一種結(jié)合深度學(xué)習(xí)的運(yùn)動去模糊視覺SLAM方法*

袁 珊，瞿安朝，錢偉行，呂 昊，蘇曉林

（南京師范大學(xué) 電氣與自動化工程學(xué)院·南京·210023）

0 引 言

感知與導(dǎo)航定位是地面無人平臺（Unmanned Ground Vehicle，UGA）在變化環(huán)境中實(shí)現(xiàn)運(yùn)動控制和協(xié)同作業(yè)等任務(wù)的有效基礎(chǔ)功能之一。在山區(qū)峽谷等無線信號的盲區(qū)，衛(wèi)星定位和基站定位無法正常使用，而視覺同步定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM）可以在無線信號失效狀態(tài)下實(shí)時估計傳感器的位姿并建立環(huán)境的三維地圖。視覺傳感器以較高的分辨率和相對較快的速度感知豐富的外部環(huán)境信息，但也存在著對運(yùn)動變化敏感等問題。在基于特征提取的視覺SLAM框架下，特征檢測器難以從運(yùn)動模糊圖像中提取足夠的特征點(diǎn)，降低了幀間特征匹配的準(zhǔn)確性，進(jìn)而影響最終的定位精度和建圖效果。

為了消除或減少運(yùn)動模糊對視覺SLAM定位造成的不利影響，現(xiàn)主要有兩類方法：圖像防模糊和圖像去模糊。S.Osswald等通過機(jī)器學(xué)習(xí)的方法優(yōu)化機(jī)器人的導(dǎo)航動作以避免圖像模糊，該類方法不直接處理視覺里程計（Visual Odometry，VO）中的模糊圖像，在復(fù)雜運(yùn)動環(huán)境下應(yīng)用受到限制。近年來，圖像去模糊化取得了一定的研究進(jìn)展，研究者引入基于數(shù)據(jù)關(guān)聯(lián)的方法來加速圖像去模糊，以降低圖像模糊對VO的影響。A.Pretto等通過估計運(yùn)動引起的模糊圖像的核參數(shù)，并將這些參數(shù)結(jié)合至基于尺度不變特征變換（Scale Invariant Feature Transform，SITF）的特征檢測框架中，以提高特征點(diǎn)提取的準(zhǔn)確性。該方法在一定程度上降低了運(yùn)動模糊圖像對VO的影響，但僅限于直線運(yùn)動模糊檢測，曲線行進(jìn)時應(yīng)用受到較大限制。應(yīng)對模糊圖像問題的另一種思路是篩除部分圖像幀，郭科等利用相鄰圖像匹配點(diǎn)之間的位置關(guān)系計算圖像模糊程度數(shù)值，并在SLAM過程中篩除模糊較大的圖像幀以應(yīng)對運(yùn)動模糊，然而直接進(jìn)行圖像幀篩除可能會丟失很多有效信息。

針對以上研究現(xiàn)狀，本文提出了一種無參考圖像質(zhì)量評價算法，在圖像客觀度量算法的基礎(chǔ)上，引入加速版多尺度二維特征檢測和描述（Accelerated KAZE，AKAZE）特征點(diǎn)質(zhì)量評價算法作為圖像模糊度評判標(biāo)準(zhǔn)，同時設(shè)計了一種多幀輸入的基于生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）的圖像去模糊模型，將評判為模糊的圖像輸入網(wǎng)絡(luò)，以端對端方式恢復(fù)清晰圖像并重新送入視覺SLAM系統(tǒng)。在TUM數(shù)據(jù)集上進(jìn)行運(yùn)動去模糊視覺SLAM系統(tǒng)性能測試，驗(yàn)證了本文方法在動態(tài)環(huán)境下能取得良好的定位精度和魯棒性。

1 基于AKAZE特征點(diǎn)的圖像模糊度評價算法

地面無人平臺往往處于復(fù)雜多變的動態(tài)隨機(jī)場景中，很難保證圖像序列的質(zhì)量。因此，在進(jìn)行SLAM的過程中，有必要對輸入圖像進(jìn)行模糊程度評估以及對模糊圖像進(jìn)行去模糊化，以保證定位結(jié)果的準(zhǔn)確性。本文針對視覺SLAM過程設(shè)計的圖像質(zhì)量評價算法，主要是基于AKAZE特征點(diǎn)和圖像灰度方差函數(shù)估計圖像模糊程度，從模糊產(chǎn)生原理出發(fā)，合理利用圖像特征點(diǎn)與模糊誤差的對應(yīng)關(guān)系，使模糊參數(shù)的計算不會影響SLAM的正常運(yùn)行，又能對圖像的模糊程度有精確的表達(dá)。

