面向視覺(jué)SLAM的快速均勻特征點(diǎn)提取方法

宋霄罡，張?jiān)啵?莉，黑新宏

(西安理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，西安 710048)

0 引言

視覺(jué)同步定位與建圖(Simultaneous Localizat-ion and Mapping，SLAM)是通過(guò)視覺(jué)傳感器在對(duì)環(huán)境建圖的同時(shí)進(jìn)行無(wú)人系統(tǒng)的自主定位。視覺(jué)傳感器可以獲得物體豐富的圖像信息，隨著機(jī)器人、自動(dòng)駕駛等行業(yè)的快速發(fā)展，視覺(jué)SLAM成為了廣大學(xué)者的研究熱點(diǎn)?，F(xiàn)有的特征點(diǎn)檢測(cè)方法得到的特征點(diǎn)冗余且均勻性差，大量的信息僅描述少部分顯著性特征，導(dǎo)致跟蹤過(guò)程容易丟失，影響位姿估計(jì)的準(zhǔn)確性；且在機(jī)器人、無(wú)人機(jī)等計(jì)算資源受限的嵌入式平臺(tái)上，常用的特征檢測(cè)方法計(jì)算效率低，耗時(shí)嚴(yán)重，是影響視覺(jué)SLAM算法實(shí)時(shí)性的重要原因之一。

特征點(diǎn)提取是視覺(jué)SLAM重要的環(huán)節(jié)之一，通常可分為基于學(xué)習(xí)的方法和基于設(shè)計(jì)的方法。近年來(lái)，機(jī)器學(xué)習(xí)的方法被廣泛地應(yīng)用于特征點(diǎn)提取，J.T.Arnfred等提出了無(wú)幾何約束的圖像特征提取與匹配通用框架；Zeng S.等提出了使用參數(shù)化的Koopmans-Beckmann 監(jiān)督學(xué)習(xí)的圖形提取匹配方法，但是機(jī)器學(xué)習(xí)的方法對(duì)計(jì)算資源要求高，且普適性差，無(wú)法應(yīng)對(duì)復(fù)雜多變的應(yīng)用場(chǎng)景。尺度不變特征算法采用128維的特征向量，具有較高的匹配精度，但需要耗費(fèi)大量的時(shí)間。H.Bay在尺度不變特征算法的基礎(chǔ)上提出了加速魯棒特征算法，該算法使用基于Hessian矩陣的檢測(cè)器和基于分布的描述符加速提取過(guò)程，但仍難以滿足視覺(jué)SLAM的實(shí)時(shí)性需求。E.Rublee等提出的ORB(Oriented FAST and Rotated BRIEF)算法采用FAST(Features from Accelerated Segment Test)算法提取特征點(diǎn)，使用抗旋轉(zhuǎn)的描述符進(jìn)行特征修飾和特征匹配。雖然該算法在時(shí)間損耗方面有所降低，但提取的特征點(diǎn)過(guò)于密集，存在大量冗余，會(huì)直接影響位姿估計(jì)精度。Rao D.等提出的方法和ORB-SLAM系列算法使用四叉樹(shù)均勻化方法(Quad-Tree，QT)，改善了特征點(diǎn)過(guò)于密集的問(wèn)題。Ma C.等采用自適應(yīng)閾值的四叉樹(shù)均勻化方法(Adaptive Threshold Quad-Tree，ATQT)，可以得到均勻分布的特征點(diǎn)，但需要遍歷整個(gè)圖像計(jì)算動(dòng)態(tài)閾值，增加了時(shí)間成本。

基于特征點(diǎn)的視覺(jué)SLAM方法，首先檢測(cè)視頻序列中每一幀的特征點(diǎn)，再通過(guò)特征點(diǎn)匹配建立幀間關(guān)聯(lián)模型，最后使用空間幾何模型計(jì)算位姿。這種方法希望提取的特征點(diǎn)均勻分布于圖像中，一方面，使用聚集且冗余的特征點(diǎn)建立的地圖會(huì)出現(xiàn)路標(biāo)點(diǎn)聚集于部分特征，導(dǎo)致無(wú)人系統(tǒng)移動(dòng)過(guò)程中更容易出現(xiàn)跟蹤丟失的問(wèn)題；另一方面，使用八點(diǎn)法求解空間幾何模型，冗余且密集的特征點(diǎn)會(huì)造成計(jì)算失敗或誤差過(guò)大。

