基于改进ORB算法的移动机器人视觉SLAM方法研究

  • 基于改进ORB算法的移动机器人视觉SLAM方法研究已关闭评论
  • 73 views
  • A+
所属分类:AGV设计资料
摘要

以移动机器人视觉导航为应用背景,针对传统ORB算法在视觉SLAM中存在特征点分布不均匀、重叠特征点较多的问题,提出一种改进ORB算法。首先,对每层图像的尺度空间金字塔进行网格划分,增加空间尺度信息;其次,在特征点检测时,采用改进FAST角点自适应阈值提取,设置感兴趣区域;然后,采用非极大值抑制的方法,抑制低阈值特征点的输出;最后,使用基于区域图像特征点分布的方差数值评价待检测图像中特征点的分布情况。实验结果表明,改进ORB算法特征点的分布较为均匀,输出特征点重叠数量较少,执行时间较短。

0 引言

作为移动机器人实现智能化的关键技术,同步定位与 地图创建(Simultaneous Localization And Mapping,SLAM)[1] 在移动机器人的自主导航、自主控制中发挥着重要的意 义。随着视觉传感器[2]的发展,视觉 SLAM 在移动机器人 中的应用越趋普遍。 视觉信息与惯性导航系统相结合, 可以避免移动机器人对有源信号的依赖,更满足于无源 条件下的导航需求,具有体积小、重量轻、安装方便等优 点。 根据使用视觉传感器类型的不同,将视觉 SLAM 划 分为 : 单目(Monocular) 视觉 SLAM、 双目 (Binocular) 视觉 SLAM 和深度(RGB-D)视觉 SLAM。 深度视觉 SLAM 利用 深度相机记录周围场景的同时, 能够输出 RGB-D 图像信息(彩色图像与深度图像),有效地解决了单目相机没 有深度信息、 双目相机求解深度信息计算量繁重的问 题。 在 RGB-D SLAM 算法中,特征提取算法的选择会影 响整个系统的实时性。 目前,在 RGB-D SLAM 算法中应 用最为广泛的特征点检测与提取算法有 SIFT[3]、SURF[4] 和 ORB[5]3 种。

尺度不变的特征变换(Scale-invariant Feature Transform,SIFT)是一种特征检测与描述子提取算法。 该算法 在旋转、尺度的缩放、光照条件的变化、噪声干扰等方面 受到的影响较小,具有较好地稳定性。 加速鲁棒性特征 (Speeded Up Robust Features,SURF)算法是对 SIFT 算法 的改进, 其具有稳健的局部特征点检测和描述符特征。 与 SIFT 算法相比,SURF 算法采用了积分图像和 Harr 特 征使得 SURF 算子在速度上有了一定的提高。 但上述两种算法都要求建立高维描述符,需要大量的内存空间和 较长的运行时间[6],该两种特征点提取算法都不适合应 用在对系统实时性要求较高的 RGB-D SLAM 算法中。

为满足 RGB-D SLAM 算法对系统实时性的要求,在 此使用运算速度较快的 ORB(Oriented FAST and rotated BRIEF)算法。 该算法的运算速度是 SIFT 的 100 倍,是 SURF 的 10 倍[7]。 但是,ORB 算法存在特征点分布不均 匀、输出重叠特征点较多等问题。因此,本文提出一种改 进 ORB 算法, 并且使用一种特征点分布均匀度的评价 方法计算特征点的分布情况。

1 基本原理

1.1 RGB-D SLAM 算法

RGB-D SLAM 算法由前端数据处理和后端优化处 理两部分组成。 前端数据处理主要对 Kinect 相机采集的 彩色图像与深度图像进行处理,得到相邻两帧图像之间 的运动关系,进而定量地估计相机的运动情况,恢复三 维场景的空间结构。 后端优化处理主要对前端生成的数 据结果进行优化,使用滤波与非线性优化方法、引入回 环检测解决 RGB-D SLAM 过程中存在的噪声问题,最 终生成全局最优的运动轨迹和三维空间环境地图。

1.2 ORB 算法基本原理

在 ORB 算法中,特征点提取采用改进 FAST(oFAST) 算法 , 特征点描述子采用具 有旋转 不变 性的 BRIEF (rBRIEF)算法。 ORB 算法对角点方向测量时使用灰度质 心法[8]。 假设某角点的灰度与其所在的邻域重心没有完 全重合,发生了偏移,可以通过角点灰度坐标到质心之 间形成的向量计算出角点的主方向。 定义角点邻域的 (p+q)阶矩,如式(1)所示:

基于改进ORB算法的移动机器人视觉SLAM方法研究

式中,I(x,y)是图像的灰度表达式。 通过式(1)可以得到 图像的零阶矩 m00、一阶矩 m01 和 m10,如式(2)所示:

基于改进ORB算法的移动机器人视觉SLAM方法研究

抱歉,此资源仅限赞助会员下载,请先
注意:本站资源多为网络收集,如涉及版权问题请及时与站长联系QQ:2766242327,我们会在第一时间内与您协商解决。如非特殊说明,本站所有资源解压密码均为:agvba.com。
weinxin
微信公众号
agvba是一个分享AGV知识和agv案例视频的网站。