1.1 AKAZE特征點(diǎn)的提取與匹配

基于點(diǎn)特征的影像匹配算法主要是提取圖像的不變特征，加速版魯棒性特征點(diǎn)（Speeded Up Robust Features，SURF）、快速特征點(diǎn)提取和描述算法（Oriented FAST and Rotated BRIEF，ORB）等常用點(diǎn)特征提取方法,都是基于線性的高斯金字塔進(jìn)行多尺度分解,以消除噪聲和提取顯著特征點(diǎn)，但高斯分解犧牲了局部精度，易造成邊緣信息弱化和細(xì)節(jié)模糊，不利于SLAM系統(tǒng)的特征提取。而本文選用的基于非線性尺度空間的AKAZE特征點(diǎn)檢測方法可以保證圖像邊緣在尺度變化中擁有更小的信息損失量，極大地保持了圖像細(xì)節(jié)信息，在低分辨率模糊圖像中具有更強(qiáng)的適應(yīng)性與穩(wěn)定性。

為了進(jìn)行AKAZE特征點(diǎn)檢測，首先構(gòu)建非線性尺度空間，與SIFT類似，非線性尺度空間分為組金字塔影像，每組有層，各層采用的分辨率與原始輸入圖像相同。尺度參數(shù)與影像組數(shù)、子層級數(shù)的關(guān)系滿足式（1）。

（1）

式中，為尺度初始值；為尺度空間影像總數(shù)目。

對原始圖像重復(fù)降采樣，獲取組金字塔影像，再對每組影像按照不同參數(shù)濾波生成層尺度影像，按式（2）計算進(jìn)化時間。

（2）

為了定位特征點(diǎn)，求解不同尺度歸一化后的Hessian局部極大值點(diǎn)，如式（3）。

（3）

式中，、、分別表示輸入圖像進(jìn)行高斯濾波后的二階微分值。利用尺度空間函數(shù)在特征點(diǎn)處使用二階泰勒展開式得到的內(nèi)插值，精確定位AKAZE特征點(diǎn)位置。

使用二進(jìn)制描述符的漢明距離對特征點(diǎn)進(jìn)行粗匹配，并選取邊緣采樣一致化方法對粗匹配得到的特征點(diǎn)進(jìn)行精匹配，剔除錯誤匹配點(diǎn)。在輸入數(shù)據(jù)點(diǎn)集中選擇5對特征點(diǎn)進(jìn)行計算，得到模型和單應(yīng)性矩陣。模型質(zhì)量函數(shù)（，，）的期望用于評估模型質(zhì)量，根據(jù)模型的質(zhì)量函數(shù)判斷當(dāng)前模型是否為最優(yōu)模型，計算正確匹配點(diǎn)對，質(zhì)量函數(shù)如式（4）所示。

（4）

式中，為閾值；為最大閾值；為模型常數(shù)；為特征點(diǎn)數(shù)量；為特征點(diǎn)的投影誤差；為函數(shù)殘差。

1.2 圖像模糊度評價算法設(shè)計

圖像特征通常使用穩(wěn)定的局部極值點(diǎn)表示，可以有效檢測圖像的邊緣和紋理信息。根據(jù)圖像極值點(diǎn)及其變化情況設(shè)計計算模型，模擬視覺系統(tǒng)的圖像感知過程，從而判斷圖像質(zhì)量 。

首先，對圖像進(jìn)行分塊處理，并進(jìn)行特征點(diǎn)提取，如圖1所示，依次將圖像從左至右，從上至下劃分為×的小圖塊。且為降低后續(xù)SLAM特征匹配階段的計算復(fù)雜程度，本文算法僅保留子圖像塊中對比度較大的前50%的特征點(diǎn)，圖中條紋圖塊為弱紋理區(qū)域，不參與模糊分?jǐn)?shù)的計算。

