ORB特征点提取和匹配的研究

为了提高视觉SLAM的实时性与准确性,以ORB特征点为代表,对SLAM前端特征点提取和匹配进行优化。在计算FAST特征点时,设置金字塔并根据图像信息设置阈值,在计算灰度质心时,通过三角函数原理避免复杂的arctan、sin、cos计算,达到了加速效果,在计算灰度质心选取图像块时,将超过图像边界的点标记后删除,在匹配中使用SSE指令集中的_mm_popcnt_u32函数计算一个unsigned int变量中1的个数,达到消除误匹配的目的。并在公开数据集EuRoc上对传统ORB和优化的算法进行对比仿真,由仿真结果可知,改进的ORB特征点提取时间缩短了22.08 ms、匹配时间缩短了0.39 ms,且匹配结果减少了局部重复,避免了不必要提取和匹配,节省了时间,提高了实时性与准确性。

基于纹理增强的ORB特征点提取与匹配算法

针对传统的ORB算法在面对纹理变化较大或纹理不明显的场景时特征提取能力的不足,提出了一种基于纹理增强和颜色增强的ORB特征点提取与匹配算法。首先,通过设计纹理增强预处理方法,分析了图像纹理特征的统计信息,以改善图像的纹理信息表达;其次,在经过纹理和颜色增强处理的图像上应用ORB算法执行特征点提取,从而获得更为突出和多样的纹理特征点;最后,为进一步提高特征点匹配的准确性,引入了一种综合考虑纹理相似度和尺度一致性的匹配策略。实验结果显示,与传统的ORB算法相比,基于纹理增强的ORB算法在特征点提取和匹配的准确性和鲁棒性上均得到了显著的提升。

基于ORB特征点改进型图像拼接技术

目前SIFT特征点和随机采样一致性算法(RANSAC)在图像拼接领域得到了广泛的应用,但是SIFT特征点的提取以及描述符的建立需要消耗很多的资源和计算时间,相反由于ORB特征点相较而言需要更小的计算资源和时间,并且特征点个数比较多,从而在嵌入式领域当中越来越受到重视,文章在提取ORB特征点以后,首先采用传统的方法找到每一个特征点相对应的另外一张图当中最近的特征点,完成初始匹配,然后对特征点之间的匹配概率建立基于泊松分布点数学模型,从数量较大的ORB特征点点初始匹配中挑出真实的特征匹配关系,再利用随机采样一致性算法完成计算变换矩阵,从而完成图像的拼接。

基于改进ORB特征点的LK光流算法

针对传统ORB特征点匹配准确率低和在光流算法中跟踪特性差的问题,提出了一种基于改进ORB特征点的LK光流算法。首先结合FAST特征点和rBRIEF特征描述符计算出ORB特征点;然后结合SURF算法在特征提取步骤中构建的Hessian矩阵对ORB特征点进行再提取;最后对改进ORB特征点进行特征匹配测试和LK光流跟踪测试。实验结果表明,相较于传统ORB特征点,改进ORB特征点的特征匹配准确率平均提升20.96%,LK光流跟踪成功率平均提升19.73%。本文提出的改进ORB特征点不仅拥有更好的特征匹配效果,同时具有更好的跟踪特性。

基于ORB特征点的道路图像拼接方法

为了快速获取更大范围且清晰度高道路图片,提出一种针对无人机(Unmanned Aerial Vehicle,UAV)近场采集的道路图像拼接方法。首先,在ORB(Oriented FAST and Rotated BRIEF)特征点提取的基础上,采用最邻近匹配算法进行特征点间的匹配。其次,通过汉明距离和随机采样一致(Random Sample Consensus,RanSaC)算法对匹配结果进行筛选,以获取准确的单应性矩阵。最后,采用最佳缝合线融合算法,使得图像过渡均匀。实验证明,所提方法可以有效处理无人机航拍路面图像,能够高效、准确地实现路面图像拼接。

