基于局部熵的SLAM 視覺(jué)里程計(jì)優(yōu)化算法

于雅楠 衛(wèi)紅 陳靜

在移動(dòng)機(jī)器人研究領(lǐng)域,同步定位與地圖創(chuàng)建(Simultaneous localization and mapping,SLAM)技術(shù)使機(jī)器人從未知環(huán)境的未知地點(diǎn)出發(fā),在運(yùn)動(dòng)過(guò)程中通過(guò)機(jī)器人搭載視覺(jué)、激光等傳感器重復(fù)觀測(cè)到的地圖特征定位自身位置和姿態(tài),再根據(jù)自身位置增量式地構(gòu)建地圖,從而達(dá)到同時(shí)定位和地圖構(gòu)建的目的,為機(jī)器人自主定位、避障、導(dǎo)航、路徑規(guī)劃等任務(wù)提供必要的支持.鑒于SLAM 技術(shù)是使機(jī)器人真正實(shí)現(xiàn)完全自動(dòng)化的關(guān)鍵技術(shù)之一,其應(yīng)用已廣泛覆蓋無(wú)人駕駛汽車(chē)、無(wú)人機(jī)、人機(jī)交互、虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)等人工智能領(lǐng)域[1?3],并且結(jié)合深度學(xué)習(xí)的SLAM 也成為近兩年的研究熱點(diǎn)[4?6].在SLAM 應(yīng)用中,相比能夠測(cè)試環(huán)境范圍的激光傳感器而言,可直接獲取圖像信息的視覺(jué)傳感器(包括單目、雙目、深度相機(jī))在環(huán)境的可視化上具備更多優(yōu)勢(shì),對(duì)移動(dòng)機(jī)器人進(jìn)行場(chǎng)景識(shí)別以及感知理解具有更廣泛的應(yīng)用前景.

在視覺(jué)SLAM 中,視覺(jué)里程計(jì)作為SLAM 系統(tǒng)前端,其意義在于依靠圖像信息來(lái)增量式地估計(jì)相機(jī)運(yùn)動(dòng).視覺(jué)里程計(jì)根據(jù)其原理不同主要分為非直接方法與直接方法兩類[7],最本質(zhì)區(qū)別在于,傳統(tǒng)的非直接方法借助于人工提取的圖像特征信息,通過(guò)優(yōu)化特征的重投影誤差來(lái)計(jì)算相機(jī)的姿態(tài)運(yùn)動(dòng),而直接方法借助于圖像包含的全部像素信息,即優(yōu)化像素灰度誤差來(lái)計(jì)算相機(jī)的姿態(tài)運(yùn)動(dòng).除此之外,完整的SLAM系統(tǒng)還包括運(yùn)動(dòng)回環(huán)檢測(cè)、精確地圖創(chuàng)建、軌跡與地圖的全局優(yōu)化.SLAM 系統(tǒng)框架如圖1 所示.

圖1 SLAM 系統(tǒng)框架Fig.1 SLAM framework

SLAM 研究仍然存在諸多挑戰(zhàn),在利用稀疏特征的非直接方法中,存在如何設(shè)計(jì)一種最優(yōu)表示圖像信息的特征、如何使特征在光照變化、相機(jī)參數(shù)改變或紋理信息不足的環(huán)境中具有較高魯棒性等問(wèn)題.在直接方法中,雖然圖像信息可以最大化被利用,但如果存在遮擋、漫反射或光線變化等特殊情況,以優(yōu)化像素值為目標(biāo)函數(shù)的前提假設(shè)則不成立.除上述討論的關(guān)鍵技術(shù)外,SLAM 研究對(duì)于應(yīng)用環(huán)境也有特別的要求,在復(fù)雜以及多動(dòng)態(tài)目標(biāo)運(yùn)動(dòng)環(huán)境中SLAM 系統(tǒng)顯得更為脆弱[8],長(zhǎng)時(shí)間或遠(yuǎn)距離的實(shí)時(shí)應(yīng)用對(duì)系統(tǒng)的魯棒性需求更高.另外,SLAM 位置及姿態(tài)跟蹤結(jié)果對(duì)于突然的環(huán)境亮度變化極為敏感[9],過(guò)曝光或欠曝光等情況使成像區(qū)域出現(xiàn)飽和現(xiàn)象,從而影響特征提取以及深度估計(jì).