圖1 分塊提取特征點(diǎn)Fig.1 Extracting feature points by blocks

根據(jù)AKAZE特征點(diǎn)的位置，區(qū)分出感興趣的塊，并將這些感興趣圖像塊用集合表示，式（5）為集合中元素-1,-1（下標(biāo)為圖像塊的位置坐標(biāo)）。

={,,…,-1,-1}

（5）

統(tǒng)計每個圖像塊中AKAZE特征點(diǎn)數(shù)量，如式（6）所示，用集合表示，下標(biāo)表示感興趣塊的數(shù)量，與集合中的圖像塊元素一一對應(yīng)。

={,,…,}

（6）

通過圖像塊AKAZE特征點(diǎn)的檢測數(shù)量進(jìn)行權(quán)重分配，結(jié)合基于空間域特征的圖像評價函數(shù)，最終產(chǎn)生模糊分?jǐn)?shù)，權(quán)重的計算如式（7）所示。

（7）

其中，∈{1,2,3,…,};∈{1,2,3,…,};為一個實(shí)驗(yàn)決定的常數(shù)。

圖像的清晰度與相機(jī)聚焦程度成正比，當(dāng)完全聚焦時，圖像最清晰且具有大量高頻分量，因此可將灰度變化作為聚焦程度的評判依據(jù)。圖像塊的灰度方差函數(shù)和Vollath函數(shù)分別如式（8）和式（9）所示。

（8）

（9）

其中，（,）表示對應(yīng)像素點(diǎn)（,）的灰度值；為圖像的平均灰度值；和分別為圖像的高度值和寬度值。

最終研究的圖像模糊分?jǐn)?shù)的計算如式（10）所示，為尺度因子。

（10）

1.3 圖像模糊度評價算法驗(yàn)證

采用標(biāo)準(zhǔn)圖像庫測試本節(jié)提出的圖像質(zhì)量評價算法。圖像質(zhì)量評價算法常用數(shù)據(jù)庫包括LIVE、TID2008、TID2013、CSIQ和CID2013，圖庫同時還給出人類主觀評價分?jǐn)?shù)MOS值，該參考值越大表示圖像越清晰。圖2（a）～圖2（e）所示為LIVE圖像庫中隨機(jī)挑選的模糊失真對應(yīng)的5張圖像，且這5張圖像的MOS值單調(diào)遞減，即表示模糊程度在增加。

（a） 模糊圖像1

（b） 模糊圖像2

（c） 模糊圖像3

（d） 模糊圖像4

（e） 模糊圖像5圖2 模糊程度遞增的圖像Fig.2 Images with increasing blur

在實(shí)驗(yàn)中，圖像劃分為7×7的小圖塊，尺度因子設(shè)置為10，權(quán)重函數(shù)中的設(shè)置為10。表1所示為不同算法產(chǎn)生的模糊分?jǐn)?shù)對比，以主觀評價MOS值變化趨勢作為評判標(biāo)準(zhǔn)，可以看出主觀評價MOS值遵循單調(diào)遞減的順序，代表圖像的模糊程度逐漸增加，良好的算法應(yīng)該與MOS值的趨勢一致，產(chǎn)生一個單調(diào)遞減的分?jǐn)?shù)。對比算法分別為局部相位相干（Local Phase Coherence，LPC）以及NR-SAD，均為圖像模糊程度越大分?jǐn)?shù)越低。由表1可以看出,本文模糊度評價算法與MOS值變化趨勢一致，而當(dāng)圖像間的模糊程度相近時，LPC和NR-SAD算法并不能總是做出準(zhǔn)確的評價，如LPC算法中圖2（c）和圖2（d）的分?jǐn)?shù)變化以及NR-SAD算法中圖2（b）和圖2（c）的分?jǐn)?shù)變化不符合模糊評判分?jǐn)?shù)單調(diào)遞減的趨勢。

表1 不同算法產(chǎn)生的模糊分?jǐn)?shù)對比Tab.1 Comparison of fuzzy scores generated by different algorithms

進(jìn)一步地，為了驗(yàn)證本文研究的圖像模糊度評價算法在真實(shí)模糊圖像庫上的整體性能，采用皮爾遜線性相關(guān)系數(shù)（Pearson Linear Correlation Coefficient, PLCC）描述預(yù)測值與主觀評分之間的相關(guān)性與衡量算法的準(zhǔn)確性，如表2所示。PLCC取值范圍為[-1,1]，絕對值越接近于1，說明圖像質(zhì)量評價算法的準(zhǔn)確度越高。

