基于视觉SLAM的高精定位方法、系统及存储介质技术方案

本发明专利技术公开了一种基于视觉SLAM的高精定位方法、系统及存储介质，包括：步骤1.传感器数据预处理；步骤2.在摄像头数据预处理完成后，对数据进行前端里程计处理和回环检测处理；所述视觉里程计处理为估算相邻两个图像间相机运动轨迹，以及确定出局部地图；回环检测处理为将任意两张图做一遍特征匹配，根据特征点的匹配情况来确定两幅图是否存在关联；步骤3.将回环处理后的数据和前端里程计处理后的数据进行后端非线性优化处理，所述后端非线性优化处理为对视觉SLAM中的噪声进行降噪处理；步骤4.构建SLAM高精定位地图。本发明专利技术能够在GNSS信号失锁或者雷达感知出现故障时，仍能够为自动驾驶提供有效的高精度定位。驾驶提供有效的高精度定位。驾驶提供有效的高精度定位。

【技术实现步骤摘要】
基于视觉SLAM的高精定位方法、系统及存储介质


[0001]本专利技术属于自动驾驶的高精定位系统
，具体涉及一种基于视觉SLAM的高精定位方法、系统及存储介质。

技术介绍

[0002]相机作为唯一外部传感器的SLAM(Simultaneous Localization And Mapping)，被称为视觉 SLA M(即同时定位与地图构建)。由于相机具有成本低、体积小轻、重量轻，很容易将其放到商品硬件上的优点，且图像含有丰富的信息，视觉SLAM得到巨大发展，根据采用不同类型的视觉传感器，当前可以将视觉SLAM主要分三类：仅用一个相机作为唯一外部传感器的单目视觉SLAM；使用多个相机作为传感器的立体视觉SLAM，其中双目立体视觉方案的应用最多；基于单目相机与红外传感器结合构成的传感器的RGBD SLAM（即基于深度相机的SLAM)。
[0003]SLAM创建的地图的好坏对之后自主的定位、路径规划以及壁障的性能起到一个决定性的作用。参考文献《Stability
‑
based Scale Estimaton for Monocular SLAM》和《ORB
‑
SLAM: an Open Source SLAM system for RGB
‑
D Cameras 》，当前视觉SLAM技术中：单目视觉SLAM成本低、应用活、轻便，但是在同一时刻下单目视觉SLAM方案只能够捕获一张图像，因此只能够基于图像数据计算环境物体的航向信息，无法有效获取可靠的深度信息。双目视觉SLAM基于外极线几何约束原理，能够匹配左右两个相机的特征，因此能够直接获取完整的特征数据；然而其系统设计相对复杂，系统成本较高，视角范围受限制，不能够获取远处场景。对于RGBD SLAM，这种算法能够获得彩色图像的同时获得深度图像，从而便于获得深度信息，且能够获得稠密的地图，且有效探测距离较长，但是成本相对高，体积大，从而可应用环境有限。
[0004]因此，有必要开发一种基于视觉SLAM的高精定位方法、系统及存储介质。

