本发明专利技术涉及一种应用于视觉SLAM的特征点误匹配剔除方法，属于计算机视觉技术领域。包括将摄像头采集的图像进行ORB特征点提取，将当前帧的特征点与关键帧特征点进行特征点匹配，计算匹配特征点对的欧式距离，使用boxplot方法对欧式距离进行外点粗略剔除，将粗略剔除后的特征点对欧式距离进行直方图统计，将直方图进行数据处理，根据直方图处理结果剔除质量不好的匹配点对。有益效果是剔除了特征点匹配的误匹配，提高了SLAM系统的鲁棒性，提高了后续建图与定位的准确性，且减小了计算量和存储空间，提高了系统的效率。提高了系统的效率。提高了系统的效率。
【技术实现步骤摘要】
一种应用于视觉SLAM的特征点误匹配剔除方法
[0001]本专利技术涉及计算机视觉
，尤其涉及一种应用于视觉SLAM的特征点误匹配剔除方法。
技术介绍
[0002]SLAM(Simultaneous Localization and Mapping，即同时定位与地图构建)是一种在未知环境中使用单个或多个相机进行定位和地图构建的技术。按使用传感器类别SLAM可分为视觉SLAM和激光SLAM，目前视觉SLAM技术已经在自动驾驶、机器人导航、虚拟现实等领域得到广泛应用，可以帮助实现自主导航和地图构建等功能，提高生产和生活效率，具有广阔的应用前景。
[0003]目前主流的视觉SLAM特征点匹配算法包括特征点描述子匹配法、直接法、深度学习法，其中特征点描述子匹配法通过计算特征点周围区域的特征描述子，将每个特征点表示成一个向量，然后通过计算向量之间的距离或相似度，来进行匹配；直接法与传统的基于特征点的方式不同，直接法不需要进行特征提取和匹配，直接使用像素灰度信息进行匹配；基于深度学习的端到端匹配网络可以直接从图像对中学习匹配函数，实现端到端的特征点匹配。这种方法的优点在于可以避免手工设计的特征描述子的局限性，同时可以通过大量的数据训练网络来提高匹配的准确性和鲁棒性。
[0004]虽然特征点匹配算法在许多情况下表现良好，但特征点匹配算法对光照变化、物体遮挡和相机或物体运动模糊等情况非常敏感，这些因素可能导致特征点提取和匹配的不准确性，而且特征点匹配算法在处理动态物体时由于动态物体的特征点可能会发生变化，可能导致匹配失败，为此如果直接将匹配的特征点用于后续处理可能会对系统引入噪声。
技术实现思路
[0005]本专利技术提供一种应用于视觉SLAM的特征点误匹配剔除方法，以解决目前特征点匹配存在误匹配的问题，通过对匹配的特征点进行误匹配剔除，提升了视觉SLAM系统的鲁棒性与精度。
[0006]本专利技术采取的技术方案是，包括下列步骤：
[0007](1)、将摄像头采集的图像进行ORB特征点提取；
[0008](2)、将当前帧的特征点与关键帧特征点进行特征点匹配；
[0009](3)、计算匹配特征点对的欧式距离；
[0010](4)、使用boxplot方法对欧式距离进行外点粗略剔除；
[0011](5)、将所有的特征点对欧式距离进行直方图统计；
[0012](6)、将直方图进行数据处理；
[0013](7)、根据直方图统计结果将误匹配的点对解除匹配关系。
[0014]本专利技术所述步骤(1)将摄像头采集的图像进行ORB特征点提取，具体包括：
[0015]将采集的RGB图像转化成灰度图；采用8层金字塔总共提取1000个特征点，其中第i
层金字塔提取个数为：
[0016][0017]其中s为缩放因子，取利用FAST算法提取每层金字塔的特征点，
[0018]利用灰度质心法计算每个特征点的方向向量，计算每个特征点的brief描述子，其中brief描述子的模板方向向量与特征点的方向向量保持一致。
[0019]本专利技术所述步骤(2)将当前帧的特征点与关键帧特征点进行特征点匹配，具体包括：
[0020]基于ORB
‑
SLAM2算法框架完成相机初始化，完成局部地图点创建，选取当前帧像素点与关键帧像素点比较brief描述子相似性，为了加速提取，只考虑与当前帧像素点半径为20的像素区域选取相似性最高的关键帧像素点作为匹配点对，循环遍历所有的像素点使其找到与之相匹配的关键帧像素点。
[0021]本专利技术所述步骤(3)计算匹配特征点对的欧式距离，具体包括：
[0022]定义已经完成特征匹配的点集P＝{p1,p2,...,p
n
}，Q＝{q1,q2,...,q
n
}，其中P点集为当前帧的特征点点集，Q点集为关键帧的特征点点集，n为特征点的索引，点集元素p
n
和q
n
为匹配的特征点，特征点对的欧式距离集合记为Dis＝{dis1,dis2,...,dis
n
}，公式为Dis＝||P
‑
Q||2，即分别计算每一对特征点对的欧式距离得到匹配对的欧式距离集合Dis。
[0023]本专利技术所述步骤(4)使用boxplot方法对欧式距离进行外点粗略剔除，具体包括：
[0024]将集合Dis数据按照从小到大顺序排列，记数据的下四分位数位为Q1，中位数为Q2，上四分位数为Q3，四分位距为IQR，其中IQR＝Q3‑
