VSLAM系统中的快速特征点匹配算法

连续图像帧之间特征点匹配是视觉同步定位与建图(VSLAM)技术的关键技术;针对VSLAM系统中连续图像帧之间特征点匹配耗时且精度低的问题,一种基于局部像素运动模型的快速特征点匹配算法(LPMM)被提出;该算法基于运动平滑约束假设,利用连续图像帧中局部区域内的像素点的运动具有一致性这一特性,将图像划分成局部网格区域后利用每个网格中的部分特征点估算该网格区域的运动向量,并以此为基础,计算下一帧匹配特征点的搜索范围的中心点;最终在计算出下一帧的中心点的局部邻域内搜索与当前帧的特征点相匹配的特征点;实验结果表明,所提出的匹配算法与广泛使用的ORB-SLAM2中的投影匹配算法相比,平均匹配速度提高50%以上,匹配精度提升了约4%。

基于VSLAM的三维γ剂量率场快速测量方法研究

针对核设施现场及数字化辐射防护系统对γ辐射场信息快速获取的需求,本文采用实时定位与地图构建技术(SLAM)结合γ剂量探测技术,解决室内场景高效测量γ剂量率辐射场并与数字化系统兼容的问题。根据场景传感器的特点,基于三色深度图像(红、绿、蓝色和深度,RGBD)相机研究视觉SLAM(VSLAM)算法和辐射测量数据同步与定位方法;建立了一套基于VSLAM的γ剂量率测量装置,测试了场景点云质量、轨迹定位精度和γ剂量率模块性能;选择某核设施现场进行实验,分析了测量效率、定位准确性和数字化系统兼容能力。结果表明,建立的VSLAMγ剂量率测量方法及相应装置,测量效率高、定位准确,且现场应用良好、数字化系统兼容,具有较广阔的应用前景。

基于特征点法和直接法VSLAM的研究

基于视觉的同时定位和建图(VSLAM)分为前端和后端,前端包括视觉里程计和回环检测,后端包括后端优化和建图。按照估计相机运动的不同方式,将VSLAM分为特征点法和直接法,首先从这两个方面对前端进行综述,阐述其中的关键技术和最新的研究进展,对比分析不同方法的优缺点;然后详细分析优化后端与滤波器后端的区别,进一步对多个开源代码进行比较研究,分析它们的优劣势和适用场合;再讨论深度学习、语义地图和多机器人在VSLAM领域的研究进展,以及相关技术与VSLAM的结合方式及前景;最后对VSLAM的未来进行展望。

面向室内动态场景的VSLAM

传统VSLAM算法基于静态场景实现,其在室内动态场景下定位精度退化,三维稀疏点云地图也会出现动态特征点误匹配等问题。文中在ORB-SLAM2框架上进行改进,结合Mask R-CNN进行图像的语义分割,剔除位于动态物体上的动态特征点,优化了相机位姿,得到了静态的三维稀疏点云地图。在公开的TUM数据集上的实验结果表明,结合Mask R-CNN的ORB-SLAM2有效提高了智能移动机器人的位姿估计精度,绝对轨迹的均方根误差可提高96.3%,相对平移轨迹的均方根误差可提高41.2%,相对旋转轨迹的误差也有明显改善。相较于ORB-SLAM2,文中所提方法能更准确地建立无动态物体特征点干扰的三维稀疏点云地图。

vSLAM在无人机平台上的发展研究综述

vSLAM(visual Simultaneous Localization and Mapping)是一种基于视觉传感器实现同时定位与建图的技术,不仅可为地面机器人提供服务,同时在无人机的定位导航中也有着非常重要的应用。对基于无人机的vSLAM发展概况进行整理研究,就其中几大关键方向的研究现状予以介绍,主要包括结合IMU、结合光流传感器的vSLAM,同时总结目前研究中仍存在的一些问题和不足之处。结合经典理论与最新研究动态,对基于无人机的vSLAM重点研究内容和未来发展方向提出了新的展望。

