【技术实现步骤摘要】
本专利技术涉及计算机视觉，尤其涉及一种基于空间多元几何特征的视觉slam优化方法及系统。
技术介绍
1、在自动驾驶导航及摄影测量等相关领域，同步定位与地图构建（simultaneouslocalization and mapping，slam）技术一直是研究的热点，目前算法实现较为成熟，尤其是基于特征点的视觉slam技术，通过前端的特征提取、跟踪和多视交会，计算得到特征点在局部坐标系下的空间坐标，从而根据空间三维点进行实时的配准跟踪与局部优化，完成同步定位与建图的全流程，是目前视觉slam领域的主流算法之一。
2、基于点特征构造出的三维点地图无法有效表达现实中的场景结构，同时特征点地图数据量过大，存在大量信息冗余。因此基于线特征和面特征的slam算法逐渐被研究者所关注，特别是在街道、室内等人造建筑较多的环境下，线、面特征相对于特征点更能够反映出道路场景的结构特征，带有更高丰富的语义信息，从点云中提取的线、面特征来表示点特征可以极大的压缩地图数据量，且在跟踪中更能抵抗环境光照等因素的影响。因此基于线、面特征的视觉slam算法开始成为建图定位的核心技术。但是由于场景的多样化，在某些特殊的场景内，线特征和面特征反而不如点特征更能够反映场景的结构特征。另外，传统的基于点、线、面特征的slam算法通常是提取影像上的特征点和结构线、面特征，根据深度信息获取特征点云，进行特征匹配、跟踪，建立观测误差方程，并通过线性或者非线性优化求解观测误差值最小来计算最优的机器人位置和周围环境特征。对于每一种不同类型的特征点云都需要针对性的采用不
技术实现思路
1、本专利技术提供一种基于空间多元几何特征的视觉slam优化方法及系统，用以解决现有技术中针对slam技术优化时无法有效平衡点、线和面特征进行约束的缺陷。
2、第一方面，本专利技术提供一种基于空间多元几何特征的视觉slam优化方法，包括：
3、提取单帧图像的点特征点云、线特征点云和面特征点云，对所述点特征点云、所述线特征点云和所述面特征点云进行参数化描述，建立局部要素对象；
4、基于当前帧构建局部地图，利用kdtree搜索算法对当前帧、跟踪参考帧以及局部地图进行要素匹配，构建局部要素对象与全局路标间的匹配关系；
5、根据所述局部要素对象与全局路标间的匹配关系，确定统一残差模型和配准算法，计算当前帧在全局坐标系下的位姿；
6、构建待优化局部地图，利用所述统一残差模型对所述待优化局部地图中的局部帧对象以及所述局部要素对象，确定局部优化方程，基于所述局部优化方程进行图优化。
7、根据本专利技术提供的一种基于空间多元几何特征的视觉slam优化方法，提取单帧图像的点特征点云、线特征点云和面特征点云，对所述点特征点云、所述线特征点云和所述面特征点云进行参数化描述，建立局部要素对象，包括：
8、获取单帧图像中的所述点特征点云、所述线特征点云和所述面特征点云；
9、根据所述点特征点云、所述线特征点云和所述面特征点云表示空间中点、线和面的任意特征：
10、
11、其中，为特征的 3维中心点、为33姿态矩阵、33维形态矩阵，为任意特征；
12、将任意特征进行参数化，得到局部要素对象，其中为要素中心，为要素姿态矩阵，为要素形态矩阵。
13、根据本专利技术提供的一种基于空间多元几何特征的视觉slam优化方法，要素姿态矩阵根据要素的方向矢量进行计算，要素形态矩阵根据点、线和面的类型进行确定。
14、根据本专利技术提供的一种基于空间多元几何特征的视觉slam优化方法，基于当前帧构建局部地图，利用kdtree搜索算法对当前帧、跟踪参考帧以及局部地图进行要素匹配，构建局部要素对象与全局路标间的匹配关系，包括：
15、以起始帧相机坐标系为全局坐标系，利用外源传感器信息进行当前帧位姿插值，或根据匀速运动模型，基于前两帧相对运动，预测当前帧在所述全局坐标系下的44维位姿初值；
16、确定，其中为三维特殊欧式群，为全局坐标系下33维位姿旋转矩阵，满足，为三维特殊正交群，，为单位矩阵，为全局坐标系下31维位姿平移矩阵，满足；
17、将当前帧中的局部要素对象转换到全局坐标系，得到特征全局参数：
18、 =
19、采用kdtree搜索算法将特征全局参数与全局路标进行匹配，得到所述局部要素对象与全局路标间的匹配关系。
20、根据本专利技术提供的一种基于空间多元几何特征的视觉slam优化方法，采用kdtree搜索算法将特征全局参数与全局路标进行匹配，得到所述局部要素对象与全局路标间的匹配关系，包括：
21、若确定全局路标不存在或未匹配全局路标，则将特征全局参数作为新的全局路标加入全局地图；