本文提出的快速均勻特征點(diǎn)(Fast Uniform Fea-ture Point，F(xiàn)UFP)提取方法根據(jù)目標(biāo)提取特征點(diǎn)數(shù)量對(duì)圖像進(jìn)行網(wǎng)格劃分，得到若干個(gè)大小相同的子圖像塊，對(duì)于沒(méi)有特征點(diǎn)的子圖像塊，對(duì)最近鄰的圖像塊進(jìn)行補(bǔ)償性劃分，最后選擇每個(gè)圖像塊內(nèi)響應(yīng)值最大的角點(diǎn)作為特征點(diǎn)，實(shí)現(xiàn)特征點(diǎn)均勻分布。根據(jù)圖像中實(shí)際存在的特征點(diǎn)數(shù)量設(shè)計(jì)均勻分布模板，將模板與實(shí)際特征點(diǎn)分布情況作對(duì)比，計(jì)算得到均勻性評(píng)價(jià)系數(shù)，使用均勻性評(píng)價(jià)系數(shù)分析特征點(diǎn)分布均勻性。本文主要貢獻(xiàn)如下：

1)提出了FUFP方法直接根據(jù)目標(biāo)特征點(diǎn)提取數(shù)量對(duì)圖像進(jìn)行網(wǎng)格劃分，使特征點(diǎn)均勻分布于圖像中，保證計(jì)算效率的同時(shí)提升了視覺(jué)定位精度；

2)提出了同時(shí)兼顧全局和局部信息的均勻性評(píng)價(jià)方式，符合視覺(jué)SLAM對(duì)特征點(diǎn)分布的要求，評(píng)價(jià)方法更加可靠。

1 快速均勻特征點(diǎn)提取

1.1 四叉樹(shù)均勻化方法

ORB特征點(diǎn)提取方法未做任何均勻化處理，得到密集且冗余的特征點(diǎn)。四叉樹(shù)均勻化方法將二維圖像區(qū)域遞歸劃分為若干個(gè)區(qū)域，最終使每個(gè)區(qū)域中最多存在一個(gè)特征點(diǎn)，從而實(shí)現(xiàn)特征點(diǎn)的均勻分布。四叉樹(shù)均勻化過(guò)程如圖1所示，算法具體步驟如下：

1)將待劃分的圖像區(qū)域劃分為相同大小的4個(gè)子區(qū)域；

(a) 未劃分

(b) 一次劃分

(c) 四次劃分圖1 四叉樹(shù)均勻化過(guò)程Fig.1 Quadtree homogenization process

2)根據(jù)每個(gè)子區(qū)域中特征點(diǎn)數(shù)量判斷是否需要繼續(xù)劃分，若特征點(diǎn)數(shù)量大于1，則返回步驟1)對(duì)該區(qū)域繼續(xù)進(jìn)行劃分，否則停止對(duì)該區(qū)域的劃分；

3)當(dāng)劃分得到的特征點(diǎn)個(gè)數(shù)大于期望數(shù)量，或特征點(diǎn)個(gè)數(shù)不再增加時(shí)，確保每個(gè)子區(qū)域中最多存在一個(gè)特征點(diǎn)，均勻化處理完成。

1.2 FUFP方法

四叉樹(shù)均勻化方法通過(guò)判斷當(dāng)前區(qū)域特征點(diǎn)數(shù)量，遞歸地對(duì)圖像進(jìn)行劃分；而本文提出的FUFP方法通過(guò)目標(biāo)特征點(diǎn)數(shù)量對(duì)圖像進(jìn)行網(wǎng)格劃分，算法的主要流程如圖2所示。

圖2 特征點(diǎn)提取流程圖Fig.2 Flow chart of feature point extraction

算法的具體實(shí)施流程為：

1)建立圖像金字塔，提取不同尺度的角點(diǎn)特征。

2)若目標(biāo)提取特征點(diǎn)數(shù)量為，則將圖像按目標(biāo)提取數(shù)量進(jìn)行網(wǎng)格劃分，得到大小一致的×個(gè)圖像子塊，劃分結(jié)果如圖3所示，和計(jì)算方法如式(1)所示，其中，、分別為目標(biāo)圖像的寬和高。

(1)

圖3 圖像網(wǎng)格劃分結(jié)果Fig.3 Image meshing results

3) 對(duì)于沒(méi)有角點(diǎn)的網(wǎng)格區(qū)域，按照自左向右、自上向下的順序，尋找下一個(gè)存在角點(diǎn)的網(wǎng)格區(qū)域，將該區(qū)域劃分為4個(gè)大小相同的子區(qū)域，此方法稱為補(bǔ)償性劃分。