一种基于GMS的ORB-SLAM3特征匹配改进算法

针对ORB-SLAM3中ORB特征点匹配准确率低的问题,本文提出了一种改进的特征点匹配策略。首先,考虑到特征点提取与匹配会受到场景昏暗与对比度太低的影响,对昏暗的场景数据集进行对比度增强和去噪。其次,为了提高特征点匹配的数量及速度,将运动平滑性约束作为去除特征点错误匹配的依据,舍弃旋转不变性和尺度不变性并将图片转换为3×3网格来加速运算。最后,为了提高特征匹配的精度,考虑距离与置信度之间的关系,通过计算特征点邻域内的匹配数量,与设定的阈值进行对比,筛选出正确的特征匹配,之后再进行相机的位姿估计等视觉里程计算,估计出相机的移动路径。通过实验分析,该方法能够提高约72.8%的正确特征点匹配数量,并比原本的匹配时间减少约9%。在对RGB-D数据集和Euroc数据集进行实验后,面对昏暗的数据集,定位精度分别提升约21.20%和63.67%。与其他对比方法相比较,该方法不仅增强了系统的处理速度和鲁棒性,也使平均定位精度有所提升。

改进ORB提取匹配算法的SLAM应用研究

由于传统的ORB特征点提取匹配方法在图像纹理信息不丰富或者光照变化剧烈时极易产生特征点丢失、分布不均等问题,不利于SLAM系统的定位与建图。为此本文提出了一套较为鲁棒、精度较高的提取匹配算法。首先基于ORB特征点对其提取算法进行改进,计算自适应阈值并基于网格模型提取特征点,可提高特征点提取的鲁棒性并使其分布均匀。此外还提出了G-R图像匹配算法,基于网格特征计算邻域支持估计量来区分正误匹配点,再结合引入评价函数的RANSAC算法进一步剔除误匹配点,相比ORB-SLAM2原始匹配算法提高匹配精度9.36%,并减少时间消耗约13.6%。最后将本文提出的特征点提取匹配算法加入到ORB-SLAM2算法框架,经数据集与实际场景验证本文方法能有效提高ORB-SLAM2系统定位精度36.6%以上,使系统更具鲁棒性。

机器人SLAM的特征点实时提取改进

为解决传统机器人SLAM在复杂场景下难以保持实时性和稳定性的问题,提出一种对ORB(oriented FAST and rotated BREIEF)特征点过于密集的改进方法,对前端视觉里程计以及SLAM后端进行优化。前端利用划分像素结合四叉树完成特征提取,对像素进行划分提高部分区域提取到特征点的概率,四叉树方法对特征点进行均匀分配提取。RANSAC组合EPNP+ICP的方式减少求解相机运动的误差,基于词袋模型和G2O进行闭环检测和图优化,生成轨迹一致的全局点云地图。将传统的算法和改进的算法在TUM数据集下进行实验对比,实验结果表明,改进后算法的实时性和稳定性明显提高。

一种基于特征点的管材表面缺陷视觉检测方法

为快速准确检测管材表面缺陷,设计一种基于特征点的管材表面缺陷视觉检测方法。采集典型管材表面缺陷图像,构建图像样本集;指定图像感兴趣区域,减少干扰背景对缺陷检测的影响;采用ORB(oriented FAST and rotated BRIEF)算法检测图像中的点缺陷,使用FAST算子搜寻缺陷图像的特征点,将检测到的特征点设为圆心,以圆心与取点区域的形心连接线为横坐标构建特征点描述子;选取典型管材缺陷图像对所提方法进行仿真验证。结果表明,设计的检测方法检测准确率高、检测速度快,具备较高的工程实用价值,可为管材表面缺陷的自动检测提供预研基础。

基于深度学习的图像动态特征点剔除方法

随着人工智能技术的发展,深度学习被广泛应用到各领域。图像动态特征点的剔除在SLAM中的特征点匹配、位姿估计起着重要的作用。基于图像处理技术,针对图像中动态特征点会影响SLAM精度的问题,融合了一种基于SSD目标检测网络和GMM高斯聚类算法,将图像动态目标区域内的特征点以深度信息进行聚类,从而分离出动态目标上的特征点。实验结果表明,该方法可以有效剔除图像上的动态特征点。

