[发明专利]一种基于改进图像匹配策略的同步定位与建图方法

摘要

本发明提出了一种基于改进图像匹配策略的同时定位与建图的方法。该方法采用改进的ORB特征对图像各个区域进Oriented FAST(Oriented Features from Accelerated Segment Test)角点检测，计算特征点的描述子，之后利用改进的RANSAC算法进行特征匹配及筛选。最后使用PnP(Perspective‑n‑Point)方法求解机器人的初始位姿，利用得到的初始位姿生成位姿图，然后使用列文伯格‑马夸尔特方法对位姿进行更新并利用g2o(General Graphic Optimization,G2O)优化库对位姿进行优化。最终把优化后的位姿以及相对应帧的结合在一起生成点云地图。此方法能够提高误匹配剔除的效率并且能够改善跟踪过程的鲁棒性得到较为准确的地图。

主权项

1.一种基于改进图像匹配策略的同时定位与建图的方法，其特征在于，包括以下步骤：步骤一，图像数据的获取采用微软公司的kinect相机获取周围环境的彩色图像和深度图像，编写程序实现获取图像功能；步骤二，特征提取采用改进的ORB特征对图像进行特征点检测，此改进算法的步骤如下：1)计算图像金字塔，设定金字塔层数为8，层间尺度比例为1.2；给每层分配待提取的特征点数，具体分配是通过等比数列求和的方式计算出每一层特征点的数目；2)对图像金子塔中每一层图像进行特征点计算，然后将每一层中的图像划分成大小为14*20区域，然后进行FAST角点检测；3)根据每层划分的图像区域，将图像特征表示为四叉树形式，由每一层检测到的特征点数确定四叉树的节点数目；4)对划分之后的节点进行判断，如果此节点的特征点数为1则不再分裂此节点(保留每个节点里面最好的特征点)；5)当节点个数大于初始设定的总特征点数1000或者所有节点中只包含一个特征点时则终止检测，反之则继续；步骤三，特征匹配及初始位姿求解RANSAC算法通常用在图像误匹配剔除的过程中，其中内点比例和迭代次数的关系如式(1)所示；其中p为置信度，γ为内点比例，η为计算模型所需的最少特征点数量，L为迭代次数；改进RANSAC算法步骤如下：1)计算特征描述子，采用高斯分布模型来选取记录特征点周围的环境信息的图像点；其中采样点的坐标(x_i,y_i)满足高斯分布S为区域半径值；2)计算待匹配的特征点的描述子与其他描述子之间的欧氏距离，得到最小距离和次小距离；计算方法如式(2)所示；其中pi和pj为两个特征点，Desik和Desjk分别为pi和pj特征点描述子的第k个分量；L(pi,pj)为待匹配的特征点描述子之间的欧氏距离，m为第一对描述子，n为特征描述子的总对数；3)判断步骤2)中的最小欧氏距离和次小欧氏距离的比值是否小于0.7，；如果小于把这些特征点保留下作为数据样本；若不满足此阈值条件，则在计算单应矩阵模型时不使用该数据点；4)将原始数据通过步骤3)筛选后，计算两幅待匹配的图像间的单应矩阵，用此模型来剔除两幅图像中的错误匹配；5)利用PnP求解机器人的初始位姿，求解方法如式(3)所示；其中(x,y)是图像坐标点，(X,Y,Z)为空间坐标点，rt(t＝1,2,3…11,12)表示所求变量，由于r一共有12维，因此至少需要6对匹配点来计算；步骤四：位姿优化与建图先使用PnP的方法得到机器人初始的位姿，然后构建非线性最小二乘问题对初始值进行调整；考虑w个三维空间点P及其投影p，要得到相机的位姿R,t，位姿李代数形式表示为ξ；假设某空间点坐标为Pa＝[Xa,Ya,Za]T,相机内参矩阵为K，其中投影的像素坐标为u＝(ua,va)T，Sa为缩放因子；像素位置与空间点位置的关系如式(4)所示：