本文提出一種基于局部圖像熵的細(xì)節(jié)增強(qiáng)優(yōu)化算法,改善視覺(jué)里程計(jì)中由于特征不充分而造成的圖像匹配失敗以及跟蹤丟失等問(wèn)題,提高移動(dòng)機(jī)器人視覺(jué)定位精度和系統(tǒng)魯棒性.首先介紹了SLAM 關(guān)鍵技術(shù)及可行性,結(jié)合應(yīng)用中面臨的實(shí)際問(wèn)題,即圖像紋理或結(jié)構(gòu)特征不豐富、視覺(jué)傳感器快速運(yùn)動(dòng)或大角度轉(zhuǎn)動(dòng)時(shí)出現(xiàn)跟蹤丟失等問(wèn)題,提出基于信息熵的圖像特征提取方法,構(gòu)建SLAM 系統(tǒng),對(duì)比ORBSLAM2 系統(tǒng)進(jìn)行了開(kāi)源數(shù)據(jù)集驗(yàn)證及分析,最后得出相關(guān)結(jié)論.

1 相關(guān)研究

1.1 SLAM 技術(shù)

2007 年Davison 等開(kāi)發(fā)的基于單目攝像頭的Mono-SLAM[10]系統(tǒng)成功實(shí)現(xiàn)了機(jī)器人視覺(jué)SLAM.2007 年英國(guó)牛津大學(xué)Klein 和Murray 發(fā)布了獨(dú)特創(chuàng)新的雙線程并行追蹤與建圖SLAM 算法[11],即前端跟蹤后端建圖的PTAM,引入關(guān)鍵幀的特征分析和姿態(tài)跟蹤后,使得SLAM 在實(shí)時(shí)性及穩(wěn)定性上有了較大的突破.2014 年德國(guó)弗賴堡大學(xué)Endres等開(kāi)發(fā)的RGBD-SLAM[12]與2015 年西班牙薩拉戈薩大學(xué)Mur-Artal 等開(kāi)發(fā)的ORB-SLAM[13]開(kāi)源系統(tǒng)都是目前非常成功的PTAM 的延伸.其中,ORB-SLAM2[14]基于orb特征完成圖像序列的匹配及跟蹤,甚至回環(huán)檢測(cè)和再定位,并且提供的接口可以實(shí)現(xiàn)在單目、雙目、RGB-D 及ROS(機(jī)器人操作系統(tǒng))下的使用.由于ORB-SLAM2 構(gòu)建的是稀疏三維點(diǎn)圖,在避障和導(dǎo)航等實(shí)際任務(wù)中無(wú)法直接使用,2017年Lv 等基于該系統(tǒng)利用八叉樹(shù)結(jié)構(gòu)以及空間預(yù)測(cè)擴(kuò)展了密集型三維地圖[15].

與基于稀疏特征的非直接方法不同,2011 年Newcombe等提出的DTAM 解決特征不豐富情況下最大化地利用圖像的全部像素信息進(jìn)行精細(xì)化建圖[16].為了減小稠密SLAM計(jì)算量并提高同步性,作為半稠密型的代表,Engel 等先后于2014 年發(fā)布的LSD-SLAM[17]和2018 年發(fā)布的DSO 視覺(jué)里程計(jì)[18]只關(guān)注有信息區(qū)域或有紋理區(qū)域的像素信息估計(jì),解決大尺度空間機(jī)器人定位及稠密地圖創(chuàng)建的系統(tǒng)性能問(wèn)題.2014 年Forster 等開(kāi)發(fā)的SVO-SLAM[19]結(jié)合稀疏特征與直接法,只在前端的圖像配準(zhǔn)部分根據(jù)特征點(diǎn)周?chē)畔⒉捎弥苯臃ㄓ?jì)算,又稱半直接法.

1.2 相機(jī)運(yùn)動(dòng)估計(jì)

視覺(jué)里程計(jì)作為SLAM 前端能夠計(jì)算任意兩幀圖像之間的轉(zhuǎn)換關(guān)系,進(jìn)而估計(jì)出粗略的相機(jī)運(yùn)動(dòng).相比直接法,基于稀疏特征的非直接法更加穩(wěn)定,并且對(duì)光照變化的魯棒性更高.通過(guò)依次提取相鄰幀圖像特征點(diǎn)、計(jì)算特征描述子、匹配特征以確定圖像之間的關(guān)聯(lián)性,估計(jì)相機(jī)運(yùn)動(dòng)姿態(tài).

