[發(fā)明專利]基于熵加權(quán)圖像梯度的半直接單目視覺SLAM方法

有效

• 申請?zhí)枺?/td>: 202110354965.0
• 申請日: 2021-04-01
• 公開（公告）號: CN113206949B
• 公開（公告）日: 2023-04-28
• 發(fā)明（設(shè)計(jì)）人: 朱靜;明家輝;鐘綺嵐;王坤輝;凌興濤;李林;尹邦政;梁健;梁顯武;林艷梅
• 申請（專利權(quán)）人: 廣州大學(xué)
• 主分類號: H04N23/73
• 分類號: H04N23/73;H04N23/741;H04N23/60;H04N23/95;H04N25/57
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于熵加權(quán)圖像梯度的半直接單目視覺SLAM方法，包括以下步驟：S1、記錄曝光時間，并讀入下一幀圖像；S2、將圖像分成若干個圖像塊；S3、計(jì)算每個圖像塊的圖像熵，根據(jù)圖像熵分配權(quán)重；S4、計(jì)算每個圖像塊的圖像梯度；S5、記錄6次調(diào)整相機(jī)曝光時間后的圖像熵加權(quán)圖像梯度值，分別作為多項(xiàng)式擬合曲線的6個點(diǎn)的x坐標(biāo)和y坐標(biāo)，擬合曲線后用牛頓迭代法尋找曲線函數(shù)值最大值，其對應(yīng)的x坐標(biāo)即為最優(yōu)曝光時間；S6、通過對應(yīng)接口傳入半直接法單目視覺SLAM的視覺里程計(jì)中；S7、判斷相機(jī)獲取的圖片是否為最后一幀圖像。本發(fā)明相比傳統(tǒng)曝光算法下直接法的單目視覺SLAM方法，利用圖像熵梯度尋找最佳曝光時間可以大大提高動態(tài)范圍。

技術(shù)領(lǐng)域

本發(fā)明屬于SLAM技術(shù)領(lǐng)域，具體涉及一種基于熵加權(quán)圖像梯度的半直接單目視覺SLAM方法。

背景技術(shù)

隨著機(jī)器人定位理論和計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展和進(jìn)步，基于視覺的同步定位與地圖構(gòu)建技術(shù)(Visual?Simultaneous?Localization?and?Mapping，V-SLAM)的研究正在成為機(jī)器人技術(shù)領(lǐng)域新的研究熱點(diǎn)。視覺SLAM技術(shù)通過攝像機(jī)獲取視覺信息進(jìn)行同時定位與地圖創(chuàng)建，獲得的機(jī)器人三維位姿信息和環(huán)境信息，是移動機(jī)器人執(zhí)行其他任務(wù)的基礎(chǔ)。

前端跟蹤部分的計(jì)算方法主要有兩種：特征法和直接法。特征法首先需要提取圖像特征點(diǎn)和計(jì)算描述子，進(jìn)行特征點(diǎn)匹配后通過最小化重投影誤差計(jì)算出機(jī)器人位姿。然而，特征提取和匹配是耗時的，這使得基于特征法的前端跟蹤比較慢。直接法利用光度不變性原理，通過最小化光度誤差來獲取機(jī)器人的位姿信息，計(jì)算像素深度，實(shí)現(xiàn)自身定位和建圖。直接法相對于特征法，由于不需要提取圖像特征，執(zhí)行速度較快。

在高動態(tài)范圍環(huán)境(HDR)中，如果沒有適當(dāng)?shù)钠毓饪刂疲瑘D像可能容易過度曝光或曝光不足，并且只能從這些圖像中提取非常少的信息。為了克服動態(tài)范圍窄的問題，許多相機(jī)會自動調(diào)整曝光時間。然而，直接法的跟蹤都直接依賴于點(diǎn)的亮度，曝光時間的改變打破了連續(xù)幀的光度不變假設(shè)，這將會使得直接法在HDR環(huán)境中容易跟蹤失敗。因而為了保證更加準(zhǔn)確的控制相機(jī)獲取圖像時的曝光時間，需要開發(fā)一種新的方法。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提出一種基于熵加權(quán)圖像梯度的半直接單目視覺SLAM方法，相比傳統(tǒng)曝光算法下直接法的單目視覺SLAM方法，利用圖像熵梯度尋找最佳曝光時間可以大大提高動態(tài)范圍，同時加入圖像分塊的思想，代替原來計(jì)算每個像素的圖像梯度大大減少計(jì)算量，可以有效提高系統(tǒng)魯棒性。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案：

基于熵加權(quán)圖像梯度的半直接單目視覺SLAM方法，包括以下步驟：

S1、開啟相機(jī)先通過調(diào)整光圈、曝光增益達(dá)到最佳的曝光效果，并記錄曝光時間，并讀入下一幀圖像；

S2、若當(dāng)前圖像與上一幀圖像的平均亮度差值的絕對值超過上一幀圖像亮度平均值的15％，則將圖像分成若干個圖像塊；

S3、計(jì)算每個圖像塊的圖像熵，根據(jù)圖像熵分配權(quán)重；

S4、計(jì)算每個圖像塊的圖像梯度，根據(jù)步驟S3分配的權(quán)重，對所有圖像塊的梯度進(jìn)行累加得到當(dāng)前幀圖像梯度；

S5、記錄6次調(diào)整相機(jī)曝光時間后的圖像熵加權(quán)圖像梯度值，分別作為多項(xiàng)式擬合曲線的6個點(diǎn)的x坐標(biāo)和y坐標(biāo)，擬合曲線后用牛頓迭代法尋找曲線函數(shù)值最大值，其對應(yīng)的x坐標(biāo)即為最優(yōu)曝光時間；

S6、通過對應(yīng)接口傳入半直接法單目視覺SLAM的視覺里程計(jì)中；

S7、判斷相機(jī)獲取的圖片是否為最后一幀圖像，若否，則對比上一幀圖像的亮度平均值并返回到步驟S1，若是，則結(jié)束。

進(jìn)一步的，所述圖像塊的圖像熵具體由公式(1)計(jì)算得到，公式(1)如下：