室内场景由大量的平面和直线构成,且经常存在纹理单一而少的情况,这会使得产生的点特征稀少且分布不均匀,从而导致传统的以点特征为观测值的视觉同步定位与建图(simultaneous localization and mapping,SLAM)容易产生不准确的定位结果...室内场景由大量的平面和直线构成,且经常存在纹理单一而少的情况,这会使得产生的点特征稀少且分布不均匀,从而导致传统的以点特征为观测值的视觉同步定位与建图(simultaneous localization and mapping,SLAM)容易产生不准确的定位结果。本文针对室内场景,在基于点特征的视觉SLAM基础上,引入线特征作为额外的观测值。针对与运动方向平行的线特征对运动估计的几何约束较弱的不足,提出一种能从线特征中筛选出与运动方向不平行的线特征的方法,选择与运动方向不平行的结构线特征参与平差优化,提高室内视觉SLAM的定位精度。实验表明,在公开数据集上,使用本文的方法后,定位精度能在基本不影响实时性的条件下提高15%左右。展开更多
文摘室内场景由大量的平面和直线构成,且经常存在纹理单一而少的情况,这会使得产生的点特征稀少且分布不均匀,从而导致传统的以点特征为观测值的视觉同步定位与建图(simultaneous localization and mapping,SLAM)容易产生不准确的定位结果。本文针对室内场景,在基于点特征的视觉SLAM基础上,引入线特征作为额外的观测值。针对与运动方向平行的线特征对运动估计的几何约束较弱的不足,提出一种能从线特征中筛选出与运动方向不平行的线特征的方法,选择与运动方向不平行的结构线特征参与平差优化,提高室内视觉SLAM的定位精度。实验表明,在公开数据集上,使用本文的方法后,定位精度能在基本不影响实时性的条件下提高15%左右。