基于RGB-D 相機(jī)獲取的彩色圖像以及深度信息,通常采用迭代最近點(diǎn)方法(ICP)將稀疏特征點(diǎn)對(duì)齊,并求解位姿估計(jì)問(wèn)題.假設(shè)已根據(jù)提取的RGB-D 數(shù)據(jù)特征點(diǎn)找到兩幅圖像之間的特征匹配關(guān)系,計(jì)算出空間坐標(biāo)分別為P1={p11,p12,···,p1n}與P2={p21,p22,···,p2n}.兩組空間點(diǎn)之間存在姿態(tài)變換R、t,使得任意特征點(diǎn)有

構(gòu)造目標(biāo)函數(shù)對(duì)投影誤差作最小化處理,得到最優(yōu)的位姿估計(jì),即:

此處,n表示參與優(yōu)化的圖像特征點(diǎn)個(gè)數(shù).

將當(dāng)前幀特征點(diǎn)與臨近幀特征點(diǎn)以及關(guān)鍵幀特征點(diǎn)進(jìn)行數(shù)據(jù)關(guān)聯(lián),從而得到機(jī)器人局部和全局的位姿估計(jì)值.

1.3 本文貢獻(xiàn)

在實(shí)際應(yīng)用中,目前主流的基于稀疏特征的SLAM 系統(tǒng)無(wú)論是在視覺(jué)里程計(jì)環(huán)節(jié)、閉環(huán)檢測(cè)環(huán)節(jié)亦或是重定位環(huán)節(jié),都依靠從圖像提取的具有表征性的大量特征點(diǎn),無(wú)論采用何種特征提取方法,在特征定位上都需要耗費(fèi)大量時(shí)間.除此之外,由于特征不足而造成的軌跡跟蹤丟失也是基于稀疏法的SLAM 系統(tǒng)常常遇到的問(wèn)題.例如,在使用ORB-SLAM2系統(tǒng)對(duì)開(kāi)源TUM RGB-D 數(shù)據(jù)集fr1_desk 相機(jī)運(yùn)動(dòng)進(jìn)行跟蹤時(shí),在已與深度圖像關(guān)聯(lián)的RGB 圖像序列中,第158 幀與第159 幀之間,如圖2 所示,由于相機(jī)發(fā)生了快速的轉(zhuǎn)動(dòng),導(dǎo)致圖像序列中的144 幀數(shù)據(jù)跟蹤失敗.

圖2 幀間相機(jī)大角度轉(zhuǎn)動(dòng)Fig.2 Big camera rotation in adjacent images

為解決此類問(wèn)題,本文提出了一種圖像關(guān)聯(lián)準(zhǔn)確率相對(duì)較高的SLAM 視覺(jué)里程計(jì)優(yōu)化算法,提出根據(jù)局部信息熵值來(lái)篩選圖像有效信息,解決系統(tǒng)在提取特征點(diǎn)、匹配特征點(diǎn)、定位特征點(diǎn)上消耗大量的時(shí)間問(wèn)題.另外,本文對(duì)局部圖像進(jìn)行細(xì)節(jié)增強(qiáng),改善視覺(jué)里程計(jì)中由于特征不足而造成的圖像匹配失敗等問(wèn)題,提高移動(dòng)機(jī)器人視覺(jué)定位精度和系統(tǒng)魯棒性.

2 系統(tǒng)構(gòu)建

2.1 算法改進(jìn)

本文采用基于圖像熵的視覺(jué)里程計(jì)優(yōu)化算法,其系統(tǒng)流程如圖3 所示.

圖3 視覺(jué)里程計(jì)優(yōu)化算法Fig.3 Optimization visual odometry algorithm

首先,構(gòu)建圖像金字塔,增加特征的尺度不變特性.由于每層圖像都根據(jù)尺度因子進(jìn)行了縮放處理,為了使圖像特征實(shí)現(xiàn)均勻化提取,并且降低后續(xù)圖像匹配時(shí)的復(fù)雜度,在不同的尺度空間下,根據(jù)圖像塊的尺寸定義(width,height)對(duì)圖像進(jìn)行區(qū)域分割.