基于Gazebo仿真环境的ORB特征提取与比对的研究

类人足球机器人的即时定位与建图技术是实现多机器人协同的前提,在视觉SLAM技术中,ORB在提取图像较为突出的点特征中有着重要的意义。本文描述了类人机器人在足球场上的自定位与地图构建的特征提取与比对,并以提供Gazebo仿真软件的NAO机器人为实验对象,完成了仿真环境搭建,并对足球场内球门的角点、网点等特征进行提取以及机器人位置变化后对球门进行比对。

结合轻量化YOLOv5s的动态视觉SLAM算法

针对视觉SLAM在真实环境中易受车辆、行人等运动物体影响而导致位姿估计降低的问题,提出一种结合轻量化YOLOv5s的动态视觉SLAM算法,将改进的轻量级YOLOv5s作为目标检测算法用于判断运动物体;结合提出的动态特征点剔除方法,剔除动态特征点,仅采用静态特征点进行位姿估计和地图跟踪。在TUM数据集进行实验,相较于ORB-SLAM3算法,改进后的算法在高动态序列上的位姿估计精度分别提升了89.29%、65.34%、94.42%,结果表明改进后的算法能够有效剔除动态特征点,提高了视觉SLAM算法在动态环境下的位姿估计精度和定位精度。

基于ORB特征的改进RGB-D视觉里程计算法研究

提出一种基于ORB特征算子的改进RGB-D视觉里程计算法,针对移动机器人在室内环境定位时存在的精度低、系统处理速度慢等不足,首先对视觉里程计中ORB特征提取信息,采用四叉树形式划分,使特征信息提取均匀化;改进误匹配点剔除算法,缩小抽样点总量,有效剔除误匹配,提高机器人的位姿估计精度;最后,提出一种关键帧提取与筛选策略,利用局部地图判别关键帧,加快系统运行速度,减少跟踪丢失。仿真实验表明:改进后的视觉里程计算法鲁棒性更好,定位精度明显提高。

基于视觉与激光融合的井下灾后救援无人机自主位姿估计

无人机在灾后矿井的自主导航能力是其胜任抢险救灾任务的前提,而在未知三维空间的自主位姿估计技术是无人机自主导航的关键技术之一。目前基于视觉的位姿估计算法由于单目相机无法直接获取三维空间的深度信息且易受井下昏暗光线影响,导致位姿估计尺度模糊和定位性能较差,而基于激光的位姿估计算法由于激光雷达存在视角小、扫描图案不均匀及受限于矿井场景结构特征,导致位姿估计出现错误。针对上述问题,提出了一种基于视觉与激光融合的井下灾后救援无人机自主位姿估计算法。首先,通过井下无人机搭载的单目相机和激光雷达分别获取井下的图像数据和激光点云数据,对每帧矿井图像数据均匀提取ORB特征点,使用激光点云的深度信息对ORB特征点进行深度恢复,通过特征点的帧间匹配实现基于视觉的无人机位姿估计。其次,对每帧井下激光点云数据分别提取特征角点和特征平面点,通过特征点的帧间匹配实现基于激光的无人机位姿估计。然后,将视觉匹配误差函数和激光匹配误差函数置于同一位姿优化函数下,基于视觉与激光融合来估计井下无人机位姿。最后,通过视觉滑动窗口和激光局部地图引入历史帧数据,构建历史帧数据和最新估计位姿之间的误差函数,通过对误差函数的非线性优化完成在局部约束下的无人机位姿的优化和修正,避免估计位姿的误差累计导致无人机轨迹偏移。模拟矿井灾后复杂环境进行仿真实验,结果表明:基于视觉与激光融合的位姿估计算法的平均相对平移误差和相对旋转误差分别为0.0011 m和0.0008°,1帧数据的平均处理时间低于100 ms,且算法在井下长时间运行时不会出现轨迹漂移问题;相较于仅基于视觉或激光的位姿估计算法,该融合算法的准确性、稳定性均得到了提高,且实时性满足要求。

基于显著性和ORB的红外和可见光图像配准算法

针对红外与可见光图像配准过程过受灰度差异影响大、特征点难配准的问题,提出基于显著性检测和ORB特征点的图像配准算法。首先利用优化的HC-GHS显著性检测算法得到图像的显著性结构图;其次利用ORB算法在显著性结构图上进行特征点检测,利用泰勒级数筛选出鲁棒性强的特征点,并根据特征点的方向进行分组匹配的策略;最后利用汉明距离实现特征点的匹配。实验表明本文算法能准确实现红外与可见光图像之间的配准,在红外噪声干扰、尺度变化下都具有良好效果。