基于CNN特征提取和增量式字典的VSLAM回环检测

在视觉SLAM系统中,传统的回环检测方法难以同时满足通用性和实时性。通过标志区域提取和CNN特征提取,提出在线构建增量式字典的回环检测方法。通过对图像进行随机扭曲来模拟运动产生的视角变化,结合GIST特征实现无监督的模型快速训练。通过局部标志区域的二进制特征实现快速检索,全局浮点特征实现选择最优匹配。实验表明,与传统方法相比,在100%准确率前提下,召回率提升约30%,整体查询时间约200 ms,内存占用约30 MB。在不同场景下检测更稳定,能够实现快速鲁棒的回环检测。

基于ROS的自主无人机VSLAM研究

针对未知复杂环境中无人机无法获得外部辅助情况下自主导航所面临的严峻问题,提出在ROS框架下在板运行单目VSLAM算法的自主无人机方案,仅依靠自身摄像机自主地完成SLAM和导航任务。研究VSLAM算法原理与前沿算法ORB-SLAM,设计并搭建了自主导航无人机平台,针对搭建的无人机平台方案和特点完成视觉定位部分的改进设计。实验表明,自主无人机能够在未知环境中,自主实现同时定位和地图构建任务并完成精确的飞行控制与导航。

基于深度学习的室内动态场景下的VSLAM 方法

当前应用于室内的视觉同时定位和地图构建算法(VSLAM)主要面向静态的环境,算法的定位精度和稳定性会大大受到环境中运动物体的影响。针对这一问题,提出了一种面向室内的动态场景下的VSLAM方法。在ORB-SLAM2架构上进行改进。在相机捕捉图像后,首先利用GCNv2神经网络对图像提取出特征,同时利用轻量级的ESPNetV2神经网络对图像完成语义分割。然后,结合改进的移动一致性检测来确定动态物体,剔除其动态特征获得其静态特征点来完成位姿估计,最终生成含有语义信息的点云地图和八叉树地图。采用TUM数据集验证所提出算法,实验结果表明在高动态场景下绝对轨迹误差的均方根误差平均减少95%,显著提升了在动态场景下的定位精度。

基于Retinex理论的稀疏直接法VSLAM三维重建

基于视觉的同时定位与建图(VSLAM)已广泛应用于室内机器人导航任务中。面向自主导航及地图复用性的需求,实时三维重建需克服环境光照不均、角点提取数量及质量不高、位姿漂移等问题。为此,提出构建一类基于稀疏直接法单尺度Retinex的SLAM(RDSOL)系统。RDSOL继承稀疏直接法里程计(DSO)主体框架,算法上打破后者前端光度标定及无回环检测模块的设计,通过单尺度Retinex图像增强及添加闭环,有利于避免ORB特征缺失及消除位姿漂移累积误差,获得全局一致的轨迹及地图。所开发的RDSOL在开源数据集及实际场景测试中,均取得轨迹拟合性较好的三维重建效果。基于数据集TUM-mono对算法的速度进行了测试,测试结果表明,RDSOL相对于DSO而言运行加速比达到了10.91%,序列平均耗时大幅减小。

移动机器人VSLAM和VISLAM技术综述

同时定位与地图构建(SLAM)技术是指移动机器人通过自身搭载的传感器以实现同时定位与地图构建。视觉传感器与惯性测量单元极强的互补性使得视觉SLAM(VISLAM)成为SLAM研究中的热点方向。分别介绍了VSLAM技术中具有代表性的算法、特征提取方法以及卡尔曼滤波和非线性优化方法的应用,并对惯性导航系统做了简短阐述。当前VSLAM系统中往往存在光照变化剧烈、图像模糊、特征不明显等问题,将对SLAM系统造成严重后果。进而引出了多传感器融合SLAM中具有代表性的VISLAM技术,并介绍了VISLAM技术中视觉传感器和惯性测量单元的松耦合、紧耦合2种信息融合方法以及卡尔曼滤波和光束平差法在后端优化上的应用,对其未来的发展方向也做了展望。

基于改进ORB算法的VSLAM特征匹配算法研究

针对传统特征匹配算法耗时较长、匹配率不高的问题,提出一种改进ORB的图像特征匹配算法。首先对FAST特征检测算法进行改进,构建非线性尺度空间,采用非线性扩散滤波方法,对金字塔进行构建,通过快速显示扩散形式(FED)进行求解,得到尺度空间上的图像,并采用灰度质心法方法,对特征的角点方向进行计算。然后对FREAK算法采样模式进行优化,采用改进的描述子构建特征向量。最后采用GMS匹配算法剔除伪匹配点对,有效降低误匹配概率。实验证明,相比SIFT、SURF、FREAK、BRISK和ORB算法,本文改进的算法在耗时和匹配率方面均有明显效果,并在旋转、尺度、光照等变换条件下,具有较强的鲁棒性,适用于VSLAM系统。