逐層對(duì)每個(gè)圖像塊進(jìn)行角點(diǎn)特征的快速提取,通過(guò)四叉樹(shù)方式對(duì)關(guān)鍵點(diǎn)進(jìn)行分配和管理,根據(jù)預(yù)先設(shè)定的閾值選取影響度大的特征(最強(qiáng)壯的特征)作為該結(jié)點(diǎn)的特征進(jìn)行保留,以此實(shí)現(xiàn)圖像特征的均勻分布.同時(shí),增加特征的旋轉(zhuǎn)不變特性,計(jì)算特征點(diǎn)在圖像中的實(shí)際位置,并生成特征描述子進(jìn)行保存.

在原有算法中,為了使特征在整幅圖像中均勻分布,算法對(duì)每個(gè)圖像塊均做提取角點(diǎn)的操作.這樣做的結(jié)果是,既增加了無(wú)紋理或像素梯度不明顯區(qū)域的計(jì)算量,又可能造成某些區(qū)域保留下來(lái)的角點(diǎn)與相鄰幀圖像該區(qū)域角點(diǎn)并不能建立有效的匹配關(guān)系,反而其他區(qū)域中表征紋理或結(jié)構(gòu)信息的角點(diǎn)被刪除掉以滿足預(yù)先設(shè)定的特征參數(shù)閾值.

另外,原算法對(duì)光照變化的容忍度低,一幅圖像中存在曝光不足或過(guò)曝光時(shí),算法中特征提取能力并不會(huì)因此而改變,從而影響特征的檢測(cè)能力.在圖3 中,虛線框中為視覺(jué)里程計(jì)的優(yōu)化方法,增加基于局部信息熵的細(xì)節(jié)增強(qiáng)模塊,改善連續(xù)的幀間圖像匹配效果.

2.2 基于局部信息熵篩選

信息熵最先由美國(guó)工程師Shannon 提出[20],在圖像處理技術(shù)層面上,圖像的信息熵能夠直接表示圖像中含有的信息量,也是對(duì)圖像中信息的不確定性的一種度量方式.本文中,為更有效提取能夠表征圖像紋理或結(jié)構(gòu)信息的特征,同時(shí)減小特征提取計(jì)算量,利用圖像熵的信息特征統(tǒng)計(jì)形式,對(duì)圖像塊進(jìn)行灰度分布及概率計(jì)算:

其中,圖像一維熵H(x)表示圖像灰度分布的聚集特征,p(xi)表示灰度為i(i=0,···,255)的像素在圖像中出現(xiàn)的概率.如果像素灰度值分布范圍大,則信息熵值較大,圖像紋理信息豐富或圖像像素梯度變化明顯.反之,圖像灰度單一,信息熵較小,則認(rèn)為該圖像無(wú)紋理信息或圖像像素梯度變化不明顯,在該圖像塊中提取的特征對(duì)圖像匹配貢獻(xiàn)不大,可進(jìn)行區(qū)域剔除.

通過(guò)對(duì)圖像塊進(jìn)行信息特征統(tǒng)計(jì),H(x)越接近0,表明該圖像塊內(nèi)像素梯度值越小,圖像內(nèi)紋理或結(jié)構(gòu)信息不足.故將H(x)與塊剔除閾值R進(jìn)行比較,完成篩選.這里閾值R為經(jīng)驗(yàn)值,可根據(jù)視頻序列中特征的豐富程度來(lái)定義.

2.3 光照自適應(yīng)調(diào)整

提出一種光照自適應(yīng)優(yōu)化方法,對(duì)保留的局部圖像進(jìn)行非線性調(diào)整,降低圖像局部的陰影和光照變化所造成的影響,增強(qiáng)該區(qū)域中亮與暗的對(duì)比度,增加圖像細(xì)節(jié)并抑制噪音干擾.目前,Gamma 矯正是成像設(shè)備中普遍使用的一種亮度非線性逐點(diǎn)調(diào)整方法[21?22].圖像亮度Gamma 矯正函數(shù):

其中,I(x,y)是像素(x,y)的灰度值,G(x,y)是像素(x,y)的校正值,γ為校正參數(shù).如圖4 所示,γ取值小于1 可提高圖像亮度;相反,γ取值大于1 可降低圖像亮度.

圖4 Gamma 非線性曲線Fig.4 Gamma nonlinear curves

分別選取γ=0.4 和γ=2.2 對(duì)兩幅圖片進(jìn)行亮度調(diào)整,與原圖對(duì)比結(jié)果如圖5 所示,圖中局部區(qū)域?qū)Ρ榷仍贕amma 修正后有所增加,但同時(shí)其他區(qū)域的圖像也相應(yīng)受到抑制.