4)選擇每一個(gè)網(wǎng)格區(qū)域中Harris響應(yīng)值最大的角點(diǎn)作為代表該網(wǎng)格區(qū)域的特征點(diǎn)。

最終提取的特征點(diǎn)如圖4所示，圖中圓形代表第一次網(wǎng)格劃分中的特征點(diǎn)，星形代表通過(guò)補(bǔ)償性劃分后得到的子區(qū)域中的特征點(diǎn)。因?yàn)椴荒鼙ＷC每個(gè)網(wǎng)格中都存在角點(diǎn)，所以需要進(jìn)行補(bǔ)償性劃分，以保證實(shí)際得到的特征點(diǎn)數(shù)盡可能接近目標(biāo)提取數(shù)量。

圖4 均勻特征點(diǎn)提取結(jié)果Fig.4 Results of uniform feature point extraction

2 均勻性評(píng)價(jià)系數(shù)

基于圖像區(qū)域劃分的特征點(diǎn)分布均勻性評(píng)價(jià)方法，通過(guò)比較各個(gè)圖像區(qū)域的特征點(diǎn)個(gè)數(shù)，進(jìn)行特征點(diǎn)分布均勻性評(píng)價(jià)，但缺少對(duì)局部均勻性的關(guān)注。本文提出的評(píng)價(jià)方法通過(guò)特征點(diǎn)與最近鄰特征點(diǎn)間的像素距離計(jì)算均勻性分布系數(shù)。

若要使個(gè)特征點(diǎn)均勻地分布在一張圖像上，最佳的方案是個(gè)半徑為的圓形無(wú)重疊地布滿整個(gè)圖像，特征點(diǎn)分布在每個(gè)圓形的圓點(diǎn)位置，該方案稱為模板，如圖5所示。此時(shí)，各個(gè)特征點(diǎn)與最近鄰特征點(diǎn)間的像素距離均為=2，的計(jì)算方法見(jiàn)式(2)。

(2)

其中，表示圖像像素高；表示圖像像素寬。

圖5 特征點(diǎn)均勻分布模板Fig.5 Template with uniform distribution of feature points

模板最重要的特點(diǎn)是每個(gè)特征點(diǎn)和最近鄰特征點(diǎn)之間的距離均為，由此得到計(jì)算特征點(diǎn)分布均勻性系數(shù)的方法：首先計(jì)算圖像上每一個(gè)特征點(diǎn)與它最近鄰特征點(diǎn)之間的距離，再與模板距離作比較計(jì)算，最后求得平均值，即為均勻性系數(shù)。具體的計(jì)算方法見(jiàn)式(3)。

(3)

其中，為均勻性評(píng)價(jià)系數(shù)；表示第個(gè)特征點(diǎn)與其最近鄰特征點(diǎn)間的像素距離。的值越小均勻性越好，越大則均勻性越差。

3 實(shí)驗(yàn)評(píng)估

3.1 實(shí)驗(yàn)平臺(tái)

采用NVIDIA Jetson TX2嵌入式計(jì)算機(jī)作為實(shí)驗(yàn)平臺(tái)，主要軟硬件參數(shù)如表1所示。

表1 實(shí)驗(yàn)平臺(tái)參數(shù)

3.2 數(shù)據(jù)集

驗(yàn)證數(shù)據(jù)集采用EuRoC MAV MH系列數(shù)據(jù)集和TUM RGBD fr1系列數(shù)據(jù)集。EuRoC MAV MH系列數(shù)據(jù)集是由六角旋翼直升機(jī)在工廠環(huán)境中拍攝收集，實(shí)驗(yàn)使用代表簡(jiǎn)單、中等和困難的MH02、MH03、MH04序列。TUM RGBD fr1系列數(shù)據(jù)集是通過(guò)手持?jǐn)z像機(jī)在辦公室環(huán)境中拍攝收集，使用代表平移、旋轉(zhuǎn)、360環(huán)繞和重復(fù)拍攝的fr1/xyz、fr1/rpy、fr1/360和fr1/desk序列。

