点线特征鲁棒性评估的双目视觉里程计算法

"本文介绍了一种基于点线特征的双目视觉里程计方法，通过鲁棒性评估来提高位姿估计的精度。研究中，作者提出结合点线特征，利用梯度密度滤波器预处理和极线约束优化匹配过程，并引入综合考虑匹配精度和三角测量不确定性的特征选择策略。算法框架包括位姿估计、关键帧选取和局部建图，采用ORB和LSD/LBD描述子提取与匹配点线特征。实验结果在KITTI-ODOMETRY数据集上验证了该方法的有效性，与已有的PL-StVO算法相比具有优势。" 在自动驾驶、无人机控制以及太空机器人等领域，同步定位与地图构建（SLAM）技术至关重要。视觉SLAM是SLAM的一种形式，通常分为基于滤波器、关键帧优化和直接跟踪的三大类。视觉里程计作为视觉SLAM的前端，负责提供准确的相机位姿估计。基于点线特征的视觉里程计方法因其鲁棒性而被广泛研究。 传统的点线特征匹配方法往往忽视了匹配特征的差异性，将所有匹配视为等效。然而，匹配的特征点的视差大小直接影响三角测量的不确定性：大视差意味着更高的深度精度，但同时也增加了跟踪丢失和匹配不可靠的风险。因此，如何平衡匹配精度和三角测量的准确性成为一个挑战。 本文为此提出了一种新的特征鲁棒性估计方法，通过筛选出鲁棒性高的特征点和线段，结合ICP（迭代最近点）和PnP（透视n点）算法来估计相机位姿。在特征提取阶段，使用ORB提取特征点，LSD提取特征线段，并利用LBD描述子进行描述。线特征通过端点模型简化处理，同时应用极线约束提升匹配精度。通过分析KITTI数据集的双目图像，统计视差分布，进一步优化匹配过程。 算法框架包括三个主要部分：位姿估计、关键帧选取和局部建图。位姿估计是核心，通过优化匹配特征的鲁棒性来提高位姿估计的准确性。关键帧选取和局部建图则用于维持系统稳定性并构建环境地图。 实验结果表明，该方法在KITTI-ODOMETRY数据集上的性能优于PL-StVO算法，验证了所提方法的有效性和实用性。这一创新点线特征融合策略有助于提升双目视觉里程计在复杂环境下的鲁棒性和精度，为自动驾驶等领域的视觉导航提供了更可靠的技术支持。