基于ORB算法的输电线路异物识别研究

针对输电线路异物检测问题,通过分析航拍视频,提取关键帧并采用帧差法标注异物,使用特征点跟踪异物,从而达到输电线路异物检测的目的。将预估区域漂移法与欧式距离法融合,弥补关键帧冗余的缺陷;使用概率密度函数分析网格内异物占有率,剔除帧差法中微小非目标区域;提出K-means算法聚类分析Oriented Brief(ORB)算子,可精简特征点提高匹配率。实验结果表明,能有效精简关键帧,并且改进帧差法可精确提取异物;同时快速准确提取ORB算子;故而可快速识别线上异物。

基于目标检测的室内动态场景同步定位与建图

为了提高室内动态场景下定位与建图的准确性与实时性,提出了一种基于目标检测的室内动态场景同步定位与建图(simultaneous localization and mapping,SLAM)系统。利用目标检测的实时性,在传统ORB_SLAM2算法上结合YOLOv5目标检测网络识别相机图像中的动态物体,生成动态识别框,根据动态特征点判别方法只将识别框内动态物体上的ORB特征点去除,利用剩余特征点进行相机位姿的估计,最后建立只含静态物体的稠密点云地图与八叉树地图。同时在机器人操作系统(robot operating system,ROS)下进行仿真,采用套接字(Socket)通信方式代替ROS中话题通信方式,将ORB_SLAM2算法与YOLOv5目标检测网络相结合,以提高定位与建图的实时性。在TUM数据集上进行多次实验结果表明,与ORB_SLAM2系统相比,本文系统相机位姿精确度大幅度提高,并且提高了每帧跟踪的处理速度。

基于改进VINS的同步定位与建图算法

针对目前单目视觉SLAM易受光照、环境、纹理影响及单目相机尺度不确定性等问题,提出一种基于视觉惯性SLAM算法VINS-Mono改进的SLAM算法。本文中算法在IMU初始化部分进行了改善,可以在更短的时间内精确地计算出陀螺仪和加速度计的偏差,并且在视觉里程计上将ORB特征点引入用来替代直接法,使其在各种复杂环境下也能准确提取特征点来跟踪相机的运动。通过在所采集真实场景与Euroc数据集下不同序列的实验与分析表明,本文中算法相较于VINS-Mono算法的鲁棒性及在定位精度上均有一定的提高,均方根误差(RMSE)平均降低17.6%。

基于深度神经网络的多视角演艺环境人体跟踪方法

为了解决舞台灯光自动跟踪技术容错率低,抗干扰性较差等问题,研发了一种基于深度神经网络的舞台环境多视角人体跟踪的方法。通过采用多个摄像头并配合YOLO算法对目标进行检测和定位,然后应用KNN和RANSAC算法提取人体特征点,计算出目标的实时位置并转化为坐标,并把结果发送给控制台。在室外以及有遮挡物的环境下,采用跨数据集训练与运动姿态预测两种方法使舞台灯能实时追踪规定的演员,不会延时。通过舞台灯、摄像头、演员组成实验系统并开展测试,结果表明:在有遮挡物情况下,演员移动速度为1 m/s时,舞台灯跟踪平均误差均在15 cm以内。实验结果证明该系统跟踪定位正确、快速,可以满足跟踪要求,应用前景良好。

ORB-SLAM算法在智能家庭清扫机器人中的应用

对于家庭智能清扫机器人而言,机器人自我定位与路径规划是其实现智能化、全自动化的理论基础。实时的定位与构图(simultaneous localization and mapping,SLAM)技术可以很好的解决这个问题。该技术可以利用机器人自身所携带的各式传感器对周围环境进行采集,并利用采集结果递增地创建环境地图,同时使用该地图实现机器人对自身的定位与导航功能。本文将通过讨论ORB-SLAM算法系统的执行过程,并进行仿真实验,验证该算法在对家庭清扫机器人的自我定位与导航的实用性。