[發(fā)明專利]一種基于改進圖像匹配策略的同步定位與建圖方法

在審

• 申請?zhí)枺?/td>: 201810184701.3
• 申請日: 2018-03-07
• 公開（公告）號: CN108416385A
• 公開（公告）日: 2018-08-17
• 發(fā)明（設(shè)計）人: 賈松敏;鄭澤玲;張祥銀;李明愛;李秀智
• 申請（專利權(quán)）人: 北京工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于改進圖像匹配策略的同時定位與建圖的方法，其特征在于，包括以下步驟：

步驟一，圖像數(shù)據(jù)的獲取

采用微軟公司的kinect相機獲取周圍環(huán)境的彩色圖像和深度圖像，編寫程序?qū)崿F(xiàn)獲取圖像功能；

步驟二，特征提取

采用改進的ORB特征對圖像進行特征點檢測，此改進算法的步驟如下：

1)計算圖像金字塔，設(shè)定金字塔層數(shù)為8，層間尺度比例為1.2；給每層分配待提取的特征點數(shù)，具體分配是通過等比數(shù)列求和的方式計算出每一層特征點的數(shù)目；

2)對圖像金子塔中每一層圖像進行特征點計算，然后將每一層中的圖像劃分成大小為14*20區(qū)域，然后進行FAST角點檢測；

3)根據(jù)每層劃分的圖像區(qū)域，將圖像特征表示為四叉樹形式，由每一層檢測到的特征點數(shù)確定四叉樹的節(jié)點數(shù)目；

4)對劃分之后的節(jié)點進行判斷，如果此節(jié)點的特征點數(shù)為1則不再分裂此節(jié)點(保留每個節(jié)點里面最好的特征點)；

5)當節(jié)點個數(shù)大于初始設(shè)定的總特征點數(shù)1000或者所有節(jié)點中只包含一個特征點時則終止檢測，反之則繼續(xù)；

步驟三，特征匹配及初始位姿求解

RANSAC算法通常用在圖像誤匹配剔除的過程中，其中內(nèi)點比例和迭代次數(shù)的關(guān)系如式(1)所示；

其中p為置信度，γ為內(nèi)點比例，η為計算模型所需的最少特征點數(shù)量，L為迭代次數(shù)；

改進RANSAC算法步驟如下：

1)計算特征描述子，采用高斯分布模型來選取記錄特征點周圍的環(huán)境信息的圖像點；其中采樣點的坐標(x_i,y_i)滿足高斯分布S為區(qū)域半徑值；

2)計算待匹配的特征點的描述子與其他描述子之間的歐氏距離，得到最小距離和次小距離；計算方法如式(2)所示；

其中p_i和p_j為兩個特征點，Des_ik和Des_jk分別為p_i和p_j特征點描述子的第k個分量；L(p_i,p_j)為待匹配的特征點描述子之間的歐氏距離，m為第一對描述子，n為特征描述子的總對數(shù)；

3)判斷步驟2)中的最小歐氏距離和次小歐氏距離的比值是否小于0.7，；如果小于把這些特征點保留下作為數(shù)據(jù)樣本；若不滿足此閾值條件，則在計算單應矩陣模型時不使用該數(shù)據(jù)點；

4)將原始數(shù)據(jù)通過步驟3)篩選后，計算兩幅待匹配的圖像間的單應矩陣，用此模型來剔除兩幅圖像中的錯誤匹配；

5)利用PnP求解機器人的初始位姿，求解方法如式(3)所示；

其中(x,y)是圖像坐標點，(X,Y,Z)為空間坐標點，r_t(t＝1,2,3…11,12)表示所求變量，由于r一共有12維，因此至少需要6對匹配點來計算；

步驟四：位姿優(yōu)化與建圖

先使用PnP的方法得到機器人初始的位姿，然后構(gòu)建非線性最小二乘問題對初始值進行調(diào)整；考慮w個三維空間點P及其投影p，要得到相機的位姿R,t，位姿李代數(shù)形式表示為ξ；假設(shè)某空間點坐標為P_a＝[X_a,Y_a,Z_a]^T,相機內(nèi)參矩陣為K，其中投影的像素坐標為u＝(u_a,v_a)^T，S_a為縮放因子；像素位置與空間點位置的關(guān)系如式(4)所示：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，具體的位姿優(yōu)化與建圖步驟如下：

1)確定誤差項：將像素坐標點與空間坐標點按照當前估計的位姿進行投影，得到空間點重投影后在圖像中的位置；把此誤差構(gòu)建成非線性最小二乘問題，關(guān)系如式(5)所示：

其中ε^*表示重投影誤差，b表示空間點總數(shù)目，運算符號表示二范數(shù)的平方，argmin表示的是函數(shù)取值最小時的自變量取值；

2)建立位姿圖：利用g2o建立位姿圖，把待優(yōu)化的變量定義成頂點，把誤差項定義成邊；

3)誤差項對位姿求導：

其中f_x,f_y為g2o中對相機焦距的描述，X',Y',Z'為空間點的3D坐標，ξ為位姿；

4)誤差項對空間點求導：

其中p表示為空間點，R表示為旋轉(zhuǎn)矩陣；

5)利用g2o圖模型中所建立的位姿圖對位姿和空間點進行優(yōu)化；

6)根據(jù)針孔相機模型以及優(yōu)化后的位姿生成點云地圖；設(shè)像素坐標為[u,v,1],3D點坐標為[X,Y,Z]，縮放因子為D，相機光心為(c_x,c_y)根據(jù)相機成像模型二者之間的關(guān)系如式(8)所示；