信息之間的良好同步， 這樣就構(gòu)成了RGB-D傳感器。基于RGB-D傳感器的VSLAM則被稱為RGB-DSLAM。
[0005] 因此，本發(fā)明提出了一種針對RGB-DSLAM實現(xiàn)算法的各部分改進方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種增強特征匹配、匹配點精確的基于RGB-D的SLAM算法 的改進方法，針對現(xiàn)有RGB-DSLAM算法中存在的效率低與誤差大的問題做出改進。
[0007] 為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0008] -種基于RGB-D的SLAM算法的改進方法，分為前端和后端兩部分，前端的任務(wù)為 提取不同觀察結(jié)果之間的空間關(guān)系，分為特征檢測與描述符提取、特征匹配、運動變換估計 和運動變換優(yōu)化；后端的任務(wù)為使用非線性誤差函數(shù)優(yōu)化位姿圖中相機的位姿信息；使用 基于圖的位姿優(yōu)化方法，利用前端得到的6D運動變換關(guān)系初始化位姿圖，然后進行閉環(huán)檢 測添加閉環(huán)約束條件，再利用非線性誤差函數(shù)優(yōu)化方法進行位姿圖優(yōu)化，最終得到全局最 優(yōu)相機位姿和相機運動軌跡，并進行三維環(huán)境重建；其中，特征檢測與描述符提取、特征匹 配、運動變換估計和運動變換優(yōu)化的具體方法如下所述：
[0009] 1)基于0RB的特征檢測與描述符提取方法
[0010] 0RB算法是一種快速特征檢測與描述符提取算法，包含OFAST特征點檢測和 rBRIEF描述符提取兩個步驟；該算法的具體內(nèi)容如下：
[0011] (1)在oFAST特征點檢測步驟中，首先對原圖像構(gòu)建尺度空間金字塔，然后使用 FAST特征點檢測方法檢測出足夠多的特征點并使用Harris角點評估方法對檢測到的特征 點進行篩選，再根據(jù)強度矩心求出特征點的方向；
[0012] (2)在rBRIEF描述符提取步驟中，首先對oFAST特征點生成BRIEF特征描述符，然 后利用oFAST特征點的方向矢量對BRIEF特征描述符進行轉(zhuǎn)向生成steeredBRIEF特征描 述符，再使用貪心學(xué)習(xí)算法從訓(xùn)練集中篩選出一組具有較大方差值、高度不相關(guān)且位均值 位于0. 5附近的二元點集，然后使用這組二元點集生成BRIEF特征描述符并進行轉(zhuǎn)向，得到 具有旋轉(zhuǎn)不變性的rBRIEF特征描述子；
[0013] 2)基于FLANN的增強特征匹配方法
[0014] 基于FLANN的增強特征匹配方法是對查找?guī)陀?xùn)練幀特征描述符進行雙向的基 于FLANN的KNN匹配，然后使用單應(yīng)性矩陣變換對匹配結(jié)果進行優(yōu)化；
[0015] 3)改進RANSAC的運動變換估計方法
[0016] 使用RANSAC的方法進行運動變換估計總體上是一個迭代的過程；在每一次迭代 過程中從三維坐標匹配點對集合中隨機選擇20個三維坐標匹配點對，根據(jù)這些三維坐標 匹配點對求出一個運動變換模型；對于三維坐標匹配點對集合中的每一個元素，使用所求 出的運動變換模型將元素中的原坐標進行投影以得到投影坐標，計算目標坐標與投影坐標 之間的誤差，如果誤差小于閾值，則該三維坐標匹配點對是局內(nèi)點，將其加入局內(nèi)點集合； 否則認為它是局外點，不作處理；統(tǒng)計局內(nèi)點的數(shù)目，并計算該模型下的平均誤差；如果局 內(nèi)點數(shù)目高于閾值并且平均誤差低于閾值，則利用所有的局內(nèi)點重新計算新的運動變換模 型；然后再次對新的運動變換模型進行評估；
[0017] (4)基于GICP的運動變換優(yōu)化方法
[0018] GICP算法在對標準ICP算法和點到面ICP算法進行歸納與綜合的基礎(chǔ)上，更進一 步使用了面到面的思想進行改進；GICP算法的抽象程度更高，而且在一定條件下退化成標 準ICP算法或者點到面ICP算法；GICP算法點云配準所需的時間高于標準ICP算法，但是 GICP的精度遠遠高于標準ICP，使用GICP算法替換標準ICP算法進行RGB-DSLAM算法中 的運動變換優(yōu)化，以使得求解出的運動變換誤差更小。
[0019] 作為本發(fā)明進一步的方案：〇FAST特征點檢測的具體步驟如下所述，F(xiàn)AST是一種 非?？焖俚奶卣鼽c檢測算法，根據(jù)候選點與其圓形鄰域內(nèi)相鄰像素點的灰度值差異來判斷 候選點是否為特征點，具體判斷方法如式（1-1)所示：