圖5 Gamma 修正Fig.5 Gamma correction

為了只對(duì)局部圖像進(jìn)行自適應(yīng)調(diào)整,這里,γ由圖像塊的平均灰度值決定:

其中,μ為圖像灰度校正閾值,取值范圍在(0,1)之間,當(dāng)圖像平均灰度值大于255·μ時(shí)根據(jù)γ值暗化圖像,相反,當(dāng)圖像平均灰度值小于255·μ時(shí)根據(jù)γ值亮化圖像.當(dāng)μ取值0.5 時(shí),γ參數(shù)曲線如圖6 所示.

圖6 γ 參數(shù)曲線Fig.6 γ parameter curve

3 實(shí)驗(yàn)結(jié)果

系統(tǒng)分別采用RGB-D 數(shù)據(jù)集fr1_desk、fr1_360、fr1_floor 和fr1_room 進(jìn)行實(shí)驗(yàn)驗(yàn)證,圖像序列讀取速度設(shè)為30 幀/秒,跟蹤結(jié)果與標(biāo)準(zhǔn)軌跡數(shù)據(jù)進(jìn)行誤差計(jì)算,同時(shí)與開(kāi)源ORB-SLAM2 系統(tǒng)進(jìn)行對(duì)比與分析.所有實(shí)驗(yàn)在Intel CoreTMi5-3470 CPU、主頻3.20 GHz、四核、內(nèi)存15.6 GB 配置的臺(tái)式機(jī)上完成,系統(tǒng)后端采用G2O 進(jìn)行基于姿態(tài)圖的位姿優(yōu)化,生成運(yùn)動(dòng)軌跡.

3.1 基于圖像熵的視覺(jué)里程計(jì)

以fr1_desk 數(shù)據(jù)集為例,提取數(shù)據(jù)集中彩色單幀圖像,首先進(jìn)行灰度化處理,采用雙線性插值采樣方法建立圖像金字塔.在金字塔圖像中劃分圖像塊,基于信息熵閾值R=5對(duì)圖像塊進(jìn)行篩選,減小無(wú)紋理或像素梯度不明顯區(qū)域?qū)τ?jì)算資源的占用,在保留的圖像區(qū)域中通過(guò)自適應(yīng)光照調(diào)整,增強(qiáng)對(duì)比度與圖像細(xì)節(jié).如表1 所示,通過(guò)分析圖像灰度校正閾值μ對(duì)跟蹤精度以及跟蹤效果的影響,系統(tǒng)選用μ=0.5.

表1 閾值選取Table 1 Threshold selection

圖像塊篩選及局部細(xì)節(jié)增強(qiáng)結(jié)果如圖7 所示.

圖7 處理結(jié)果Fig.7 Processing results

提取計(jì)算速度較快的orb 特征,根據(jù)生成的描述算子進(jìn)行相鄰幀圖像匹配.優(yōu)化后任意相鄰圖像的匹配結(jié)果如圖8所示.

圖8 匹配結(jié)果Fig.8 Matching results

如前文所述,運(yùn)行測(cè)試數(shù)據(jù)集fr1_desk 時(shí),相機(jī)在第158幀與第159 幀之間發(fā)生了快速的轉(zhuǎn)動(dòng),由于缺少有效特征作為匹配依據(jù),從而導(dǎo)致圖像序列中的144 幀數(shù)據(jù)跟蹤失敗.采用本文提出的圖像塊篩選及局部細(xì)節(jié)增強(qiáng)技術(shù),在相機(jī)發(fā)生大角度轉(zhuǎn)動(dòng)位置,相鄰幀之間的特征匹配效果發(fā)生明顯的改善,優(yōu)化前后匹配結(jié)果如圖9 所示.

圖9 匹配結(jié)果對(duì)比Fig.9 Matching results compared

圖9 中,由于利用了圖像塊的信息熵值判斷其信息量大小,對(duì)比度低以及梯度變化小的圖像塊被自動(dòng)剔除,對(duì)保留的圖像塊進(jìn)行亮度自適應(yīng)調(diào)整,增強(qiáng)局部圖像細(xì)節(jié),盡可能多地提取能夠表征圖像信息的局部特征點(diǎn)作為相鄰幀匹配以及關(guān)鍵幀匹配的關(guān)聯(lián)依據(jù),進(jìn)一步提高相機(jī)運(yùn)動(dòng)的魯棒性,避免由于幀間匹配失敗而造成的運(yùn)動(dòng)跟蹤丟失問(wèn)題.