3.3 實(shí)驗(yàn)結(jié)果與分析

使用ORB特征提取方法、四叉樹(shù)均勻化方法、自適應(yīng)閾值的四叉樹(shù)均勻化方法和提出的FUFP方法進(jìn)行對(duì)比實(shí)驗(yàn)分析。實(shí)驗(yàn)分為兩部分：特征點(diǎn)提取和特征點(diǎn)在視覺(jué)SLAM中的評(píng)估。

3.3.1 特征點(diǎn)提取

設(shè)定目標(biāo)提取特征點(diǎn)個(gè)數(shù)為200，使用四種方法分別在工廠環(huán)境和辦公室環(huán)境下提取特征點(diǎn)，結(jié)果如圖6所示。

圖6中，紅圈標(biāo)注的部分展示了不同特征提取方法對(duì)同一局部信息提取特征點(diǎn)的對(duì)比結(jié)果。圖6結(jié)果表明：ORB特征點(diǎn)提取方法均勻性最差，特征點(diǎn)密集且冗余，無(wú)法準(zhǔn)確地描述圖像空間信息；四叉樹(shù)均勻化方法得到的特征點(diǎn)在整個(gè)圖像上呈現(xiàn)均勻分布，但是存在局部密集的現(xiàn)象；自適應(yīng)閾值的四叉樹(shù)均勻化方法提取的特征點(diǎn)在特征明顯的局部位置呈現(xiàn)均勻性，但全局均勻性較差；本文提出的FUFP方法提取的特征點(diǎn)均勻分布于整張圖像上，充分突出了圖像特征信息。

(a) ORB

(b) ATQT

(c) QT

(d) FUFP

采用第2節(jié)所述均勻性評(píng)價(jià)方法對(duì)四種特征提取方法進(jìn)行實(shí)驗(yàn)分析，分別在四類場(chǎng)景數(shù)據(jù)集中提取50、100和200個(gè)特征點(diǎn)，計(jì)算平均每幀的均勻性系數(shù)，結(jié)果如表2所示。

表2結(jié)果表明：ORB方法提取的特征點(diǎn)存在大量冗余，多個(gè)特征點(diǎn)描述同一個(gè)特征信息，均勻性最差；本文提出的FUFP方法以目標(biāo)提取特征點(diǎn)個(gè)數(shù)劃分網(wǎng)格區(qū)域，滿足一個(gè)網(wǎng)格區(qū)域內(nèi)只存在一個(gè)特征點(diǎn)，特征點(diǎn)均勻分布在整張圖像中，均勻性最好。

目標(biāo)提取特征點(diǎn)個(gè)數(shù)分別為50、100和200時(shí)，分別使用四種方法在7個(gè)視頻序列中進(jìn)行測(cè)試，四種方法平均每一幀的處理耗時(shí)如表3所示。

表2 平均每幀均勻性系數(shù)

表3 特征點(diǎn)提取平均每幀耗時(shí)

表3結(jié)果表明：自適應(yīng)閾值的四叉樹(shù)均勻化方法花費(fèi)時(shí)間最長(zhǎng)，計(jì)算特征點(diǎn)提取閾值需要遍歷圖像所有像素，消耗大量的計(jì)算時(shí)間；而本文提出的FUFP方法耗費(fèi)時(shí)間最短，時(shí)間主要用于提取角點(diǎn)特征，網(wǎng)格劃分消耗時(shí)間可忽略不計(jì)。

同時(shí)，通過(guò)特征點(diǎn)匹配實(shí)驗(yàn)比較了四種特征點(diǎn)提取方法得到的特征點(diǎn)質(zhì)量。使用旋轉(zhuǎn)不變性描述子在兩幀之間進(jìn)行特征點(diǎn)匹配，表4所示為四種方法提取的特征點(diǎn)在7個(gè)視頻序列上進(jìn)行特征點(diǎn)匹配的平均匹配精度。

表4 特征點(diǎn)平均匹配精度

表4結(jié)果表明：雖然未進(jìn)行任何均勻化處理的ORB特征提取方法得到的特征點(diǎn)質(zhì)量和平均匹配精度高，但是特征點(diǎn)聚集且冗余，無(wú)法充分突出空間信息，影響SLAM跟蹤定位精度；本文提出的FUFP方法提取的特征點(diǎn)平均匹配精度相對(duì)較低，但是剔除了部分冗余特征，為視覺(jué)SLAM提供了更多空間特征信息，有助于提高SLAM跟蹤定位精度。