VSLAM的研究与发展

基于视觉的同步定位与地图构建(Visionbased SimultaneousLocalization and Mapping,VSLAM)是移动机器人研究非常热门的研究话题,为了进一步讨论VSLAM领域未来的发展趋势,本文回顾了VSLAM的发展历程,对VSLAM的整体框架进行描述,分别介绍了前端、后端的实现方法与目前成果,列举了当前主要的开源VSLAM算法,并从多个角度对VSLAM技术的研究与发展方向进行了探讨。

选矿智能巡检机器人VSLAM导航技术研究

机器人巡检是矿业领域替代人工巡检的有效途径,具有不间断采集、监测和分析设备生产数据等功能。由于选矿车间工况复杂,进而影响到选矿机器人在导航上存在适应性差、定位精度低等问题,严重影响其工业应用。针对选矿厂特殊工况条件,本文提出了一种VSLAM视觉导航技术,通过双目摄像机和深度传感器进行地图实时构建和定位功能,使机器人快速高效的完成巡检工作,提高巡检效率和管理智能化水平。

基于宽度自编码器的VSLAM快速回环检测方法

回环检测对于视觉同步定位和建图(visual simultaneous localization and mapping,VSLAM)系统减小累计误差和重定位具有重要意义。为缩短回环检测在线运行时间,同时满足准确率召回率需求,提出了一种基于宽度自编码器的快速回环检测算法(fast loop closure detection-broad autoencoder,FLCD-BA)。该检测算法改进了宽度学习网络,通过无监督的方式从输入数据中自主学习数据特征,进而运用于回环检测任务。与传统的深度学习方法不同,该网络使用伪逆的岭回归算法求解权重矩阵,通过增量学习的方法实现网络的快速重构,从而避免了整个网络的重复训练。所提算法在三个公开数据集上进行了实验,无须使用GPU设备,且网络的训练时间相比词袋模型以及深度学习的方法有较大缩短。实验结果表明该算法在检测回环时具有较高的准确率和召回率,测试中每帧的平均运行时间仅需21 ms,为视觉SLAM系统的回环检测提供了一种新算法。

一种自适应特征地图匹配的改进VSLAM算法

从提高机器人视觉同时定位与地图构建(Visual simultaneous localization and mapping, VSLAM)算法的实时性出发,在VSLAM的视觉里程计中提出一种自适应特征地图配准的算法.首先,针对视觉里程计中特征地图信息冗余、耗费计算资源的问题,划分特征地图子区域并作为结构单元,再根据角点响应强度指标大小提取子区域中少数高效的特征点,以较小规模的特征地图配准各帧:针对自适应地图配准时匹配个数不满足的情况,提出一种区域特征点补充和特征地图扩建的方法,快速实现该情形下当前帧的再次匹配:为了提高视觉里程计中位姿估计的精度,提出一种帧到帧、帧到模型的g2o (General graph optimization)特征地图优化模型,更加有效地更新特征地图的内点和外点.通用数据集的实验表明,所提方法的定位精度误差在厘米级,生成的点云地图清晰、漂移少,相比于其他算法,具有更好的实时性、定位精度以及建图能力.

一种动态光照下视觉VSLAM中的场景特征匹配方法

基于视觉的室内场景定位与建图(VSLAM)在智能设备自主定位与导航领域内扮演着极为重要的作用,但是当前主流算法的回环检测及重定位环节上在动态光照情况下存在匹配丢失,严重影响定位累计误差的修正与建图精度。因此提出了基于一种改进的点云特征提取与匹配的定位方法,将由RGB图像得到的点云通过聚类的方法分割成一个个稳定区域,并建立基于面片特性及相互空间关系的场景特征描述,最后通过该特征描述进行两帧图像的数据关联及相机的定位,利用更具有鲁棒性的区域特征提取方法克服光照变化情况下的视觉定位不足问题。实验证明提出的方法不仅可以适应动态光照环境,而且定位效果优于目前主流的基于图像点特征的定位算法。