根據(jù)匹配結(jié)果計(jì)算幀間的R,t變換關(guān)系,后端采用G2O進(jìn)行基于姿態(tài)圖的位姿優(yōu)化,最終生成運(yùn)動(dòng)軌跡,如圖10 所示.

圖10 運(yùn)動(dòng)軌跡Fig.10 Motion trajectory

3.2 SLAM 結(jié)果分析

3.2.1 跟蹤精度

在跟蹤精度上,絕對(duì)軌跡誤差反映了運(yùn)動(dòng)估計(jì)值與標(biāo)準(zhǔn)值之間的差異.以fr1_desk 數(shù)據(jù)集為例,算法優(yōu)化后的運(yùn)動(dòng)軌跡與標(biāo)準(zhǔn)值之間的誤差如圖11 所示.

圖11 絕對(duì)軌跡誤差Fig.11 Absolute trajectory error

采用反映測(cè)量精密度的絕對(duì)軌跡誤差均方根(Root mean square error,RMSE)作為評(píng)價(jià)標(biāo)準(zhǔn),絕對(duì)軌跡誤差均方根RMSE(x)定義如下:

其中,xe,i表示圖像序列中第i幀的位置估計(jì)值,xs,i表示圖像序列中第i幀的位置標(biāo)準(zhǔn)值.

除此之外,相對(duì)位姿誤差是一種相對(duì)位姿轉(zhuǎn)換的標(biāo)準(zhǔn)度量,由于相對(duì)位姿包括平移分量和旋轉(zhuǎn)分量,故通常將相對(duì)位姿分解為位姿平移部分和位姿旋轉(zhuǎn)部分分別進(jìn)行評(píng)價(jià).算法優(yōu)化后的相對(duì)位姿與標(biāo)準(zhǔn)相對(duì)位姿之間的誤差如圖12 所示.

圖12 相對(duì)位姿誤差Fig.12 Relative pose error

同樣,采用反映測(cè)量精密度的相對(duì)位姿誤差均方根(RMSE)作為評(píng)價(jià)標(biāo)準(zhǔn),相對(duì)位姿誤差均方根RMSE(T)定義如下:

其中,Te,ij=Te,i ?Te,j表示估計(jì)位姿在圖像序列中第i幀和第j幀之間的相對(duì)變換,Ts,ij=Ts,i ?Ts,j表示標(biāo)準(zhǔn)位姿在圖像序列中第i幀和第j幀之間的相對(duì)變換.

通過(guò)對(duì)比ORB-SLAM2 算法與優(yōu)化SLAM 算法的運(yùn)動(dòng)軌跡誤差,本文提出的方法在運(yùn)動(dòng)跟蹤精度上有所改善,基于RGB-D 數(shù)據(jù)集的測(cè)試結(jié)果如表2 所示.其中,由于對(duì)局部圖像進(jìn)行細(xì)節(jié)增強(qiáng),平均處理時(shí)間略有增加,但在跟蹤軌跡誤差、平移誤差和旋轉(zhuǎn)誤差等指標(biāo)上均有所下降.

表2 軌跡分析結(jié)果Table 2 Trajectory analysis results

3.2.2 光照自適應(yīng)

本文提出的優(yōu)化算法對(duì)于環(huán)境光照變化具有自適應(yīng)性,提高算法在低暗區(qū)域和高亮區(qū)域中的特征提取效果,有效突出或增強(qiáng)更多的紋理細(xì)節(jié)信息,解決由于特征不足而造成的匹配失敗以及運(yùn)動(dòng)跟蹤丟失等問(wèn)題.在圖13 和圖14 中,圖(a)為正常光照條件下提取的orb 特征點(diǎn)分布情況,當(dāng)光照條件發(fā)生變化后,圖像中存在欠曝光或過(guò)曝光成像時(shí),與圖(a)相比,部分區(qū)域無(wú)法提取足夠的特征信息,圖像處理結(jié)果如圖(b)和圖(c)所示.然而,經(jīng)過(guò)算法中的局部光照自適應(yīng)調(diào)整和細(xì)節(jié)增強(qiáng)后,特征提取效果有所改善,圖像處理結(jié)果如圖(d)和圖(e)所示,減小了環(huán)境光照變化對(duì)系統(tǒng)性能的影響.

