专利汇可以提供一种基于改进点线特征的结构化场景视觉SLAM方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于改进点线特征的结构化场景视觉SLAM方法,首先对RGB-D相机进行 基础 标定,获得内参信息,之后通过该 深度相机 对结构化场景进行SLAM初始化;提取结构化场景中的ORB点特征与LSD线特征,根据点线特征对应的空间点与空间直线,建立误差模型,通过最小化该模型,对相机 位姿 进行估计并生成结构化场景的三维地图点;在 视频 帧 中决策生成关键帧,使用关键帧集合,建立词袋模型,对三维地图点进行闭环检测;检测到闭环条件后,通过误差模型,对相机位姿与结构化场景三维地图点进行优化,改进SLAM效果。本发明解决了结构化场景中视觉SLAM对于闭环检测 精度 与效率不高的问题,并为视觉SLAM工作提供了较大的便利。,下面是一种基于改进点线特征的结构化场景视觉SLAM方法专利的具体信息内容。
1.一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:该方法包括如下步骤:
S1、对RGB-D深度相机进行基础标定,获得内参信息;通过该相机对结构化场景进行视觉SLAM的初始化;
S2、通过相机得到的视频帧,提取结构化场景中的ORB点特征与LSD线特征,并分别与结构化场景中的空间点、空间直线相对应;
S3、根据ORB点特征与LSD线特征对应的空间点与空间直线,建立基于结构化场景的改进点特征与线特征的误差模型;
S4、通过最小化误差模型,对相机位姿进行估计并生成结构化场景的三维地图点;
S5、根据得到的相机位姿与结构化场景的三维地图点,在视频帧中,通过结构化场景的点、线特征的跟踪情况以及相机定位、建图的状态,决策生成关键帧集合;
S6、使用关键帧集合,建立基于改进点线特征的词袋模型,对三维地图点进行闭环检测;
S7、根据步骤S6得到的闭环检测结果,在检测到闭环条件后,通过点线特征误差模型,对相机位姿与结构化场景三维地图点进行优化,改进同时定位与建图的效果。
2.根据权利要求1所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S1中,对RGB-D深度相机进行基础标定,获得内参信息;通过该相机对结构化场景进行视觉SLAM的初始化;具体如下:
S1.1、以结构化场景中的一张黑白棋盘格作为标定物,通过调整标定物与相机的方向,为标定物拍摄不同方向的照片,并从照片中提取棋盘格角点;
S1.2、设现实环境中某空间点P的相机坐标为[X,Y,Z]T,X,Y,Z分别为相机在三维空间立体坐标系中的坐标;
在针孔相机模型中根据三角形相似关系得到成像平面内对应成像点P′坐标f为相机焦距;将该点P′转换到像素坐标[U,V],有
其中K为相机内参矩阵;
S1.3、选择校正参数k1,k2,l1,l2,l3,对相机基础标定计算中的径向畸变与切向畸变进行纠正;其中k1,k2为径向畸变校正系数,l1,l2,l3为切向畸变校正系数;
S1.4、提取前fr帧图像的ORB点特征,并选取ORB点特征数NORB超过一定值的视频帧作为初始帧,以选取的初始帧为基准,通过深度相机在结构化场景进行同步定位与建图的初始化。
3.根据权利要求1所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S2中,通过相机得到的视频帧,提取结构化场景中的ORB点特征,并与结构化场景中的空间点相对应;具体如下:
S2.1.1、对图像中的像素点提取得到ORB特征点,通过灰度质心法来表达ORB特征点的方向,特征点方向为该点相邻a×a图像块几何中心与灰度质心连线的方向;
S2.1.2、在ORB特征点相邻b×b图像块中采用贪婪搜索选取q个像素对(j,k),像素对的灰度值分别为Ij,Ik,比较像素对中两个像素的亮度关系,得到q维由1和0组成的向量描述子来描述特征点与图像的关系,如果Ij>Ik,则描述子的相应位取1,反之则取0,该描述子即为结构化场景中的ORB特征描述子;通过对视频帧图像构建ORB特征描述子,实现ORB点特征的提取;
S2.1.3、将视频帧图像中的每个ORB特征描述子,与其在结构化场景中的三维空间点Pw相对应。
4.根据权利要求3所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S2中,通过相机得到的视频帧,提取结构化场景中的LSD线特征,并与结构化场景中的空间直线相对应;具体如下:
S2.2.1、在图像中提取LSD线特征,设LSD线特征的线段支持域为θl,对线段支持域在阈值θll′内的线段l、l′的端点进行合并,合并端点处坐标取线段l、l′端点坐标的均值;
S2.2.2、使用Pliicker坐标表示与LSD线特征对应的结构化场景中的空间直线;
设步骤S2.2.1得到的LSD线特征对应的空间直线的两个端点的齐次坐标为:
P1(x1,y1,z1,1),P2(x2,y2,z2,1)
Pliicker矩阵T表示如下:
则与LSD线特征对应的结构化场景中的空间直线Lw,使用Pliicker坐标表示为:
其中,n、v为空间直线Lw在Pliicker坐标中两个端点坐标向量,其值由Pliicker矩阵T计算得到。
5.根据权利要求4所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S3中,根据ORB点特征与LSD线特征对应的空间点与空间直线,建立基于结构化场景的改进点特征与线特征的误差模型;具体如下:
S3.1、建立ORB点特征对应的空间点Pw的误差模型;
根据相机运动方程将结构化场景下的空间点Pw转换到相机坐标下的空间点Pc;
根据小孔成像模型得到像素坐标系投影点P′uv,计算实际坐标Puv与P′uv的误差;
则ORB点特征对应的空间点Pw的误差模型表示为:
其中, 表示第i个空间点Pw,i在像素坐标的投影与其在像素平面的实际坐标Puv,k,i之间的误差;k表示结构化场景下的第k帧图像帧,K为相机内参,Tcw,k为相机坐标系相对于结构化场景坐标系的位姿转换矩阵;
S3.2、建立LSD线特征对应的空间直线Lw的误差模型;
使用LSD线特征对应的空间直线在像素平面的投影L′uv与空间直线在像素平面的实际坐标Luv之间的误差,构建误差模型:
其中,ps,pe为空间线Lw的两个端点,n、v为空间直线Lw在Pliicker坐标中两个端点坐标向量;
则LSD线特征对应的空间直线Lw的误差模型表示为:
其中, 表示第j个空间直线Lw,j在像素坐标的投影与其在像素平面的实际坐标Luv,k,j之间的误差;k表示结构化场景下的第k帧图像帧,K为相机内参,Tcw,k为相机坐标系相对于结构化场景坐标系的位姿转换矩阵;
S3.3、建立整体改进点线特征的二范数误差模型,在整体的误差模型中提高线特征误差模型所占权重,表示如下:
l p l
其中,E为二范数误差,设δ=2δ,δ∈(0.2~1)。
6.根据权利要求1所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S4中,通过最小化误差模型,对相机位姿进行估计并生成结构化场景的三维地图点;具体如下:
最小化点线特征误差模型的过程,即对误差模型中的目标函数求最优解的过程;
点线特征误差模型的目标函数,表示如下:
(JTJ+λI)Δx=-JTE
其中,J为目标函数关于变量的雅可比矩阵,所述变量包括:相机位姿Tcw,k以及结构化场景的三维地图点Pw,i,Δx为Tcw,k、Pw,i的极小量的简写,λ为动态调整参数;
采用列文伯格-马尔夸特法对目标函数进行近似增量式线性求解,得到相机位姿与结构化场景的三维地图点。
7.根据权利要求1所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S5中,在视频帧中,通过结构化场景的点、线特征的跟踪情况以及相机定位、建图的状态,决策生成关键帧集合;具体如下:
S5.1、根据关键帧的选取和判断条件,判断当前帧是否为关键帧;所述条件包括:
(1)当前帧与上一次选取的关键帧间隔超过N1帧;
(2)生成深度相机定位与建图的工作状态稳定,或已有N2帧的图像帧被丢弃;
(3)当前相机得到的图像帧中构建得到大于Ml条空间直线;所述空间直线为基于结构化场景改进点线特征误差模型优化得到的LSD线特征对应的空间直线;
(4)当前相机得到的图像帧中的ORB点特征与前一关键帧的相似度不超过S;所述相似度是指当前帧图像中基于改进点线特征误差模型优化得到的ORB点特征对应的空间点与上一关键帧中空间点相同的数量占全部空间点的比例;
S5.2、将同时满足步骤S5.1所述四个条件的图像帧选取为关键帧;
S5.3、遍历所有视频帧,根据S5.1-S5.2选取全部的关键帧,获得关键帧集合。