表2 模型PLCC線性相關(guān)性Tab.2 Model PLCC correlation

由表2可以看出，四種數(shù)據(jù)集對應(yīng)的PLCC值均在0.8～1.0之間，說明模糊評價分?jǐn)?shù)與主觀評價分?jǐn)?shù)之間呈強(qiáng)相關(guān)，故LPC算法、NR-SAD算法和本文算法均可以較好地預(yù)測圖像的模糊程度。本文研究的模糊評價算法在LIVE、CSIQ和TID2013庫中的表現(xiàn)均優(yōu)于LPC和NR-SAD算法，而在TID2008數(shù)據(jù)庫性能測試中分?jǐn)?shù)略低于NR-SAD算法，綜合看來，本文模糊圖像評價算法實(shí)現(xiàn)了較高的準(zhǔn)確率和較強(qiáng)的魯棒性。

2 基于GAN的圖像去模糊網(wǎng)絡(luò)模型

將判定為模糊的圖像幀輸入至端對端的去模糊化網(wǎng)絡(luò)，輸出的清晰圖像再與前后幀進(jìn)行特征點(diǎn)匹配并進(jìn)行位姿估計，參與視覺SLAM的后端優(yōu)化過程。本文研究了一種以3個相鄰幀作為輸入的去模糊化GAN模型，建立了一種雙向的時間轉(zhuǎn)移特征，模糊幀的潛在特征向后轉(zhuǎn)移至上一幀，向前轉(zhuǎn)移至下一幀。2個相鄰幀由分組卷積后的集成編碼器同時編碼，之后由混合解碼器聯(lián)合解碼，以生成相對于中心模糊幀更清晰的圖像幀。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文研究的基于GAN的生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，假設(shè)圖像模糊評價算法評測的模糊幀為，通過結(jié)合前一幀和后一幀，實(shí)現(xiàn)相對于恢復(fù)潛在清晰圖像的目標(biāo)。設(shè)計了一個完全卷積的生成網(wǎng)絡(luò)，所有卷積層均利用數(shù)據(jù)規(guī)范化對卷積結(jié)果進(jìn)行歸一化處理，以加快網(wǎng)絡(luò)的訓(xùn)練速度，除網(wǎng)絡(luò)的最后一個卷積塊使用tanh作為激活函數(shù)外，其余所有卷積塊均使用Relu作為激活函數(shù)。按照由粗到細(xì)的過程可將生成器分成兩個去模糊階段，兩個階段均采用類似于VDHNet的編解碼結(jié)構(gòu)，基于相鄰幀間的時間和空間信息，建立雙向時間轉(zhuǎn)移特征，轉(zhuǎn)移特征通過合并子網(wǎng)絡(luò)與相鄰幀的直接特征，由一組編碼器編碼，然后由混合解碼器解碼。

圖3 生成器網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Generator network architecture

生成器學(xué)習(xí)的內(nèi)容為清晰圖像和模糊圖像之間的殘差，相較于讓生成器網(wǎng)絡(luò)學(xué)習(xí)模糊圖像到清晰圖像的映射，只讓網(wǎng)絡(luò)學(xué)習(xí)兩者間的殘差可以大大降低網(wǎng)絡(luò)的學(xué)習(xí)量，使其在訓(xùn)練過程中收斂得更快。

采用Patch GAN作為本文判別器網(wǎng)絡(luò)結(jié)構(gòu)，普通鑒別器計算將輸入映射到真實(shí)樣本的概率值，而Patch GAN將輸入圖像映射到×的矩陣，的值表示真實(shí)樣本的概率，的平均值是鑒別器的最終輸出結(jié)果,可以從特征矩陣中跟蹤原始圖像中的某個位置。鑒別器使原始圖像的每個部分都影響最終的輸出。在這項(xiàng)工作中，Patch-GAN由3組卷積單元組成，前2組卷積單元包括2個用于特征提取的卷積層，其內(nèi)核大小為3×3，步長為1。在每個卷積層之后，有BN、ReLU和池化層，在最后一次卷積中對最大池化層進(jìn)行刪除。在3個卷積單元之后，存在一個卷積核尺寸為1×1的卷積層。Patch GAN輸出一個大小為80×80的矩陣，矩陣中元素的平均值是最終判斷結(jié)果。