圖13 光照自適應(yīng)調(diào)整效果AFig.13 Effect A of adaptive illumination adjustment

圖14 光照自適應(yīng)調(diào)整效果BFig.14 Effect B of adaptive illumination adjustment

若圖像中存在過(guò)曝光或欠曝光區(qū)域,將無(wú)法產(chǎn)生帶有信息的特征用于視覺(jué)SLAM 當(dāng)中,故選取不同亮度值的相同數(shù)據(jù)集作為測(cè)試驗(yàn)證對(duì)象,對(duì)比分析局部光照自適應(yīng)調(diào)整前后的系統(tǒng)跟蹤精度.以fr1_room 為例,測(cè)試結(jié)果如圖15 所示,當(dāng)環(huán)境光照發(fā)生變化時(shí),系統(tǒng)跟蹤精度隨之受到影響,而本文提出的方法可以改善光照條件不理想情況下的絕對(duì)軌跡誤差,提高系統(tǒng)性能.

圖15 不同光照條件下跟蹤精度Fig.15 Tracking accuracy in different illumination conditions

3.2.3 運(yùn)動(dòng)魯棒性

本文提出的優(yōu)化算法在視覺(jué)傳感器快速運(yùn)動(dòng)方面表現(xiàn)出了較強(qiáng)的魯棒性,可以解決由于幀間匹配失敗而造成的運(yùn)動(dòng)跟蹤丟失問(wèn)題.

以fr1_desk 數(shù)據(jù)集為例,其SLAM 跟蹤結(jié)果如圖16 所示.圖16(a)中由于無(wú)法利用幀間特征進(jìn)行有效匹配,所以只有當(dāng)相機(jī)重新定位到原來(lái)的位置時(shí)才能繼續(xù)跟蹤.圖16(b)中由于增強(qiáng)了基于信息熵篩選后保留下來(lái)的圖像細(xì)節(jié)信息,增加有用特征提高匹配成功率,所以跟蹤成功.多組測(cè)試結(jié)果顯示,使用ORB-SLAM2 對(duì)fr1_desk 數(shù)據(jù)集進(jìn)行跟蹤時(shí)的成功率不足10%,而應(yīng)用優(yōu)化算法進(jìn)行SLAM 的運(yùn)動(dòng)跟蹤成功率可提升至60% 以上.

圖16 軌跡跟蹤結(jié)果Fig.16 Trajectory tracking result

4 結(jié)論

在移動(dòng)機(jī)器人同步定位與地圖構(gòu)建中,本文提出了一種基于局部信息熵的細(xì)節(jié)增強(qiáng)視覺(jué)里程計(jì)優(yōu)化算法,利用局部信息熵值判斷圖像信息大小,剔除對(duì)比度低以及梯度變化小的圖像區(qū)域,對(duì)保留的區(qū)域進(jìn)行亮度自適應(yīng)調(diào)整,增強(qiáng)局部圖像細(xì)節(jié),將其作為相鄰幀匹配以及關(guān)鍵幀匹配的關(guān)聯(lián)依據(jù),提高機(jī)器人運(yùn)動(dòng)跟蹤精度.

雖然本優(yōu)化算法在處理時(shí)間上有所增加,但能夠?qū)崿F(xiàn)移動(dòng)機(jī)器人在視覺(jué)傳感器發(fā)生大角度轉(zhuǎn)動(dòng)時(shí)的有效運(yùn)動(dòng)估計(jì).分別在TUM RGB-D 數(shù)據(jù)集fr1_desk、fr1_360、fr1_floor、fr1_room 上進(jìn)行驗(yàn)證,應(yīng)用本文提出的優(yōu)化算法使運(yùn)動(dòng)跟蹤成功率最大可提升至60% 以上,同時(shí)使預(yù)測(cè)軌跡誤差值減小.該算法對(duì)于環(huán)境的光照變化具有自適應(yīng)性,并且對(duì)于相機(jī)的運(yùn)動(dòng)具有較強(qiáng)魯棒性,當(dāng)視覺(jué)傳感器快速運(yùn)動(dòng)時(shí),可以解決移動(dòng)機(jī)器人在紋理信息不足情況下的正常軌跡跟蹤問(wèn)題.