技术实现思路

[0005]本专利技术的目的在于提供一种基于视觉SLAM的高精定位方法、系统及存储介质，能在GNSS信号失锁或者雷达感知出现故障时，仍能为自动驾驶提供有效的高精度定位，提升高精定位系统的冗余，防止汽车在自动驾驶过程中，因定位失效时引发的安全事故。
[0006]第一方面，本专利技术所述的一种基于视觉SLAM的高精定位方法，包括以下步骤：步骤1.传感器数据预处理：对摄像头输出的图像信息进行特征抽取、分割和匹配特征点处理；步骤2. 在摄像头数据预处理完成后，对数据进行前端里程计处理和回环检测处理；所述视觉里程计处理为估算相邻两个图像间相机运动轨迹，以及确定出局部地图；所述回环检测处理为将任意两张图做一遍特征匹配，根据特征点的匹配情况来确
定两幅图是否存在关联，若存在关联，则证明存在回环，否则表示不存在回环；步骤3.将回环处理后的数据和前端里程计处理后的数据进行后端非线性优化处理，所述后端非线性优化处理为对视觉SLAM中的噪声进行降噪处理；步骤4.基于后端非线性优化处理后的数据构建SLAM高精定位地图通过识别到的特征与地图中原有信息对比，得出具体位姿，即得到定位结果。
[0007]可选地，所述步骤1中，通过特征提取方法SIFT，SURT，或 ORB来提取图像特征点；在提取特征点过程中，构建尺度空间，检测极值点，获得尺度不变性；通过特征算法将特征点过滤，并在图像上进行精确定位；基于图像局部的梯度方向计算两幅图特征向量之间的欧氏距离，并以此作为特征点的相似性判断度量，并分配给每个关键点位置一个或多个方向。
[0008]可选地，所述步骤2中，所述视觉里程计处理过程，具体为：Sa1.搭建VO框架实现视觉里程计；Sa2.确定基本的数据结构；Sa3.选取图像记录轨迹中的关键帧，所述关键帧为具有标志性信息的数据帧；Sa4.记录路标，即记录图像中的特征点，将新收到的帧与地图中的路标进行匹配，计算出摄像头的位姿。每个时刻对应一个相应的位姿，位姿的变换过程即为摄像头的运动轨迹；Sa5.对标志信息的坐标进行变换，确定出标志性目标的方位。
[0009]可选地，所述步骤2中，所述回环检测处理过程中，在验证关联性过程中，设置相似性评分：s(A, B)，其中，A，B表示两个向量，如果s(A, B)=1
‑
||A
‑
B||*1/w， 若两个向量完全相等，则结果为1，表示两幅图存在关联，若完全相反，则结果为0，表示两幅图不存在关联。
[0010]可选地，所述步骤3中，所述后端非线性优化处理，具体为：基于运动方程和观测方程求解出非线性最小二乘，即确定出最优的降噪系数，基于最优的降噪系数对图像中的噪声进行降噪处理，其中：运动方程： X
k
=F(X
k
‑1, U
k
)+W
k
；观测方程：X
k,j
=H(Y
j
, X
k
)+V
k, j
；其中：X
k
为k时刻的所求的状态量，U
k
为k时刻系统的输入，W
k
为运动过程中加入的噪声；X
k,j
为当在X
k
位置上看到目标点Y
j
产生的观测数据，V
k, j
为观测过程的噪声。
[0011]第二方面，本专利技术所述的一种基于视觉SLAM的高精定位系统，包括存储器和控制器，所述存储器内存储有计算机可读程序，所述计算机可读程序被控制器调用时能执行如本专利技术所述的基于视觉SLAM的高精定位方法的步骤。
[0012]第三方面，本专利技术所述的一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被调用时能执行如本专利技术所述的基于视觉SLAM的高精定位方法的步骤。
[0013]本专利技术具有以下优点：（1）本专利技术改善了单目视觉SLAM、双目视觉SLAM及RGB
‑
D SLAM中存在的缺陷；相较于卡尔曼滤波的松耦合融合方式，基于非线性优化方式，将三种单一视觉SLAM算法紧耦合融合，能够使得视觉定位模块在剧烈震动、猛烈加减速和旋转时，仍然能够保持稳定的精度，避免了目标跟踪丢失，提升了整体的定位精度。当与惯性元件、轮机里程计、卫星定位系
统、室内基站定位系统等辅助定位设备联合标定时，紧耦合融合方式能够便于实时相互动态标定。
[0014]（2）本方法涉及到的算法模型相对于其它SLAM算法而言，算法结构更加稳定，能够在纹理丰富的动态环境中长时间、稳定工作，并且能够为汽车定位系统提供非常可靠、精确的点云匹配。此外，这种视觉SLAM算法所依赖的投影数学模型（即上述步骤所述的模型），具有较强的兼容性，能够将长、短基数不一致的单双目摄像头相结合，因此能够最大限度提升视觉定位精度，增强对中近距离的障碍物的感知能力，提高地图构建的准确度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉SLAM的高精定位方法，其特征在于，包括以下步骤：步骤1.传感器数据预处理：对摄像头输出的图像信息进行特征抽取、分割和匹配特征点处理；步骤2. 在摄像头数据预处理完成后，对数据进行前端里程计处理和回环检测处理；所述视觉里程计处理为估算相邻两个图像间相机运动轨迹，以及确定出局部地图；所述回环检测处理为将任意两张图做一遍特征匹配，根据特征点的匹配情况来确定两幅图是否存在关联，若存在关联，则证明存在回环，否则表示不存在回环；步骤3.将回环处理后的数据和前端里程计处理后的数据进行后端非线性优化处理，所述后端非线性优化处理为对视觉SLAM中的噪声进行降噪处理；步骤4.基于后端非线性优化处理后的数据构建SLAM高精定位地图，通过识别到的特征与地图中原有信息对比，得出具体位姿，即得到定位结果。2.根据权利要求1所述的基于视觉SLAM的高精定位方法，其特征在于：所述步骤1中，通过特征提取方法SIFT，SURT，或 ORB来提取图像特征点；在提取特征点过程中，构建尺度空间，检测极值点，获得尺度不变性；通过特征算法将特征点过滤，并在图像上进行精确定位；基于图像局部的梯度方向计算两幅图特征向量之间的欧氏距离，并以此作为特征点的相似性判断度量，并分配给每个关键点位置一个或多个方向。3.根据权利要求2所述的基于视觉SLAM的高精定位方法，其特征在于：所述步骤2中，所述视觉里程计处理过程，具体为：Sa1.搭建VO框架实现视觉里程计；Sa2.确定基本的数据结构；Sa3.选取图像记录轨迹中的关键帧，所述关键帧为具有标志性信息的数据帧；Sa4.记录路标，即记录图像中的特征点，将新收到的帧与地图中的路标进行匹配，计算出摄像头的位姿，每个时刻对应一个相应的位姿，位姿的变换过程即为摄像头的运动轨迹；Sa5.对标志信息的坐标进行变换，确定出标志性目标的方位。4.根据权利要求3所述的基于视觉SLAM的高精定位方法，其特征在于：所...

【专利技术属性】
技术研发人员：肖乔木，熊周兵，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：