基于改进LK光流的视觉SLAM算法

针对基于点特征的视觉SLAM(同步定位与建图)实时性差的问题,以ORB-SLAM3框架为基础,用自监督深度神经网络替换其点特征提取器,并提出一种基于改进LK光流的关键点跟踪匹配方法。首先,根据匀加速运动模型预测初始关键点在当前帧的对应关系及坐标,并通过基于金字塔的LK光流跟踪算法建立鲁棒的关键点匹配关系;然后,基于网格运动统计(GMS)及自适应局部仿射匹配(AdaLAM)算法剔除误匹配点对。在公开数据集上的实验表明,在不损失匹配精度的前提下,改进算法每帧图像的平均处理时间比ORB-SLAM3减少约58.06%,有效提高了系统的实时性和鲁棒性。

基于改进点线特征的移动机器人视觉SLAM算法

针对现有视觉SLAM(同步定位与建图技术)系统鲁棒性较差问题,以ORB-SLAM3框架为基础,用自监督的深度神经网络替换其点特征提取器,并提出一种阈值-自适应局部仿射匹配法对点误匹配进行剔除,有效提高系统实时性与精度;此外,在前端信息提取中引入线特征,提出一种基于最小二乘法的自适应线特征提取模型,并对割裂线特征进行合并处理,对线特征的特征描述、误匹配剔除过程进行效率优化;最后,在构造点线误差模型中引入新的权重分配思想,依据场景的丰富程度,对点线的权重合理分配。在TUM数据集的绝对误差轨迹实验表明,改进的算法与ORB-SLAM3、RGBD-SLAM等系统相比,有效提高精度与鲁棒性,与PL-SLAM系统相比,有效提高实时性。