【技术实现步骤摘要】
一种提高单目视觉初始化稳定性的方法
[0001]本专利技术涉及移动机器人的定位导航技术方法，特别是一种提高单目视觉初始化稳定性的方法。
技术介绍
[0002]随着技术的发展和越来越多开源系统的出现，视觉同时定位与地图构建(simultaneous localization and mapping，SLAM)技术日趋成熟，已广泛应用于机器人导航、无人机、增强现实和无人驾驶等领域。其中单目视觉SLAM方法以最少的传感器来解决位姿估计问题，并在重量和成本方面具有明显的优势。然而单目视觉SLAM还存在着一些问题：(1)尺度问题，相机的投影模型决定了单个相机无法获取场景的深度信息，还会造成尺度漂移；(2)图像质量对视觉SLAM的影响较大，在图像模糊或场景中特征不丰富等情况下，会出现跟踪丢失无法估计位姿。(3)目视觉SLAM由于仅从单帧的图像不能得到深度信息，因此需要从图像序列中选取两帧以上的图像以估计相机姿态并重建出初始的三维点云，因此必须进行初始化，而场景纹理缺失容易造成初始化失败或初始化精度不高。
[0003]初始化是单目...
【技术保护点】
【技术特征摘要】
1.一种提高单目视觉初始化稳定性的方法，其特征在于，包括：(1)提取两帧图像之间的点特征和线特征，之后分别通过追踪获得对应特征点对以及匹配获得对应的线特征对；(2)在两帧图像之间，通过跟踪特征点对之后，得到两帧图像的特征点位置关系，通过对极几何关系计算两图像间的相对位姿；(3)对于每两图像帧，在获得匹配的线特征对之后，通过最大化线特征的投影重叠约束两帧之间的相对位姿，从而在图像模糊或场景中点特征较少等情况下获取较好的位姿估计结果，完成单目视觉SLAM的初始化过程。2.根据权利要求1所述的一种提高单目视觉初始化稳定性的方法，其特征在于，所述步骤(1)中利用Harris特征点检测算法和直线段特征检测算法LSD提取两帧图像的特征点和线特征，特征点的追踪与筛选，以及线特征的匹配方式如下：对于每张图像，检测完两帧图像间的特征点之后使用KLT光流法对检测到的特征点进行跟踪；不断检测新特征点，使得每张图像对应的特征点保持在一个预定范围内；对于处理外点，则使用随机抽样一致算法结合计算基础矩阵筛选内点，剔除掉外点；线特征的提取和描述采用的是LSD提取算法和LBD描述子的方案；线特征的跟踪是提取的是每一帧图片上的线特征，然后进行前后匹配，以达到跟踪的效果。3.根据权利要求2所述的一种提高单目视觉初始化稳定性的方法，其特征在于，所述预设范围为100
‑
300个。4.根据权利要求1所述的一种提高单目视觉初始化稳定性的方法，其特征在于，所述步骤(2)中计算两帧图像间的相对位姿的具体方式如下：通过光流法跟踪到图像间对应的特征点对，接着利用对极几何原理计算出本质矩阵，然后从本质矩阵中恢复出两帧图像间的旋转矩阵R和平移矩阵t。5.根据权利要求4所述的一种提高单目视觉初始化稳定性的方法，其特征在于，所述利用对极几何原理计算本质矩阵，并从中恢复两帧图像间的相对位姿，具体为：求取两帧图像之间的运动，设两帧间的旋转矩阵为R和平移矩阵为t，考虑两帧图像间有对应的特征点对p1和p2，由于特征点对p1和p2是通过光流法跟踪得到的，如果跟踪正确的话，说明它们确实是同一个空间点P在两个成像平面的投影；根据针孔相机模型可知p1和p2与空间点P的关系如下：s1p1＝KPs2p2＝K(RP+t)这里K为相机的内参矩阵，s1和s2分别为空间点P相对两帧图像的深度；将上述两式联合求解可得：p
2T
K
‑
T
t^RK
‑1p1＝0其中本质矩阵E＝t^R，t^表示取t的反对称矩阵；通过一对对应的特征点对可构建一个关于本质矩阵的线性方程；考虑本质矩阵的尺度等价性，使用8对点来估计本质矩阵，考虑一对匹配点，它们的归一化坐标为p1＝[u1,v1,1]
T
,p2＝[u2,v2,1]
T
；根据对极约束有：
把本质矩阵E展开，写成向量的形式：e＝[e1,e2,e3,e4,e5,e6,e7,e8,e9]
T
那么，对极约束可以写成与e有关的线性形式：[u2u1,u2v1,u2,v2u1,v2v1,v2,u1,v1,1]
·
e＝0同理，对于其他点对也有相同的表示；把所有点都放到一个方程中，变成线性方程组，其中u
i
,v
i
表示第i个特征点，以此类推：其中e
i
为本质矩阵E中的元素。6.根据权利要求1所述的一种提高单目视觉初始化稳定性的方法，其特征在于，所述步骤(3)具体为：给定一对匹配的线特征对l和l'，根据对极几何原理，在两帧图像间，上一帧图像检测的线特征两端点为下一帧图像中的两条极线，...
【专利技术属性】
技术研发人员：吴衔誉，尤家添，黄峰，谢钰，黄为，
申请(专利权)人：福州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。