一种基于RGB-D的SLAM算法的改进方法

摘要

本发明公开了一种基于RGB-D的SLAM算法的改进方法，分为前端和后端两部分，前端的任务分为特征检测与描述符提取、特征匹配、运动变换估计和运动变换优化；后端的任务利用前端得到的6D运动变换关系初始化位姿图进行闭环检测添加闭环约束条件，利用非线性误差函数优化方法进行位姿图优化，得到全局最优相机位姿和相机运动轨迹，并进行三维环境重建。本发明使用ORB方法进行特征检测与描述符提取，并对深度信息不合法的特征点进行过滤；使用基于FLANN的KNN方法进行双向特征匹配，使用单应性矩阵变换对匹配结果进行优化；使用改进RANSAC的运动变换估计方法得到更精确的inliers匹配点对；使用基于GICP的运动变换优化方法提高点云配准的速度和精度。

主权项

一种基于RGB‑D的SLAM算法的改进方法，分为前端和后端两部分，前端的任务为提取不同观察结果之间的空间关系，分为特征检测与描述符提取、特征匹配、运动变换估计和运动变换优化；后端的任务为使用非线性误差函数优化位姿图中相机的位姿信息；使用基于图的位姿优化方法，利用前端得到的6D运动变换关系初始化位姿图，然后进行闭环检测添加闭环约束条件，再利用非线性误差函数优化方法进行位姿图优化，最终得到全局最优相机位姿和相机运动轨迹，并进行三维环境重建；其特征在于，其中，特征检测与描述符提取、特征匹配、运动变换估计和运动变换优化的具体方法如下所述：1)基于ORB的特征检测与描述符提取方法ORB算法是一种快速特征检测与描述符提取算法，包含oFAST特征点检测和rBRIEF描述符提取两个步骤；该算法的具体内容如下：(1)在oFAST特征点检测步骤中，首先对原图像构建尺度空间金字塔，然后使用FAST特征点检测方法检测出足够多的特征点并使用Harris角点评估方法对检测到的特征点进行筛选，再根据强度矩心求出特征点的方向；(2)在rBRIEF描述符提取步骤中，首先对oFAST特征点生成BRIEF特征描述符，然后利用oFAST特征点的方向矢量对BRIEF特征描述符进行转向生成steered BRIEF特征描述符，再使用贪心学习算法从训练集中筛选出一组具有较大方差值、高度不相关且位均值位于0.5附近的二元点集，然后使用这组二元点集生成BRIEF特征描述符并进行转向，得到具有旋转不变性的rBRIEF特征描述子；2)基于FLANN的增强特征匹配方法基于FLANN的增强特征匹配方法是对查找帧和训练帧特征描述符进行双向的基于FLANN的KNN匹配，然后使用单应性矩阵变换对匹配结果进行优化；3)改进RANSAC的运动变换估计方法使用RANSAC的方法进行运动变换估计总体上是一个迭代的过程；在每一次迭代过程中从三维坐标匹配点对集合中随机选择20个三维坐标匹配点对，根据这些三维坐标匹配点对求出一个运动变换模型；对于三维坐标匹配点对集合中的每一个元素，使用所求出的运动变换模型将元素中的原坐标进行投影以得到投影坐标，计算目标坐标与投影坐标之间的误差，如果误差小于阈值，则该三维坐标匹配点对是局内点，将其加入局内点集合；否则认为它是局外点，不作处理；统计局内点的数目，并计算该模型下的平均误差；如果局内点数目高于阈值并且平均误差低于阈值，则利用所有的局内点重新计算新的运动变换模型；然后再次对新的运动变换模型进行评估；(4)基于GICP的运动变换优化方法GICP算法在对标准ICP算法和点到面ICP算法进行归纳与综合的基础上，更进一步使用了面到面的思想进行改进；GICP算法的抽象程度更高，而且在一定条件下退化成标准ICP算法或者点到面ICP算法；GICP算法点云配准所需的时间高于标准ICP算法，但是GICP的精度远远高于标准ICP，使用GICP算法替换标准ICP算法进行RGB‑D SLAM算法中的运动变换优化，以使得求解出的运动变换误差更小。