圖7所示為使用FUFP方法剔除冗余特征點(diǎn)的前后對(duì)比圖。通過(guò)網(wǎng)格劃分和特征點(diǎn)篩選，剔除冗余和密集特征點(diǎn)，選取網(wǎng)格中響應(yīng)值最大的角點(diǎn)作為代表該區(qū)域的特征點(diǎn)，選取的特征點(diǎn)均勻分布于圖像中。

(a) 未剔除冗余特征點(diǎn)的提取結(jié)果

(b) FUFP方法的提取結(jié)果圖7 冗余特征點(diǎn)剔除前后結(jié)果對(duì)比圖Fig.7 Comparison of results before and after elimination of redundant feature points

3.3.2 在SLAM中的評(píng)估

ORB-SLAM2是基于特征點(diǎn)的純視覺(jué)SLAM方法中表現(xiàn)優(yōu)秀的方案。為驗(yàn)證特征點(diǎn)分布均勻性對(duì)視覺(jué)SLAM方法精度的影響，采用ORB-SLAM2單目視覺(jué)作為主體SLAM方案，通過(guò)替換不同的特征點(diǎn)提取方法進(jìn)行實(shí)驗(yàn)分析(ORB-SLAM2采用的特征提取為四叉樹(shù)均勻化方法，驗(yàn)證四叉樹(shù)均勻化方法時(shí)不做替換)。表5所示為ORB-SLAM2分別采用四種特征提取方法在EuRoc數(shù)據(jù)集和TUM數(shù)據(jù)集中實(shí)驗(yàn)后得到的軌跡的均方根誤差，表中“*”表示未能成功建立初始地圖，運(yùn)行失敗。

表5結(jié)果表明：未做任何均勻化處理的ORB方法，在TUM fr1數(shù)據(jù)集中均未完成初始地圖的建立，在EuRoc MH數(shù)據(jù)集中初始化時(shí)間長(zhǎng)，造成跟蹤過(guò)程丟失頻繁，軌跡誤差最大；因?yàn)楦欉^(guò)程丟失頻繁，以成功跟蹤的位姿計(jì)算相對(duì)軌跡誤差，在MH03數(shù)據(jù)集上相對(duì)位姿的均方根誤差較小。QT、ATQT、FUFP這三種對(duì)特征點(diǎn)進(jìn)行均勻化處理的方法軌跡誤差均小于未做均勻化處理的ORB方法，其中本文提出的FUFP用于ORB-SLAM2算法得到的軌跡均方根誤差最小，定位精度最高。

圖8所示為ORB-SLAM2分別采用四種特征提取方法在7個(gè)視頻序列中實(shí)驗(yàn)后得到的軌跡誤差曲線對(duì)比圖。圖8中結(jié)果與表5中結(jié)果一致，ORB特征提取方法用于ORB-SLAM2算法計(jì)算得到的軌跡誤差最大；FUFP特征提取方法用于ORB-SLAM2算法，在MH02、MH03、fr1/xyz、fr1/rpy、fr1/360和fr1/desk數(shù)據(jù)集中計(jì)算得到的軌跡誤差最小。

表5 軌跡均方根誤差

(a) MH02

(b) MH03

(c) MH04

(d) fr1/xyz

(e) fr1/rpy

(f) fr1/360

(g) fr1/desk圖8 不同數(shù)據(jù)集上軌跡誤差曲線對(duì)比圖Fig.8 Comparison of trajectory error curves on different data sets

特征點(diǎn)均勻性不但影響視覺(jué)定位精度，而且影響建圖結(jié)果，使用ORB-SLAM2為主體SLAM框架，分別使用ORB特征提取方法和FUFP特征提取方法的ORB-SLAM2對(duì)MH02視頻序列進(jìn)行跟蹤并建圖，結(jié)果如圖9所示。

(a) ORB的ORB-SLAM2建圖結(jié)果

(b) FUFP的ORB-SLAM2建圖結(jié)果圖9 兩種特征點(diǎn)提取的SLAM方法建圖結(jié)果Fig.9 Mapping results of two SLAM methods with feature points extraction

圖9結(jié)果表明：在采用ORB的ORB-SLAM2建立的地圖中，3D點(diǎn)聚集且冗余，大量的3D點(diǎn)描述同一個(gè)特征，導(dǎo)致跟蹤頻繁丟失并發(fā)生重定位，出現(xiàn)地圖中關(guān)鍵幀密集分布的現(xiàn)象，建圖結(jié)果混亂；在FUFP用于ORB-SLAM2建立的地圖中，3D點(diǎn)均勻分布于三維空間中，充分地體現(xiàn)了空間信息，且關(guān)鍵幀均勻分布于地圖中，地圖清晰。