2.2 損失函數(shù)

傳統(tǒng)GAN是基于JS散度和KL散度的方式進(jìn)行優(yōu)化，在訓(xùn)練階段會出現(xiàn)梯度消失和模式崩潰的問題，針對該問題，本文的判別器在Patch-GAN架構(gòu)的基礎(chǔ)上采用WGAN-GP，以Wasserstein距離表示網(wǎng)絡(luò)的對抗損失，使訓(xùn)練更加穩(wěn)定。模型訓(xùn)練過程中的損失函數(shù)由對抗損失和內(nèi)容損失加權(quán)組成，內(nèi)容損失包括基于像素空間的內(nèi)容損失函數(shù)和基于特征空間的內(nèi)容損失函數(shù)，表達(dá)式如式（11）所示。

=++

（11）

式中，和為像素?fù)p失和特征損失相對于對抗損失函數(shù)的權(quán)重系數(shù)，本文設(shè)置=100和=10。

（12）

式中，表示模糊圖像;為一個批次的圖片訓(xùn)練數(shù)量;表示判別器，其下標(biāo)為判別器參數(shù);表示生成器，其下標(biāo)為判別器參數(shù)。

像素空間損失函數(shù)主要用于保證復(fù)原圖像與真實(shí)圖像具有更加相似的圖像特征，相應(yīng)的計算表達(dá)式為

（13）

式中，為樣本清晰圖像，和為像素坐標(biāo)值。為了進(jìn)一步對圖像紋理信息進(jìn)行細(xì)節(jié)上的復(fù)原，將復(fù)原生成的圖像與真實(shí)圖像送入訓(xùn)練好的VGG19，通過計算生成圖像特征圖與原始圖像特征圖之間的歐氏距離來計算特征空間損失函數(shù)，即

,（（））,）

（14）

式中，,表示VGG19網(wǎng)絡(luò)中第次最大池化層之前，第個卷積層激活后輸出的特征圖;,和,分別表示特征圖的寬度和高度。

2.3 基于GAN的圖像去模糊網(wǎng)絡(luò)模型性能驗(yàn)證

本文的實(shí)驗(yàn)訓(xùn)練環(huán)境基于64位Ubuntu18.04操作系統(tǒng)，深度學(xué)習(xí)計算機(jī)中央處理器（Central Processing Unit，CPU）型號為Intel Xeon E5-2678 v3，顯卡為NVIDIA GeForce RTX 2080 Ti，網(wǎng)絡(luò)模型的構(gòu)建與訓(xùn)練是基于TensorFlow深度學(xué)習(xí)框架實(shí)現(xiàn)的。

網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集為GOPOR數(shù)據(jù)集，包含來自多個街道的模糊圖像及其對應(yīng)的清晰圖像，在其基礎(chǔ)上自制訓(xùn)練和測試樣本，預(yù)處理后訓(xùn)練集共1865張，測試集共150張。如圖4所示，每個樣本包含三幀連續(xù)模糊幀和相對于中間幀的清晰幀。生成網(wǎng)絡(luò)選用Adam優(yōu)化器，初始學(xué)習(xí)率為10，最大epoch設(shè)置為300，在前200個epoch結(jié)束后，學(xué)習(xí)率線性衰減直至為0。

圖4 預(yù)處理訓(xùn)練樣本數(shù)據(jù)Fig.4 Preprocessing training sample data

為了更加客觀地評價去模糊網(wǎng)絡(luò)，采用當(dāng)前圖像去模糊領(lǐng)域認(rèn)可度最高的峰值信噪比（Peak Signal to Noise Ratio, PSNR）和結(jié)構(gòu)相似性（Structural Similarity, SSIM）指標(biāo)作為評判標(biāo)準(zhǔn)，對150張測試數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果如表3所示，這兩項(xiàng)指標(biāo)的數(shù)值越高表示網(wǎng)絡(luò)模型的去模糊效果越好。從表3的結(jié)果可以看出，本文TDGAN去模糊算法在性能上較MS-CNN、DeblurGAN和CLD-SR有了一定程度的提升，模型在實(shí)時性方面也表現(xiàn)良好，綜合看來，本文研究的去模糊GAN模型在評價指標(biāo)和網(wǎng)絡(luò)性能上均優(yōu)于其他三種方法。

