一种室内环境下的动态特征点滤除与重定位方法技术

本发明专利技术涉及一种室内环境下的动态特征点滤除与重定位方法，包括提取输入图像上的特征点并进行匹配，设置匹配质量得分函数；预估前一帧图像所提取到的特征点p

【技术实现步骤摘要】
一种室内环境下的动态特征点滤除与重定位方法


[0001]本专利技术涉及计算机视觉
，尤其是一种室内环境下的动态特征点滤除与重定位方法。

技术介绍

[0002]随着人工智能时代的到来，移动机器人因为其灵活性、自主性等特点得到了广泛地应用，不仅在军事、消防、救援、物流和勘探等行业发挥着重要作用，同时在日常生活中，为人们提供着便利，例如无人机、扫地机器人、服务机器人和无人驾驶汽车等。随着智能技术和传感器技术的飞速发展，移动机器人的应用已经从简单的已知环境扩展到完全未知的环境。在未知环境中，移动机器人需要利用自身传感器来感知周围环境以及估计自身姿态，保证在复杂的未知环境中完成自主运动。
[0003]同时，定位与建图(Simultaneous Localization And Mapping，SLAM)作为智能移动机器人的核心技术，指的是机器人在没有任何先验环境信息的情况下，同时完成移动机器人自身的定位以及周围环境的地图构建，它是实现智能移动机器人自主导航和避障的基础，对移动机器人之后的路径规划也起到决定性作用。近年来，随着视觉传感器价格的大幅降低，加之其能存储更多的外部环境信息，基于视觉的SLAM受到了越来越多学者的重视。现代视觉SLAM框架已经趋于成熟，其中，包括视觉里程计前端、状态估计后端、闭环检测等等。
[0004]然而，到目前为止，SLAM中的一些问题依然没有很好的解决。例如，现有的算法大多将外部环境作为静态假设，忽略了现实环境中动态目标对SLAM算法精度的影响，当移动机器人在复杂的动态场景中运动时，动态目标会使得相邻帧图像产生较大的差异，导致图像特征匹配出现紊乱，从而降低了SLAM系统的定位精度，严重的话会导致机器人位姿跟踪失败；此外场景中动态物体会对SLAM系统构建的地图造成严重影响，会使得构建出来的地图包含重影，影响地图的可读性和重用性。
[0005]SLAM中相机会随着移动机器人一起移动，导致图像的前景和背景相互独立运动，传统的运动目标检测方法，如帧间差分法和背景相减法对此效果不佳，无法有效检测滤除动态目标。Runzhi Wang等人提出了一种室内动态目标检测方法，通过极线几何滤除相邻帧中匹配的外点，融合RGB
‑
D相机提供的深度图的聚类信息识别场景中独立运动目标。但是该算法的精度依赖于求解的相邻帧间的位姿变换矩阵，在高动态运动场景中，误差较大。Lin等人出了一种使用深度信息和视觉测距法检测场景中的运动物体。通过将检测到的外点信息和视觉传感器的深度信息相融合可容易获得场景中的运动目标位置。近年来，深度学习方法发展迅速，Chao Yu等人基于ORB
‑
SLAM2框架提出DS
‑
SLAM，该框架在独立线程使用SegNet网络检测场景中的语义信息，通过RANSAC算法估算帧间变换矩阵，然后使用极线几何判断特征点状态。当某一目标上的动态特征点的数量大于阈值，则该目标被认为动态，滤除其所有特征点。上述工作虽然取得了较好的定位精度，但也存在一些问题，例如在高动态运动场景中误差较大，实时性较差，鲁棒性不好等。