22、基于kdtree搜索算法确定全局路标的要素类型，将全局路标按照多元要素kdtree结点参数模型转换为空间结点并存储为空间二叉树结构；
23、根据局部特征要素类型，将特征全局参数按照多元要素kdtree结点参数模型转换为待搜索结点，基于所述待搜索结点在空间二叉树结构内进行最近邻搜索，得到匹配的全局路标。
24、根据本专利技术提供的一种基于空间多元几何特征的视觉slam优化方法，根据所述局部要素对象与全局路标间的匹配关系，确定统一残差模型和配准算法，计算当前帧在全局坐标系下的位姿，包括：
25、步骤1：根据匀速运动模型，由前一帧计算得到当前帧的初始位姿，；
26、步骤2：利用当前帧的初始位姿计算当前帧中每一个匹配要素的匹配残差，确定第个要素的预测与测量值间的7维匹配残差为：
27、==
28、其中，为当前帧观测到的第个路标要素的参数对象，为路标预测中心，为路标预测方向，为当前帧观测到的第个要素残差协方差矩阵，，为残差信息矩阵；
29、计算当前帧所有要素的匹配残差：
30、
31、为要素总数；
32、若确定相对于上一轮迭代更新后已达到预设迭代截止条件，结束迭代，取当前为当前帧的最优位姿，否则进入步骤3；
33、步骤3：遍历第i帧每一个要素的匹配残差，确定第k项残差相对状态量的雅克比矩阵为：
34、；
35、步骤4：基于雅克比矩阵分别计算矩阵和矩阵：
36、
37、
38、其中为当前帧观测到的第个要素残差协方差矩阵；
39、步骤5：计算位姿迭代更新量：
40、
41、步骤6：更新本文档来自技高网...
【技术保护点】
1.一种基于空间多元几何特征的视觉SLAM优化方法，其特征在于，包括：
2.根据权利要求1所述的基于空间多元几何特征的视觉SLAM优化方法，其特征在于，提取单帧图像的点特征点云、线特征点云和面特征点云，对所述点特征点云、所述线特征点云和所述面特征点云进行参数化描述，建立局部要素对象，包括：
3.根据权利要求2所述的基于空间多元几何特征的视觉SLAM优化方法，其特征在于，要素姿态矩阵根据要素的方向矢量进行计算，要素形态矩阵根据点、线和面的类型进行确定。
4.根据权利要求1所述的基于空间多元几何特征的视觉SLAM优化方法，其特征在于，基于当前帧构建局部地图，利用KDTree搜索算法对当前帧、跟踪参考帧以及局部地图进行要素匹配，构建局部要素对象与全局路标间的匹配关系，包括：
5.根据权利要求4所述的基于空间多元几何特征的视觉SLAM优化方法，其特征在于，采用KDTree搜索算法将特征全局参数与全局路标进行匹配，得到所述局部要素对象与全局路标间的匹配关系，包括：
6.根据权利要求1所述的基于空间多元几何特征的视觉SLAM优化方法
7.根据权利要求1所述的基于空间多元几何特征的视觉SLAM优化方法，其特征在于，构建待优化局部地图，利用所述统一残差模型对所述待优化局部地图中的局部帧对象以及所述局部要素对象，确定局部优化方程，基于所述局部优化方程进行图优化，包括：
8.一种基于空间多元几何特征的视觉SLAM优化系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于空间多元几何特征的视觉SLAM优化方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于空间多元几何特征的视觉SLAM优化方法。
...【技术特征摘要】
1.一种基于空间多元几何特征的视觉slam优化方法，其特征在于，包括：
2.根据权利要求1所述的基于空间多元几何特征的视觉slam优化方法，其特征在于，提取单帧图像的点特征点云、线特征点云和面特征点云，对所述点特征点云、所述线特征点云和所述面特征点云进行参数化描述，建立局部要素对象，包括：
3.根据权利要求2所述的基于空间多元几何特征的视觉slam优化方法，其特征在于，要素姿态矩阵根据要素的方向矢量进行计算，要素形态矩阵根据点、线和面的类型进行确定。
4.根据权利要求1所述的基于空间多元几何特征的视觉slam优化方法，其特征在于，基于当前帧构建局部地图，利用kdtree搜索算法对当前帧、跟踪参考帧以及局部地图进行要素匹配，构建局部要素对象与全局路标间的匹配关系，包括：
5.根据权利要求4所述的基于空间多元几何特征的视觉slam优化方法，其特征在于，采用kdtree搜索算法将特征全局参数与全局路标进行匹配，得到所述局部要素对象与全局路标间的匹配关系，包括：
【专利技术属性】
技术研发人员：高云龙，徐二帅，刘梦庚，韩振东，韩祥磊，
申请(专利权)人：武汉大势智慧科技有限公司，
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。