表3 算法指標(biāo)與單幀平均運(yùn)行時間對比Tab.3 Comparison of algorithm index and running time

3 運(yùn)動去模糊視覺SLAM系統(tǒng)

3.1 系統(tǒng)結(jié)構(gòu)與流程

本文研究的運(yùn)動去模糊視覺SLAM算法在經(jīng)典ORB-SLAM2算法的基礎(chǔ)上進(jìn)行改進(jìn)，去模糊算法整體實(shí)驗(yàn)流程如圖5所示。將相機(jī)采集的圖像序列送入VO，結(jié)合AKAZE特征點(diǎn)的提取過程逐幀進(jìn)行模糊程度判斷，篩選出模糊程度過高的圖像，其他圖像繼續(xù)進(jìn)行特征匹配與位姿估計。另一方面，將模糊圖像送入GAN進(jìn)行去模糊化，輸出的清晰圖像與系統(tǒng)保存的關(guān)鍵幀進(jìn)行匹配，或?qū)?dāng)前圖像的關(guān)鍵點(diǎn)與場景中的點(diǎn)建立對應(yīng)關(guān)系以估計相機(jī)位姿信息，并將該信息送入視覺SLAM的后端優(yōu)化部分進(jìn)行聯(lián)合優(yōu)化?；谠~袋模型的回環(huán)檢測提供當(dāng)前數(shù)據(jù)與所有歷史數(shù)據(jù)的關(guān)聯(lián)，當(dāng)跟蹤算法丟失，可以利用回環(huán)檢測進(jìn)行重定位，同時確定路標(biāo)點(diǎn)的位置，完成視覺SLAM的建圖功能。

圖5 運(yùn)動去模糊視覺SLAM系統(tǒng)Fig.5 Motion deblurring vision SLAM system

3.2 運(yùn)動去模糊視覺SLAM系統(tǒng)性能驗(yàn)證

采用TUM數(shù)據(jù)對本文視覺SLAM算法進(jìn)行評估，TUM數(shù)據(jù)集涵蓋十幾個室內(nèi)數(shù)據(jù)場景，通過Kinect采集圖像RGB-D數(shù)據(jù)。選取幾個發(fā)生運(yùn)動模糊、動態(tài)物體等典型狀況的圖像序列進(jìn)行測試，數(shù)據(jù)集中均提供由運(yùn)動捕捉系統(tǒng)獲取的真實(shí)軌跡數(shù)據(jù)。將圖像序列輸入至視覺SLAM系統(tǒng)，在進(jìn)行特征提取與匹配的過程中，基于AKAZE特征點(diǎn)迅速對圖像的模糊程度進(jìn)行判斷，將模糊程度較大的圖像送入去模糊化GAN，輸出清晰的圖像再參與后續(xù)的SLAM過程。如圖6所示，本文網(wǎng)絡(luò)模型可以恢復(fù)圖像豐富的紋理信息，獲得更高的特征點(diǎn)提取質(zhì)量。

（a） 模糊圖像

（b） 去模糊圖像圖6 去模糊前后AKAZE特征提取Fig.6 AKAZE feature extraction before and after deblurring

圖7所示為TUM數(shù)據(jù)集下部分序列ORB-SLAM2算法和本文算法的實(shí)驗(yàn)結(jié)果，數(shù)據(jù)集給出標(biāo)準(zhǔn)軌跡groundtruth，圖中用黑色虛線繪出，ORB-SLAM2運(yùn)動軌跡由藍(lán)色曲線繪出，本文運(yùn)動去模糊算法軌跡由綠色曲線繪出。圖7（a）展示了在序列freiburg1_desk2中，兩種算法均能復(fù)現(xiàn)真實(shí)軌跡的走勢，其中ORB-SLAM2算法在跟蹤過程中軌跡偏移較大，而本文運(yùn)動去模糊視覺SLAM算法定位精度較高。由于序列freiburg2_360_hemisphre運(yùn)動程度較為劇烈，含有大量模糊圖像，如圖7（b）所示，ORB-SLAM2算法在跟蹤較短的距離后便失效且無法恢復(fù)，本文算法在該高動態(tài)環(huán)境下保持了一定的定位精度和魯棒性。

