基于ORB-SLAM2系统的快速误匹配剔除算法与地图构建

针对ORB-SLAM2系统中随机抽样一致(RANSAC)算法在误匹配剔除时因其算法本身的随机性而导致效率较低的问题和在ORB-SLAM2系统里未能构建稠密点云地图的问题,采用渐进一致采样(PROSAC)算法来改进ORB-SLAM2系统中的误匹配剔除,并在系统中添加稠密点云地图和八叉树地图构建线程。首先,与RANSAC算法相比,PROSAC算法依据评价函数对特征点进行预排序,并选取评价质量较高的特征点求解单应性矩阵,根据单应性矩阵的解与匹配误差阈值进行误匹配剔除;然后,根据ORB-SLAM2系统进行相机的位姿估计与重定位;最后,根据所选关键帧进行稠密点云地图与八叉树地图的构建。根据TUM数据集上的实验结果,PROSAC算法在进行相同图像的误匹配剔除时所用时间是RANSAC算法的50%左右,并且所提系统的绝对轨迹误差与相对位姿误差与ORB-SLAM2系统基本一致,表现出良好的鲁棒性;另外,与稀疏点云地图相比,提出的新构建地图可以直接用于机器人的导航与路径规划。

基于双边滤波和词袋模型的图像匹配算法

针对传统ORB(oriented FAST and rotated BRIEF)算法存在计算量较大、匹配精度较低等问题,提出一种将双边滤波和词袋(BoW)模型相融合的匹配算法。首先,采用双边滤波对图像进行对比度增强和去噪;获取图像的特征点和描述子,将BRIEF描述子通过BoW模型转化为BoW特征向量,利用BoW模型进行相似度筛选;最后通过渐进采样一致(PROSAC)算法剔除误匹配点对,提高算法的匹配精度。实验结果表明,改进的算法与传统算法相比匹配精确率和匹配速度都明显提高,并且具有较强的鲁棒性。