融合光流与特征匹配提升视觉里程计精度与效率

本文主要探讨了一种融合光流法和特征匹配的视觉里程计方法，旨在解决传统视觉里程计中光流法定位精度不足以及特征点法耗时过多的问题。在传统的视觉里程计框架中，光流法依赖于连续帧之间的像素运动来估计相机位姿，但可能会因为帧间的误差积累导致定位不准确。另一方面，特征匹配法虽然定位精度相对较高，但频繁地匹配特征点会导致计算效率低下。 为解决这些问题，研究者提出了一个创新的模型，结合了帧间优化的Lucas-Kanade (LK) 光流位姿估计和关键帧上的光流/特征点联合优化策略。首先，利用LK光流算法对相机进行初步的位姿估计，通过局部优化算法减少累积误差的影响。然后，在关键帧选择的基础上，将光流法和特征匹配的位姿信息整合到一个统一的损失函数中，这样既能保持光流法的实时性，又能避免特征匹配过多带来的性能损耗。 实验证明，新算法在简单环境中的定位精度与特征点法相当，但在特征点缺失的情况下，表现出更好的鲁棒性，能够提供更稳定的定位。此外，通过运行时间测试，该算法在保证定位精度的同时，将运行时间降低了37.9%，显示出显著的实时性能优势。 这项工作通过巧妙地融合两种方法，优化了视觉里程计的性能，使之在精确度和效率之间找到了一个良好的平衡，为实际应用中的视觉导航和机器人定位提供了有效的解决方案。这对于提高自主机器人系统的整体性能，尤其是在复杂环境下的导航任务中，具有重要的理论和实践价值。