一种基于改进图像匹配策略的同步定位与建图方法技术

本发明专利技术提出了一种基于改进图像匹配策略的同时定位与建图的方法。该方法采用改进的ORB特征对图像各个区域进Oriented FAST(Oriented Features from Accelerated Segment Test)角点检测，计算特征点的描述子，之后利用改进的RANSAC算法进行特征匹配及筛选。最后使用PnP(Perspective‑n‑Point)方法求解机器人的初始位姿，利用得到的初始位姿生成位姿图，然后使用列文伯格‑马夸尔特方法对位姿进行更新并利用g2o(General Graphic Optimization,G2O)优化库对位姿进行优化。最终把优化后的位姿以及相对应帧的结合在一起生成点云地图。此方法能够提高误匹配剔除的效率并且能够改善跟踪过程的鲁棒性得到较为准确的地图。

A method of simultaneous localization and mapping based on improved image matching strategy

The invention proposes a method of simultaneous localization and mapping based on improved image matching strategy. The improved ORB feature is used to detect the Oriented FAST (Oriented Features from Accelerated Segment Test) corners in each region of the image, and the descriptors of the feature points are calculated. Then the improved RANSAC algorithm is used for feature matching and filtering. Finally, the PnP (Perspective_n_Point) method is used to solve the initial pose of the robot, and the resulting initial pose is used to generate the pose map. Then the position and pose are updated by Levenberg_Macquart method and optimized by g2o (General Graphic Optimization, G2O) optimization library. Finally, the optimized pose and corresponding frames are combined to generate the point cloud map. This method can improve the efficiency of mismatch rejection and the robustness of tracking process to get more accurate maps.

【技术实现步骤摘要】
一种基于改进图像匹配策略的同步定位与建图方法
本专利技术涉及一种基于改进图像匹配策略的同步定位与建图方法,属于图像匹配和视觉SLAM(SimultaneousLocalizationandMapping)领域。
技术介绍
机器人的同步定位与建图是实现机器人自主导航的关键，机器人如何在未知环境中完成自身的定位和建图是一个极具挑战的问题。传统GPS定位通常应用于室外环境，在室内环境中往往存在定位失效的问题。随着计算机视觉领域研究的不断发展，室内环境下基于视觉的SLAM技术逐渐成为研究热点。由于相机能够获取更加丰富的环境信息，并且随着价格相对低廉的微软kinect深度相机的推出，将其应用于视觉SLAM领域并在近年来取得了良好的定位与建图效果。经典的视觉SLAM流程主要包括以下几个步骤：(1)信息读取，主要为图像信息的读取和预处理；(2)视觉里程计，主要估算相邻图像间的运动，以及局部地图的创建；(3)后端优化，后端用来不断接收视觉里程计测量的位姿，通过非线性优化方法对位姿进行优化，从而得到全局一致的轨迹和地图；(4)回环检测，主要判断机器人是否到达过先前的位置，若检测到则交给后端进行处理；(本文档来自技高网...

【技术保护点】
1.一种基于改进图像匹配策略的同时定位与建图的方法，其特征在于，包括以下步骤：步骤一，图像数据的获取采用微软公司的kinect相机获取周围环境的彩色图像和深度图像，编写程序实现获取图像功能；步骤二，特征提取采用改进的ORB特征对图像进行特征点检测，此改进算法的步骤如下：1)计算图像金字塔，设定金字塔层数为8，层间尺度比例为1.2；给每层分配待提取的特征点数，具体分配是通过等比数列求和的方式计算出每一层特征点的数目；2)对图像金子塔中每一层图像进行特征点计算，然后将每一层中的图像划分成大小为14*20区域，然后进行FAST角点检测；3)根据每层划分的图像区域，将图像特征表示为四叉树形式，由每一层...

【技术特征摘要】
1.一种基于改进图像匹配策略的同时定位与建图的方法，其特征在于，包括以下步骤：步骤一，图像数据的获取采用微软公司的kinect相机获取周围环境的彩色图像和深度图像，编写程序实现获取图像功能；步骤二，特征提取采用改进的ORB特征对图像进行特征点检测，此改进算法的步骤如下：1)计算图像金字塔，设定金字塔层数为8，层间尺度比例为1.2；给每层分配待提取的特征点数，具体分配是通过等比数列求和的方式计算出每一层特征点的数目；2)对图像金子塔中每一层图像进行特征点计算，然后将每一层中的图像划分成大小为14*20区域，然后进行FAST角点检测；3)根据每层划分的图像区域，将图像特征表示为四叉树形式，由每一层检测到的特征点数确定四叉树的节点数目；4)对划分之后的节点进行判断，如果此节点的特征点数为1则不再分裂此节点(保留每个节点里面最好的特征点)；5)当节点个数大于初始设定的总特征点数1000或者所有节点中只包含一个特征点时则终止检测，反之则继续；步骤三，特征匹配及初始位姿求解RANSAC算法通常用在图像误匹配剔除的过程中，其中内点比例和迭代次数的关系如式(1)所示；其中p为置信度，γ为内点比例，η为计算模型所需的最少特征点数量，L为迭代次数；改进RANSAC算法步骤如下：1)计算特征描述子，采用高斯分布模型来选取记录特征点周围的环境信息的图像点；其中采样点的坐标(xi,yi)满足高斯分布S为区域半径值；2)计算待匹配的特征点的描述子与其他描述子之间的欧氏距离，得到最小距离和次小距离；计算方法如式(2)所示；其中pi和pj为两个特征点，Desik和Desjk分别为pi和pj特征点描述子的第k个分量；L(pi,pj)为待匹配的特征点描述子之间的欧氏距离，m为第一对描述子，n为特征描述子的总对数；3)判断步骤2)中的最小欧氏距离和次小欧氏距离的比值是否小于0.7，；如果小于把这些特征点保...

【专利技术属性】
技术研发人员：贾松敏，郑泽玲，张祥银，李明爱，李秀智，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11