基于改进基于改进ORB算法的移动机器人视觉算法的移动机器人视觉SLAM方法研究方法研究
以移动机器人视觉导航为应用背景,针对传统ORB算法在视觉SLAM中存在特征点分布不均匀、重叠特征点较多
的问题,提出一种改进ORB算法。首先,对每层图像的尺度空间金字塔进行网格划分,增加空间尺度信息;其
次,在特征点检测时,采用改进FAST角点自适应阈值提取,设置感兴趣区域;然后,采用非极大值抑制的方
法,抑制低阈值特征点的输出;最后,使用基于区域图像特征点分布的方差数值评价待检测图像中特征点的分
布情况。实验结果表明,改进ORB算法特征点的分布较为均匀,输出特征点重叠数量较少,执行时间较短。
0 引言引言
作为移动机器人实现智能化的关键技术,同步定位与地图创建(Simultaneous Localization And Mapping,SLAM)
[1]
在移动
机器人的自主导航、自主控制中发挥着重要的意义。随着视觉传感器
[2]
的发展,视觉SLAM在移动机器人中的应用越趋普遍。
视觉信息与惯性导航系统相结合,可以避免移动机器人对有源信号的依赖,更满足于无源条件下的导航需求,具有体积小、重
量轻、安装方便等优点。根据使用视觉传感器类型的不同,将视觉SLAM划分为:单目(Monocular)视觉SLAM、双目
(Binocular)视觉SLAM和深度(RGB-D)视觉SLAM。深度视觉SLAM利用深度相机记录周围场景的同时,能够输出RGB-D图像
信息(彩色图像与深度图像),有效地解决了单目相机没有深度信息、双目相机求解深度信息计算量繁重的问题。在RGB-D
SLAM算法中,特征提取算法的选择会影响整个系统的实时性。目前,在RGB-D SLAM算法中应用最为广泛的特征点检测与提
取算法有SIFT
[3]
、SURF
[4]
和ORB
[5]
3种。
尺度不变的特征变换(Scale-invariant Feature Transform,SIFT)是一种特征检测与描述子提取算法。该算法在旋转、尺
度的缩放、光照条件的变化、噪声干扰等方面受到的影响较小,具有较好地稳定性。加速鲁棒性特征(Speeded Up Robust
Features,SURF)算法是对SIFT算法的改进,其具有稳健的局部特征点检测和描述符特征。与SIFT算法相比,SURF算法采
用了积分图像和Harr特征使得SURF算子在速度上有了一定的提高。但上述两种算法都要求建立高维描述符,需要大量的内存
空间和较长的运行时间
[6]
,该两种特征点提取算法都不适合应用在对系统实时性要求较高的RGB-D SLAM算法中。
为满足RGB-D SLAM算法对系统实时性的要求,在此使用运算速度较快的ORB(Oriented FAST and rotated BRIEF)算
法。该算法的运算速度是SIFT的100倍,是SURF的10倍
[7]
。但是,ORB算法存在特征点分布不均匀、输出重叠特征点较多等
问题。因此,本文提出一种改进ORB算法,并且使用一种特征点分布均匀度的评价方法计算特征点的分布情况。
1 基本原理基本原理
1.1 RGB-D SLAM算法算法
RGB-D SLAM算法由前端数据处理和后端优化处理两部分组成。前端数据处理主要对Kinect相机采集的彩色图像与深度图
像进行处理,得到相邻两帧图像之间的运动关系,进而定量地估计相机的运动情况,恢复三维场景的空间结构。后端优化处理
主要对前端生成的数据结果进行优化,使用滤波与非线性优化方法、引入回环检测解决RGB-D SLAM过程中存在的噪声问
题,最终生成全局最优的运动轨迹和三维空间环境地图。
1.2 ORB算法基本原理算法基本原理
在ORB算法中,特征点提取采用改进FAST(oFAST)算法,特征点描述子采用具有旋转不变性的BRIEF(rBRIEF)算法。ORB
算法对角点方向测量时使用灰度质心法
[8]
。假设某角点的灰度与其所在的邻域重心没有完全重合,发生了偏移,可以通过角点
灰度坐标到质心之间形成的向量计算出角点的主方向。定义角点邻域的(p+q)阶矩,如式(1)所示:
评论0