以O(shè)RB-SLAM2為主體框架比較了四種特征提取方法在SLAM算法中跟蹤成功時(shí)的平均跟蹤率，表6所示為特征點(diǎn)在ORB-SLAM2中的平均跟蹤率，表中“*”表示未能成功建立初始地圖，運(yùn)行失敗。

ORB-SLAM系列算法的定位精度不僅依賴特征點(diǎn)匹配和跟蹤結(jié)果，還依賴于特征點(diǎn)分布均勻性。圖6、圖9、表4、表6的實(shí)驗(yàn)結(jié)果表明：在ORB-SLAM2框架下，雖然ORB、QT、ATQT和FUFP四種方法的特征點(diǎn)匹配率和特征點(diǎn)跟蹤率相近，但是ORB、QT、ATQT方法存在特征點(diǎn)冗余或局部密集問(wèn)題。冗余或密集的特征點(diǎn)在地圖中易產(chǎn)生堆積現(xiàn)象，相機(jī)移動(dòng)過(guò)程易發(fā)生跟蹤丟失，嚴(yán)重影響了定位精度；并且密集的特征點(diǎn)求解空間幾何模型時(shí)不易收斂，同樣會(huì)導(dǎo)致定位精度的降低。本文提出的FUFP 方法用于ORB-SLAM2得到的特征點(diǎn)均勻分布于空間中，可提高跟蹤的穩(wěn)定性和定位的精度。

表6 特征點(diǎn)在ORB-SLAM2中的平均跟蹤率

同時(shí)，評(píng)估了四種特征提取方法對(duì)ORB-SLAM2平均跟蹤時(shí)間的影響，表7所示為在EuRoc數(shù)據(jù)集和TUM數(shù)據(jù)集中實(shí)驗(yàn)后統(tǒng)計(jì)的平均每幀處理耗時(shí)，表中“*”表示未能成功建立初始地圖，運(yùn)行失敗。

表7 SLAM平均每幀耗時(shí)

表7結(jié)果表明：使用ORB的ORB-SLAM2方案得到的數(shù)據(jù)無(wú)比較意義，因?yàn)檫@種方法在EuRoC MH數(shù)據(jù)集中運(yùn)行完成初始化較晚，且存在大量跟蹤丟失。排除使用ORB特征點(diǎn)提取的不合理數(shù)據(jù)，使用本文提出的FUFP的ORB-SLAM2方案平均每幀處理時(shí)間最短，使用ATQT的ORB-SLAM2方案平均每幀處理時(shí)間最長(zhǎng)。

4 結(jié)論

特征點(diǎn)提取是影響視覺(jué)SLAM精度的因素之一，高效提取無(wú)冗余且均勻分布的特征點(diǎn)是目前特征點(diǎn)提取面臨的主要問(wèn)題。針對(duì)現(xiàn)有的特征點(diǎn)提取方法存在提取結(jié)果分布均勻性差且在計(jì)算資源受限條件下實(shí)時(shí)性差的問(wèn)題，提出了一種網(wǎng)格劃分的快速均勻特征點(diǎn)提取方法，并采用特征點(diǎn)與最近鄰特征點(diǎn)間的像素距離進(jìn)行均勻性評(píng)價(jià)。結(jié)論如下：

1)多組不同場(chǎng)景下的實(shí)驗(yàn)結(jié)果表明，文中提出的FUFP方法提高了特征點(diǎn)均勻分布性和計(jì)算效率，同時(shí)保證了特征點(diǎn)質(zhì)量；在無(wú)紋理和低紋理場(chǎng)景中，F(xiàn)UFP和其他方法一樣，提取到的特征點(diǎn)質(zhì)量都受到了一定影響。

2)本文提出的使用特征點(diǎn)間距離的均勻性評(píng)價(jià)標(biāo)準(zhǔn)兼顧全局和局部信息，更加符合視覺(jué)SLAM對(duì)特征點(diǎn)分布的要求，評(píng)價(jià)方法更可靠。

3)本文提出的特征點(diǎn)提取方法降低了特征信息冗余及特征信息缺失的概率，為位姿估計(jì)提供了豐富的空間信息，提升了視覺(jué)SLAM定位精度和時(shí)間效率，具有較高的實(shí)際應(yīng)用價(jià)值。