【技术实现步骤摘要】
本专利技术属于移动机器人导航领域，涉及一种基于rgb信息熵的同步定位与建图(simultaneous localization and mapping：slam)系统关键帧选择方法。
技术介绍
1、视觉slam是机器人和计算机视觉领域中的重要技术，它使机器人能够感知环境并自主导航，有着广泛的应用领域，如自动驾驶、增强现实、机器人和监控等，并在医疗保健和老年护理服务方面显示出巨大的潜力。在slam算法中，激光slam算法在运用层面已经日渐成熟，而且购买一套设备维护成本较高，而视觉slam以其算法拓展性强、设备便宜慢慢地为人所广泛使用。
2、关键帧算法主要针对slam中传感器数据的处理方式。传统的slam算法中，所有的传感器数据都被用于地图构建和位姿估计，但这可能导致计算和存储的复杂性增加，尤其在大规模场景中。关键帧算法通过建立关键帧，即具有显著视角变化或者重要地图信息的帧，来减少计算和存储的负担，从而提高slam算法的效率和鲁棒性。
3、建立关键帧的方法主要分为启发式方法和信息论方法。orb-slam将当前帧距离最后一个关键帧之间的图像帧数作为度量之一。相对于直接使用相机亮度变化，《directsparse odometry》则使用相对亮度作为标准，因为相机曝光时间和照明导致的图像亮度变化会使跟踪最后一个关键帧变得困难。启发式方法虽然实现较为简单，但是基于特定场景需要调试大量参数，通用性较低；并且容易建立大量冗余的关键帧。
4、信息理论方法依赖于更具原则性的测量，尽管目前的应用相对较小。das等
5、视觉slam从上世纪八十年代到如今不足半个世纪，并未发展成熟，仍然存在诸多问题。现在的视觉slam系统中大部分仍然采用阈值参数的方法建立关键帧，这种方法针对不同场景需要大量调试参数并且不具有自适应性。而且会建立的每一个关键帧都没有标准量化好坏，并建立大量冗余的关键帧，降低后端优化的效率和精度。
6、综上所述，如何在场景内进行准确地特征提取、建立关键帧、匹配及地图构建是影响系统鲁棒性的关键因素。鉴于此，针对在场景内出现特征匹配失误、场景内纹理不清楚等情况，使用基于信息熵的rgb特征提取算法及关键帧选择方法减少特征误匹配的概率，同时也减少场景变动大对地图构建过程的影响，以实现更准确和稳健的slam系统。
技术实现思路
1、为了解决上述问题，本专利技术的目的是提供一种基于rgb信息熵的slam系统关键帧选择方法。本专利技术提出信息论的方法-基于信息熵建立关键帧。这种方法通过运用图像信息熵加权平均法的原理和量化位姿估计的不确定性计算信息熵，使用平均值滤波跟踪信息负熵确实是否建立新的关键帧。通过这种方式能够更准确地对图像信息熵参数进行量化，选取合适权重，建立信息量充足且不冗余的关键帧。并在后续基于rgb的特征点匹配算法中和后续多传感器融合算法中得到应用。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、1.基于rgb信息熵的slam系统关键帧选择方法，其特征在于，所述方法具体包括如下步骤：
4、步骤1，基于rgb特征对图片灰度预处理：对输入的rgb图像进行预处理包括：灰度化简化后续处理、高斯滤波降低图像噪声和图像梯度计算获取图像局部特征，基于rgb颜色向量实现对三原色灰度化的信息熵计算，其公式为：
5、
6、
7、
8、式中：h(x)、h(x)、h(x)为三原色rgb的信息熵，p(x)、p(x)、p(x)为三原色rgb的灰度随机变量；
9、然后根据图片中三原色的分布及颜色深浅配置三原色信息熵权重，当灰度图像与原始彩色图像相差越大时，对应的信息熵相差越大，计算出的权重组合
10、越恰当，对应的信息熵越接近，配置信息熵权重公式如下：
11、
12、
13、
14、式中：w、w、w为三原色rgb的信息熵权重，h(x)、h(x)、h(x)为三原色rgb的信息熵；
15、最后得灰度图像转换公式如下：
16、f{}＝wf+wf+wf
17、式中：f{}为灰度图像像素值，f、f、f为像素中r、g、b的比率；
18、步骤2，利用基于信息熵的rgb特征提取算法对预处理的图像关键点、边缘、纹理、轮廓信息进行采集：
19、采用如下所示的二进制描述子结构，此时rgb图像特征信息表示为m×n×3的数组，rgb三通道从上至下排布为：
20、
21、
22、
23、式中：r)&、g)&、r)&分别代表在三个图层对应的像素点信息；
24、以g)&某二维特征点(x,y)为中心，取s×s×3的立体邻域，在此立体邻域内随机选取一对点，随机采样规则设计如下：在r、g、b三个图层上选择采取均匀随机采样方法，对图层上像素点采用高斯两步随机采样，首先对x按照高斯分布采样，对y按照高斯分布进行采样，且x与y相互独立,即采样点的横、纵坐标没有相关性；然后对p＝(x,y)上采样点的像素大小与
25、p′＝(x′,y′)上采样点的像素大小进行比较，按下式赋值：
26、
27、式中：p，p′为随机选取的一对像素点，τ(p；x,y)为特征点描述子；
28、最后重复本步骤，直到s×s×3的立体邻域像素点均被选取过一遍，生成二进制编码即生成特征点描述子；
29、步骤3，利用汉明距离进行特征粗匹配，步骤如下：
30、进行特征匹配的相邻帧的图像根据rgb特征提取算法输出对应的等长二进制特征描述子，假定两者的字符串分别为a和b，则汉明距离为d(a,b)，汉明距离计算公式为：
31、
32、式中：d(a,b)为汉明距离，n表示字符串的长度，f(x,y)是一个函数，用来判断两个字符是否相同，a[i]、b[i]分别为字符串a和b的第i个字符，a[i]和b[i]相同时，f(a[i],b[i])的值为0，否则为1，汉明距离越小，表示两个特征点或特征向量越相似，匹配的可能性就越大，基于rgb的特征算法采用30作为汉明距离的阈值，意味着汉明距离本文档来自技高网...
【技术保护点】
1.基于RGB信息熵的SLAM系统关键帧选择方法，其特征在于，所述方法具体包括如下步骤：
【技术特征摘要】
1.基于rgb信息熵的slam系统关键帧选择...
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。