面向昏暗动态场景下的VSLAM算法

视觉同步定位与建图(VSLAM)在地下探索机器人和搜救机器人等领域中具有广泛的应用。然而,机器人在完成相关任务时,常常需要处在昏暗动态场景中,此时传统VSLAM算法精度较低,而现有的面向昏暗动态场景的VSLAM算法则往往难以满足实时性的要求。为解决这一问题,该文提出了一种面向昏暗动态场景的实时VSLAM算法。该算法基于ORB-SLAM3架构,首先利用基于Retinex理论的图像增强技术对输入图像进行预处理,从而提升算法在低光照条件下的稳定性;然后,结合YOLOv5物体检测技术,通过高斯分布分析和LK光流技术,对YOLO检测框内的动态特征点进行精准过滤,保留框内的静态特征点。在TUM、Bonn以及实测数据集上进行了验证。实验结果表明,相比ORB-SLAM3,该算法在高动态环境中的绝对轨迹误差(ATE)提升了至少86.93%,在低动态环境中也提升了27.61%。与同类型的VSLAM算法相比,该文所提算法在保持较高定位精度的同时,处理速度更快,实现了精确性和实时性的良好平衡。

基于融合BEBLID和改进ORB算法的单目视觉里程计研究

为防止FAST算法在纹理丰富的环境下提取的特征点过于密集,通过预设条件使特征点稀疏化,便于后续对极约束恢复相机的位姿;为保证相机摄入的图像帧中纹理较少,特征提取时不会丢失图像信息,提出根据特征点数量调整检测方式,使其自适应提取图像特征,增强对复杂环境的适应性;为提高图像特征的匹配精度,通过融入BEBLID使特征点描述符充分表达。经实验验证,面对复杂的场景,改进算法有较强的环境鲁棒性。改进算法的匹配精度要高于ORB算法,在算法耗时方面相较SIFT算法有量级提升。经轨迹测算后,相比于ORB算法,改进算法在相机运动上更贴合真实轨迹,在位姿精度上有较明显的提升。

基于MCC的后端优化方法及其在ORB-SLAM2中的应用

自主定位和环境感知是机器人实现复杂任务的前提,视觉同时定位与建图(VSLAM)技术是有效解决方案。VSLAM中,传感器误差和环境噪声等影响定位和建图精度,造成累计误差。后端优化是VSLAM中消除累计误差的关键环节,现有后端优化算法通常以高斯噪声为前提,属于MSE标准下的后端算法。然而,由于图像的非凸特性和真实场景中产生的非高斯噪声,高斯噪声假设并不总成立,导致现有算法在真实场景中运行时性能下降。鉴于此,利用最大互相关熵(MCC)标准在处理非高斯噪声方面的优势,提出了一种基于MCC标准的后端优化方法,并将所提出方法应用于ORB-SLAM2框架,以测试所提出的方法在定位和建图精度方面的性能。最后,在EuRoC和KITTI公开数据集上进行实验,结果表明,无论是室内还是室外,所提方法在大部分序列中性能优于原ORB-SLAM2中基于Huber的后端优化算法以及基于Cauchy的后端优化算法。

基于RGB⁃D数据耦合误差处理的CEP⁃SLAM

针对使用RGB-D相机的VSLAM中RGB-D数据存在耦合误差的问题、现有特征提取方法存在的边点误提取问题及恒速运动模型跟踪稳定性差的问题,基于ORB-SLAM2框架提出了CEP-SLAM算法。算法使用恒加速运动模型来设置待跟踪帧的初始位姿;使用优化后的位姿计算帧间视觉里程计并更新恒加速运动模型,结合RGB图与深度图的采集时间差估算位姿偏移,基于该位姿偏移构建对极几何约束,使用二分法查找特征点在深度图对应像素点的位置,对特征点深度进行调整,缓解了RGB-D数据耦合误差对VSLAM的影响;提出一种基于联合方法的关键帧边点剔除算法,通过利用特征点在深度图的邻域信息对待插入关键帧中存在的不良边点进行判断和剔除。使用本文提出的CEP-SLAM算法在TUM公共数据集上进行实验,结果表明本文算法较好地剔除了不良边点,与经典算法相比有更好的鲁棒性、跟踪稳定性和更高的定位精度。