技术实现思路

[0006]本专利技术的首要目的在于提供一种利用相机针孔成像模型，定义特征点异常得分函数，设置阈值来检测和滤除动态特征点，消除了动态场景中运动目标所带来的影响，并通过迭代的方式提高了相机位姿解算精度的室内环境下的动态特征点滤除与重定位方法。
[0007]为实现上述目的，本专利技术采用了以下技术方案：一种室内环境下的动态特征点滤除与重定位方法，该方法包括下列顺序的步骤：
[0008](1)提取输入图像上的特征点并进行匹配，定义特征点匹配精度约束，设置匹配质量得分函数；
[0009](2)利用上一个时间间隔内相机的位姿变换矩阵T
01
和上一个时刻的相机位姿T1，来预估前一帧图像所提取到的特征点p
i
在当前帧图像I2出现的投影点q
′
i
；
[0010](3)计算特征点P
i
在当前帧图像I2投影所在的位置q
′
i
和对应特征点q
i
的像素坐标之间的欧氏距离；
[0011](4)根据简化的相机针孔成像模型，利用特征点所对应的深度信息进行加权评分，定义几何约束得分；
[0012](5)定义特征点的异常得分，并设置阈值来检测和滤除当前帧动态特征点；
[0013](6)根据滤除后的特征点求解当前帧时刻的相机位姿，利用迭代求解的方式提高位姿解算精度。
[0014]在所述步骤(1)中，在特征点匹配时，计算每对特征点与其它特征点之间的最近汉明距离d
i1
和次近汉明距离d
i2
，记它们之间的比值为K
i
，即K
i
＝d
i1
/d
i2
，当K
i
＜α则认为是可靠的匹配，其中，α为精度约束因子，K
i
越小代表这对匹配点对的最近汉明距离远远小于次最小汉明距离，特征点的匹配质量越高，正确匹配的概率越大。
[0015]在所述步骤(2)中，将相机短时间间隔内的运动看作为匀速运动，在相邻时间间隔内的相机位姿变换矩阵近似不变：
[0016]T
12
＝T
01
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0017]T
01
表示上一个时间间隔内相机的位姿变换矩阵，T
12
表示当前时间间隔内的相机位姿变换矩阵；
[0018]通过上一时刻的相机位姿以及当前时间间隔内的相机位姿变换矩阵来预估特征点P
i
在当前帧图像I2中的投影点q
′
i
：
[0019]q
′
i
＝T
12
·
T1·
P
iw
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0020]式中P
iw
表示特征点P
i
的世界坐标，T1表示上一个时刻的相机位姿。
[0021]在所述步骤(3)中，计算两点像素坐标之间欧氏距离的公式如下：
[0022][0023]式中，d
qi
表示两点之间的欧氏距离，(u
i
,v
i
)为特征点P
i
在当前帧图像I2对应匹配特征点q
i
的像素坐标，(u
′
i
,v
′
i
)为特征点P
i
在当前帧图像I2预估投影点q
′
i
的像素坐标；
[0024]若该特征点不存在于动态目标上，则预估得到的特征点与匹配得到的相应特征点重合，即两点之间的欧氏距离d
qi
为0。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内环境下的动态特征点滤除与重定位方法，其特征在于：该方法包括下列顺序的步骤：(1)提取输入图像上的特征点并进行匹配，定义特征点匹配精度约束，设置匹配质量得分函数；(2)利用上一个时间间隔内相机的位姿变换矩阵T
01
和上一个时刻的相机位姿T1，来预估前一帧图像所提取到的特征点p
i
在当前帧图像I2出现的投影点q
′
i
；(3)计算特征点P
i
在当前帧图像I2投影所在的位置q
′
i
和对应特征点q
i
的像素坐标之间的欧氏距离；(4)根据简化的相机针孔成像模型，利用特征点所对应的深度信息进行加权评分，定义几何约束得分；(5)定义特征点的异常得分，并设置阈值来检测和滤除当前帧动态特征点；(6)根据滤除后的特征点求解当前帧时刻的相机位姿，利用迭代求解的方式提高位姿解算精度。2.根据权利要求1所述的室内环境下的动态特征点滤除与重定位方法，其特征在于：在所述步骤(1)中，在特征点匹配时，计算每对特征点与其它特征点之间的最近汉明距离d
i1
和次近汉明距离d
i2
，记它们之间的比值为K
i
，即K
i
＝d
i1
/d
i2
，当K
i
＜α则认为是可靠的匹配，其中，α为精度约束因子，K
i
越小代表这对匹配点对的最近汉明距离远远小于次最小汉明距离，特征点的匹配质量越高，正确匹配的概率越大。3.根据权利要求1所述的室内环境下的动态特征点滤除与重定位方法，其特征在于：在所述步骤(2)中，将相机短时间间隔内的运动看作为匀速运动，在相邻时间间隔内的相机位姿变换矩阵近似不变：T
12
＝T
01
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)T
01
表示上一个时间间隔内相机的位姿变换矩阵，T
12
表示当前时间间隔内的相机位姿变换矩阵；通过上一时刻的相机位姿以及当前时间间隔内的相机位姿变换矩阵来预估特征点P
i
在当前帧图像I2中的投影点q
′
i
：q
′
i
＝T
12
·
T1·
P
iw
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中P
iw
表示特征点P
i
的世界坐标，T1表示上一个时刻的相机位姿。4.根据权利要求1所述的室内环境下的动态特征点滤除与重定位方法，其特征在于：在所述步骤(3)中，计算两点像素坐标之间欧氏距离的公式如下：式中，d
qi
表示两点之间的欧氏距离，(u
i
,v
i
)为特征点P
i
在当前帧图像I2对应匹配特征点q
i
的像素坐标，(u
′
i
,v
...

【专利技术属性】
技术研发人员：张进，郑凯，夏豪杰，仇谋泽，裴浩东，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：