8.根据权利要求1所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S6中,使用关键帧集合,建立基于改进点线特征的词袋模型,对三维地图点进行闭环检测;具体如下:
S6.1、基于k-means算法生成关键帧集合的单词;
S6.2、判断关键帧集合的单词所对应的点特征是否属于关键帧图像的线特征,并根据单词是否属于线特征,对该单词赋予权重;
S6.3、通过构建点特征单词与它们的权重,建立基于改进点线特征的词袋模型,将该词袋模型应用于结构化场景的视觉SLAM闭环检测;
S6.4、当检测到当前帧图像中的点特征与基于关键帧集合的词袋模型中点特征单词相同数量超过阈值时,即认为检测到闭环。
9.根据权利要求8所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S6.1基于k-means算法生成关键帧集合的单词;方法如下:
以关键帧图像中的随机的ORB点特征作为初始聚类中心,确定nword个初始聚类中心,0<nword<nMAX,nMAX为聚类中心数量上限;
在确定第i+1个聚类中心时,与当前第i个聚类中心间隔越远的点,被确定为第i+1个聚类中心的几率越高;
对关键帧中的ORB点特征分别计算其与各个聚类中心的明式距离;
选取距离最近的聚类中心作为该点特征的聚类中心,将该点特征使用八叉树数据结构与其对应的聚类中心连接;最后得到的所有聚类中心即为关键帧集合的单词;
所述步骤S6.2中,判断关键帧集合的单词是否属于关键帧图像的线特征,并根据单词是否属于线特征,对该单词赋予权重;具体如下:
η=ω·TFi×IDFi
其中,η表示描述点线特征的词袋模型,ω表示点线特征的权重,IDFi表示单词Wword中ORB特征数量featurei相对于线特征中所有单词ORB特征数量feature的比值;TFi表示该单词Wword在任意一视频帧中呈现的频率,feature′表示该视频帧图像中出现单词的总个数,featurei′为单词Wword在该视频帧图像中呈现的次数;
若单词属于关键帧图像的线特征,权重ω为1;
若单词不属于关键帧图像的线特征,权重ω为0.1。
10.根据权利要求1-9任一所述的一种基于改进点线特征的结构化场景视觉SLAM方法,其特征在于:所述步骤S7中,在检测到闭环条件后,通过点线特征误差模型,对相机位姿与结构化场景三维地图点进行优化,改进同时定位与建图的效果;具体如下:
S7.1、检测到闭环后,将当前帧的点线特征集合{pref,lref}与闭环检测得到的相似度最高的关键帧的点线特征集合{pkey,lkey}相对应,分别匹配对应的ORB点特征与LSD线特征;其中,pref为当前帧的点特征,lref为当前帧的线特征,pkey为关键帧的点特征,lkey为关键帧的线特征;
S7.2、遍历当前帧与关键帧的集合K{∑(p,l)},融合所有的匹配ORB点特征与LSD线特征,通过代价函数进行最小化重投影误差,优化相机位姿与所有结构化场景三维地图点,改进同时定位与建图的效果;
所述代价函数的表达式如下:
其中,i表示第i个匹配的ORB点特征,j表示第j个匹配的LSD线特征,N,M分别表示匹配的ORB点特征、LSD线特征数量;Eref,Ekey分别为当前视频帧和关键帧的改进点线特征的二范数误差模型。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种系统界面设计方法 | 2020-05-16 | 74 |
机场航站楼环境自主巡检车监测系统 | 2020-05-22 | 115 |
相机模块及其相关系统 | 2020-05-13 | 485 |
汽车爆胎安全稳定控制系统 | 2020-05-25 | 23 |
一种基于卫星辅助的机器视觉定位系统及方法 | 2020-05-08 | 145 |
一种基于多传感器信息融合的智能车定位方法 | 2020-05-23 | 101 |
一种基于移动互联网的调度运行信息快速传递与共享方法 | 2020-05-26 | 218 |
一种基于大数据和图像识别的武装押运安全预警系统和方法 | 2020-05-21 | 885 |
自动生成室内三维导航地图模型的方法和系统 | 2020-05-13 | 371 |
基于增强现实的远程指导方法、装置、终端和存储介质 | 2020-05-20 | 892 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。