Q1，取数据上限为Q3+1.5IQR，数据下限为Q1‑
1.5IQR，即将集合Dis中不在Q1‑
1.5IQR～Q3+1.5IQR内的数据作为外点进行剔除，记Dis剔除数据后为Dis1，并把点集P、点集Q中相应的数据剔除，记点集P剔除后的点集为P1，点集Q剔除后的点集为Q1。
[0025]本专利技术所述步骤(5)将所有的特征点对欧式距离进行直方图统计，具体包括：
[0026]取直方图最小值为0像素，最大值为max像素，组距为k像素，可知共有组数据，将所有的点对欧氏距离放入直方图中，若其欧氏距离大于max，则将其放入最后一组，具体地，首先判断当前匹配点对的欧式距离d是否大于max，若大于则放入组，否则放入第组，结果取向下取整。
[0027]本专利技术所述步骤(6)将对直方图进行数据处理，具体包括：
[0028]首先对直方图的频数进行统计，记每一组的频数为其中M
h
表示第h组的频数，并对直方图进行归一化处理，直方图归一化公式记为：其中X
h
表示第h组的归一化数值，M
a
表示第a组归一化数值，M
h
表示第h组归一化数值，并取直方图频率最高的组记为M
ε
，且由于将所有欧式距离大于max的点对都放在最后一组，且最后
一组距离太大，所以直接将最后一组视为外点，因此此时采用交叉取数的策略，即先取M
ε
再取M
ε
‑1，再取M
ε+1
，直到取到的所有直方图数据频率之和大于70％，认为剩余的数据为错误匹配，并将所取组中的欧氏距离索引进行记录，记为集合N。
[0029]本专利技术所述步骤(7)利用直方图数据处理结果对特征点对进行剔除，具体包括：
[0030]遍历查询欧式距离集合，若Dis1元素不在N集合内，则对该匹配点对视为外点，并进行解除匹配关系，具体地，删除集合P1和集合Q1中相应元素，记点集P1剔除后的点集为P2，点集Q1剔除后的点集为Q2。
[0031]本专利技术的有益效果是：利用boxplot方法和直方图对匹配的特征点对进行进一步的筛查，并剔除掉其中的误匹配，将摄像头采集的图像进行ORB特征点提取；将当前帧的特征点与关键帧特征点进行特征点匹配；计算匹配特征点对的欧式距离；使用boxplot方法对欧式距离进行外点粗略本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种应用于视觉SLAM的特征点误匹配剔除方法，其特征在于，包括下列步骤：(1)、将摄像头采集的图像进行ORB特征点提取；(2)、将当前帧的特征点与关键帧特征点进行特征点匹配；(3)、计算匹配特征点对的欧式距离；(4)、使用boxplot方法对欧式距离进行外点粗略剔除；(5)、将所有的特征点对欧式距离进行直方图统计；(6)、将直方图进行数据处理；(7)、根据直方图统计结果将误匹配的点对解除匹配关系。2.根据权利要求1所述的一种应用于视觉SLAM的特征点误匹配剔除方法，其特征在于，所述步骤(1)将摄像头采集的图像进行ORB特征点提取，具体包括：将采集的RGB图像转化成灰度图；采用8层金字塔总共提取1000个特征点，其中第i层金字塔提取个数为：其中s为缩放因子，取利用FAST算法提取每层金字塔的特征点，利用灰度质心法计算每个特征点的方向向量，计算每个特征点的brief描述子，其中brief描述子的模板方向向量与特征点的方向向量保持一致。3.根据权利要求1所述的一种应用于视觉SLAM的特征点误匹配剔除方法，其特征在于，所述步骤(2)将当前帧的特征点与关键帧特征点进行特征点匹配，具体包括：基于ORB
‑
SLAM2算法框架完成相机初始化，完成局部地图点创建，选取当前帧像素点与关键帧像素点比较brief描述子相似性，为了加速提取，只考虑与当前帧像素点半径为20的像素区域选取相似性最高的关键帧像素点作为匹配点对，循环遍历所有的像素点使其找到与之相匹配的关键帧像素点。4.根据权利要求1所述的一种应用于视觉SLAM的特征点误匹配剔除方法，其特征在于，所述步骤(3)计算匹配特征点对的欧式距离，具体包括：定义已经完成特征匹配的点集P＝{p1,p2,...,p
n
}，Q＝{q1,q2,...,q
n
}，其中P点集为当前帧的特征点点集，Q点集为关键帧的特征点点集，n为特征点的索引，点集元素p
n
和q
n
为匹配的特征点，特征点对的欧式距离集合记为Dis＝{dis1,dis2,...,dis
n
}，公式为Dis＝||P
‑
Q||2，即分别计算每一对特征点对的欧式距离得到匹配对的欧式距离集合Dis。5.根据权利要求1所述的一种应用于视觉SLAM的特征点误匹配剔除方法，其特征在于，所述步骤(4)使用boxplot方法对欧式距离进行...
【专利技术属性】
技术研发人员：黄丹丹，郝文豪，杨阳，刘智，陈广秋，许鹤，
申请(专利权)人：长春理工大学，
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。