一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法制造技术

本发明专利技术提供了一种基于RGB‑D相机结合平面检测与随机抽样一致算法的优化ORB算法，包括以下步骤：S1：使用RGB‑D相机获取图像数据，图像数据包括彩色图像与深度图像；S2：使用ORB算法对图像数据进行特征点提取，使用特征点均匀性评价方法判断特征点分布均匀性；S3：对于特征点分布均匀的图像数据部分，生成点云并且对其进行降采样；S4：对降采样后的点云进行平面检测提取，使用随机抽样一致算法消除误匹配；S5：对于特征点分布不均匀的图像数据部分，使用设置阈值进行特征点提取与非极大值抑制法剔除重叠特征点。本发明专利技术可降低计算量，提高特征点提取的准确性，降低误匹配，从而实现移动机器人对精准性与实时性的要求。

【技术实现步骤摘要】
一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法
本专利技术是一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，属于室内移动机器人路径规划导航

技术介绍
近年来，智能移动机器人技术得到迅速发展，已广泛应用于工业、军事、物流、办公和家庭服务等领域。随着RGB-D传感器的出现，采用RGB-D传感器进行移动机器人定位或SLAM的研究迅速发展起来。图像处理和点云处理等相关技术的进步，以及RGB-D传感器具有获取信息丰富、非接触测量、易安装使用和成本低廉等优点，使得RGB-D传感器被广泛地应用于目标识别、跟踪等领域。机器人导航问题中的第一问题就是如何确定场景模型，在过去的十几年里，许多解决方案都依赖于二维传感器如激光、雷达等进行地图的构建以及机器人位姿估计。随着RGB-D相机的问世，越来越多的研究人员开始关注使用RGB-D相机来解决机器人室内环境模型构建的问题，并且产生了很多有有影响力的研究成果。在目前，视觉SLAM技术逐渐成为一种主流的定位方案，然而单目SLAM无法从一张图像中获取像素点的深度信息，需要通过三角化或者逆深度的方法来估计像素点的深度。并且单目SLAM估计出的深度信息具有尺度不确定性，并且随着定位误差的累积，容易出现“尺度漂移”现象。双目SLAM通过匹配左右摄像头的图像得到匹配特征点，然后根据视差法估计特征点的深度信息。双目SLAM具有测量范围大等优点，但是计算量大且对相机的精度要求高，通常需要GPU加速才能满足实时性要求。RGB-D相机是近年来兴起的一种新型相机，该相机可以通过物理硬件主动获取图像中像素点的深度信息。相比于单目和双目相机，RGB-D相机不需要消耗大量的计算资源来计算像素点的深度，能够直接对周围环境和障碍物进行三维测量，通过RGB-DSLAM技术生成稠密的点云地图，为后续导航规划提供便利。现在常用的基于RGB-D相机的特征点提取匹配方法有ORB算法与ICP算法。ORB(OrientedFASTandRotatedBRIEF)是一种快速特征点提取和描述的算法。ORB算法分为两部分，分别是特征点提取和特征点描述。特征提取是由FAST(FeaturesfromAcceleratedSegmentTest)算法发展来的，特征点描述是根据BRIEF(BinaryRobustIndependentElementaryFeatures)特征描述算法改进的。ORB特征是将FAST特征点的检测方法与BRIEF特征描述子结合起来，并在它们原来的基础上做了改进与优化。ORB算法最大的特点就是计算速度快。这首先得益于使用FAST检测特征点。再次是使用BRIEF算法计算描述子，该描述子特有的2进制串的表现形式不仅节约了存储空间，而且大大缩短了匹配的时间。ICP算法由BeslandMcKay1992，Methodforregistrationof3-Dshapes文章提出。ICP算法的基本原理是：分别在带匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近点(pi，qi)，然后计算出最优匹配参数R和t，使得误差函数最小。这种方法可以提高产生最优解的效率，但是由于计算量较大，使得对于移动机器人来说实用性较差，从而使得成本增大。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，用于降低计算量，提高特征点提取的准确性，降低误匹配，从而实现移动机器人对精准性与实时性的要求。为解决上述技术问题，本专利技术采用的技术方案为：一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，该方法包括以下步骤：S1：使用RGB-D相机获取图像数据，图像数据包括彩色图像与深度图像；S2：使用ORB算法对图像数据进行特征点提取，使用特征点均匀性评价方法判断特征点分布均匀性；S3：对于特征点分布均匀的图像数据部分，生成点云并且对其进行降采样；S4：对降采样后的点云进行平面检测提取，使用随机抽样一致算法消除误匹配；S5：对于特征点分布不均匀的图像数据部分，使用设置阈值进行特征点提取与非极大值抑制法剔除重叠特征点；S6：对于S4消除误匹配后的点云以及S5剔除重叠特征点后的特征点，投影回二维图像平面，重建并使灰度图像均衡化。优选地，S1中，RGB-D相机包括Kinect相机。优选地，S2具体包括以下步骤：S21：使用特征点提取OrientedFAST算法，判别特征点x是否是一个特征点，当判断特征点x是一个特征点时，计算该特征点主方向，并命名该特征点为关键点，使关键点具有方向性；判别特征点x是否是一个特征点的方法为：以特征点x为中心画圆，该圆过n个像素点，设在圆周上的n个像素点中是否最少有m个连续的像素点与特征点x之间的距离满足均比lx+t大，或者均比lx-t小，如果满足这样的要求，则判断特征点x是一个特征点；其中，lx代表特征点x与圆上的像素点之间的距离；l代表距离；t代表阈值，是范围的调节量；n＝16；9≤m≤12；S22：使用特征点描述rBRIEF算法，对图像数据进行高斯平滑处理，以关键点为中心，在邻域内挑选像素点y，并组成n个点对(xi，yi)，I(x，y)相互比较灰度值，I代表灰度值，x>y取1，反之取0，生成n维特征描述符，将n个点对(xi，yi)定义为2*n矩阵S，利用θ对S进行旋转，Sθ＝RθS(2)式(2)中，Sθ代表旋转角度为θ的矩阵，θ为沿特征点主方向旋转θ角度；邻域为以该关键点为中心过k个像素点的圆内选择像素点y；其中，0<k<n；S23：特征点分布均匀性评价方法，通过不同划分方式将图像数据进行分割，分割后获得特征点分布均匀的图像数据部分和特征点分布不均匀的图像数据部分。进一步优选地，特征点分布均匀性评价方法为：首先将图像数据初步分割成若干子区域Si，对每个子区域Si再次分割成若干二级子区域Sij，二级子区域Sij包括Si1至Sij个区域，根据二级子区域Sij内的特征点数目评价该区域特征点是否均匀分布；若Si1至Sij特征点数目均相近，相近的计算方法为：通过计算二级子区域统计分布的特征点方差数值，并根据该方差数值判断，当方差数值小于15时，则可以判定Si子区域特征点分布均匀，反之判定不均匀。进一步优选地，图像数据分割方法包括分割为中心和四周方向、由左上至右下分割或者由左下至右上分割。优选地，S3具体包括以下步骤：S31：根据特征点分布均匀的彩色图像与深度图像，采用下式(3)获得点云，式(3)使用像素坐标系o-u-v；cX,cY,fX,fY,s为相机内参；u,v为特征点的像素坐标；d为特征点的深度；特征点的坐标为(X，Y，Z)，若干由坐标定义的点构成点云；S32：使用网格滤波器进行处理，从点云中提取出平面。优选地，S4具体包括以下步骤：S41：平面提取的公本文档来自技高网...