【主權(quán)項】
1. 一種基于RGB-D的SLAM算法的改進方法，分為前端和后端兩部分，前端的任務(wù)為提 取不同觀察結(jié)果之間的空間關(guān)系，分為特征檢測與描述符提取、特征匹配、運動變換估計和 運動變換優(yōu)化；后端的任務(wù)為使用非線性誤差函數(shù)優(yōu)化位姿圖中相機的位姿信息；使用基 于圖的位姿優(yōu)化方法，利用前端得到的6D運動變換關(guān)系初始化位姿圖，然后進行閉環(huán)檢測 添加閉環(huán)約束條件，再利用非線性誤差函數(shù)優(yōu)化方法進行位姿圖優(yōu)化，最終得到全局最優(yōu) 相機位姿和相機運動軌跡，并進行=維環(huán)境重建；其特征在于，其中，特征檢測與描述符提 取、特征匹配、運動變換估計和運動變換優(yōu)化的具體方法如下所述： 1) 基于ORB的特征檢測與描述符提取方法 ORB算法是一種快速特征檢測與描述符提取算法，包含oFAST特征點檢測和巧RIEF描 述符提取兩個步驟；該算法的具體內(nèi)容如下： (1) 在oFAST特征點檢測步驟中，首先對原圖像構(gòu)建尺度空間金字塔，然后使用FAST特 征點檢測方法檢測出足夠多的特征點并使用Harris角點評估方法對檢測到的特征點進行 篩選，再根據(jù)強度矩屯、求出特征點的方向； (2) 在巧RIEF描述符提取步驟中，首先對oFAST特征點生成BRIEF特征描述符，然后 利用oFAST特征點的方向矢量對BRIEF特征描述符進行轉(zhuǎn)向生成steeredBRIEF特征描述 符，再使用貪屯、學(xué)習(xí)算法從訓(xùn)練集中篩選出一組具有較大方差值、高度不相關(guān)且位均值位 于0. 5附近的二元點集，然后使用該組二元點集生成BRIEF特征描述符并進行轉(zhuǎn)向，得到具 有旋轉(zhuǎn)不變性的巧RIEF特征描述子； 2) 基于FLAW^的增強特征匹配方法 基于FLAW^的增強特征匹配方法是對查找帖和訓(xùn)練帖特征描述符進行雙向的基于FLAW^的腳W匹配，然后使用單應(yīng)性矩陣變換對匹配結(jié)果進行優(yōu)化； 3) 改進RANSAC的運動變換估計方法 使用RANSAC的方法進行運動變換估計總體上是一個迭代的過程；在每一次迭代過程 中從=維坐標匹配點對集合中隨機選擇20個=維坐標匹配點對，根據(jù)該些=維坐標匹配 點對求出一個運動變換模型；對于=維坐標匹配點對集合中的每一個元素，使用所求出的 運動變換模型將元素中的原坐標進行投影W得到投影坐標，計算目標坐標與投影坐標之間 的誤差，如果誤差小于闊值，則該S維坐標匹配點對是局內(nèi)點，將其加入局內(nèi)點集合；否則 認為它是局外點，不作處理；統(tǒng)計局內(nèi)點的數(shù)目，并計算該模型下的平均誤差；如果局內(nèi)點 數(shù)目高于闊值并且平均誤差低于闊值，則利用所有的局內(nèi)點重新計算新的運動變換模型； 然后再次對新的運動變換模型進行評估； (4)基于GICP的運動變換優(yōu)化方法 GICP算法在對標準ICP算法和點到面ICP算法進行歸納與綜合的基礎(chǔ)上，更進一步 使用了面到面的思想進行改進；GICP算法的抽象程度更高，而且在一定條件下退化成標準 ICP算法或者點到面ICP算法；GICP算法點云配準所需的時間高于標準ICP算法，但是GICP 的精度遠遠高于標準ICP，使用GICP算法替換標準ICP算法進行RGB-DSLAM算法中的運動 變換優(yōu)化，W使得求解出的運動變換誤差更小。
2. 根據(jù)權(quán)利要求1所述的基于RGB-D的SLAM算法的改進方法，其特征在于，所述oFAST 特征點檢測的具體步驟如下所述，F(xiàn)AST是一種非?？焖俚奶卣鼽c檢測算法，根據(jù)候選點與 其圓形鄰域內(nèi)相鄰像素點的灰度值差異來判斷候選點是否為特征點，具體判斷方法如式 (1-1)所示：
(1-1) 式中，P為候選點，circle(p)為p的圓形鄰域，X為候選點圓形鄰域內(nèi)任意一像素點，I(P)為候選點的圖像灰度值，I(x)為X處的圖像灰度值諾N超出闊值條件￡d，則該候選 點為特征點； 在FAST特征點檢測結(jié)束后，使用Harris角點評估方法對特征點進行篩選；如果想要得 到的目標特征點數(shù)目為N，則首先設(shè)置一個足夠低的闊值W獲得超過N個特征點，然后使用 Harris評估方法對該些特征點進行排序，然后選取前N個作為所得到的目標特征點；