【技术保护点】
1.一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，其特征在于，该方法包括以下步骤：/nS1：使用RGB-D相机获取图像数据，图像数据包括彩色图像与深度图像；/nS2：使用ORB算法对图像数据进行特征点提取，使用特征点均匀性评价方法判断特征点分布均匀性；/nS3：对于特征点分布均匀的图像数据部分，生成点云并且对其进行降采样；/nS4：对降采样后的点云进行平面检测提取，使用随机抽样一致算法消除误匹配；/nS5：对于特征点分布不均匀的图像数据部分，使用设置阈值进行特征点提取与非极大值抑制法剔除重叠特征点；/nS6：对于S4消除误匹配后的点云以及S5剔除重叠特征点后的特征点，投影回二维图像平面，重建并使灰度图像均衡化。/n

【技术特征摘要】
1.一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，其特征在于，该方法包括以下步骤：
S1：使用RGB-D相机获取图像数据，图像数据包括彩色图像与深度图像；
S2：使用ORB算法对图像数据进行特征点提取，使用特征点均匀性评价方法判断特征点分布均匀性；
S3：对于特征点分布均匀的图像数据部分，生成点云并且对其进行降采样；
S4：对降采样后的点云进行平面检测提取，使用随机抽样一致算法消除误匹配；
S5：对于特征点分布不均匀的图像数据部分，使用设置阈值进行特征点提取与非极大值抑制法剔除重叠特征点；
S6：对于S4消除误匹配后的点云以及S5剔除重叠特征点后的特征点，投影回二维图像平面，重建并使灰度图像均衡化。


2.根据权利要求1所述的一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，其特征在于，S1中，RGB-D相机包括Kinect相机。


3.根据权利要求1所述的一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，其特征在于，S2具体包括以下步骤：
S21：使用特征点提取OrientedFAST算法，判别特征点x是否是一个特征点，当判断特征点x是一个特征点时，计算该特征点主方向，并命名该特征点为关键点，使关键点具有方向性；
判别特征点x是否是一个特征点的方法为：以特征点x为中心画圆，该圆过n个像素点，设在圆周上的n个像素点中是否最少有m个连续的像素点与特征点x之间的距离满足均比lx+t大，或者均比lx-t小，如果满足这样的要求，则判断特征点x是一个特征点；其中，lx代表特征点x与圆上的像素点之间的距离；l代表距离；t代表阈值，是范围的调节量；n＝16；9≤m≤12；
S22：使用特征点描述rBRIEF算法，对图像数据进行高斯平滑处理，以关键点为中心，在邻域内挑选像素点y，并组成n个点对(xi，yi)，I(x，y)相互比较灰度值，I代表灰度值，x>y取1，反之取0，生成n维特征描述符，将n个点对(xi，yi)定义为2*n矩阵S，



利用θ对S进行旋转，
Sθ＝RθS(2)
式(2)中，Sθ代表旋转角度为θ的矩阵，θ为沿特征点主方向旋转θ角度；
邻域为以该关键点为中心过k个像素点的圆内选择像素点y；其中，0<k<n；
S23：特征点分布均匀性评价方法，通过不同划分方式将图像数据进行分割，分割后获得特征点分布均匀的图像数据部分和特征点分布不均匀的图像数据部分。


4.根据权利要求3所述的一种基于RGB-D相机结合平面检测与随机抽样一致算法的优化ORB算法，其特征在于，特征点分布均匀性评价方法为：首先将图像数据初步分割成若干子区域Si，对每个子区域Si再次分割成若干二级子区域Sij，...

【专利技术属性】
技术研发人员：程明，司雨晨，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32