（a） freiburg1_desk2序列

（b） freiburg2_360_hemisphere序列圖7 TUM數(shù)據(jù)集測試結(jié)果Fig.7 Experimental result on TUM dataset

采用均方根誤差（Root Mean Squared Error， RMSE）和標(biāo)準(zhǔn)偏差（Standard Deviation ，STD）評判算法位姿估計的準(zhǔn)確度，其中RMSE描述觀測值與真實(shí)值之間的偏差，易受偶發(fā)錯誤影響，因此可以更好地反映系統(tǒng)的魯棒性；STD用于評估軌跡相較于真實(shí)軌跡的離散程度，可以更好地反映系統(tǒng)的穩(wěn)定性。將本文研究的運(yùn)動去模糊視覺SLAM系統(tǒng)與具有代表性的視覺SLAM算法進(jìn)行對比，包括開源算法ORB-SLAM2以及基于深度學(xué)習(xí)的算法GCN-SLAM和SurfCNN，每種算法對同一段序列進(jìn)行10次實(shí)驗(yàn)后提出異常數(shù)據(jù)取平均值，在TUM數(shù)據(jù)集中的最終結(jié)果如表4所示，“-”表示跟蹤失敗，對于所有測試序列，本文算法的位姿估計精度均高于ORB-SLAM2、GCN-SLAM和SurfCNN。在相對穩(wěn)定的序列fr1_desk 、fr1_desk2和fr3_office中，本文算法相較于ORB-SLAM2提升幅度較小，分析原因是ORB-SLAM2使用的隨機(jī)抽樣一致性（Random Sample Consensus, RANSAC）算法能將部分小幅度移動的動態(tài)特征點(diǎn)作為噪聲剔除，一定程度上降低了低動態(tài)場景中運(yùn)動物體對算法精度的影響。而對于包含大量快速運(yùn)動和快速旋轉(zhuǎn)的動態(tài)序列fr1_room、fr1_floor 和fr2_hem，由于相機(jī)快速旋轉(zhuǎn)和移動而導(dǎo)致出現(xiàn)大面積運(yùn)動模糊，本文算法可精準(zhǔn)定位模糊圖像并進(jìn)行解模糊操作，如fr2_hem序列中，相較于改進(jìn)前的ORB-SLAM2算法，本文算法能夠?qū)⒕忍岣?9.4%，而在fr1_room和fr1_floor序列中精度提升幅度也在20%以上，一定程度上提升了SLAM算法的定位精度與魯棒性?？傮w而言，對于6個不同的軌跡序列，本文算法的絕對軌跡誤差均小于其他三種對比算法，其中相較于ORB-SLAM2誤差平均下降35.3%，相較于GCN-SLAM誤差平均下降51.3%，相較于SurfCNN誤差平均下降41.5%。

表4 不同算法軌跡誤差對比Tab.4 Comparison of the trajectory error among different algorithms

4 結(jié) 論

如何在高動態(tài)和強(qiáng)干擾的復(fù)雜室外環(huán)境下實(shí)現(xiàn)快速精準(zhǔn)定位仍是地面無人平臺急需解決的問題。針對無人平臺快速運(yùn)動造成的運(yùn)動模糊會影響視覺SLAM位姿估計精度的問題，提出了一種基于AKAZE特征點(diǎn)的運(yùn)動去模糊SLAM系統(tǒng)。在多類數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，分別驗(yàn)證了本文研究的圖像模糊度評價算法和去模糊GAN模型的有效性，并在此基礎(chǔ)上，進(jìn)一步驗(yàn)證了最終提出的運(yùn)動去模糊SLAM方案。結(jié)果表明，本文方法在運(yùn)動模糊程度較高的動態(tài)場景下，絕對軌跡誤差和相對路徑誤差比ORB-SLAM2 算法精度至少提高了50%，在模糊程度較低的動態(tài)序列中，精度平均提高了20%以上，說明本文方法可以有效提高運(yùn)動模糊狀態(tài)下VO的位姿估計精度，具有良好的魯棒性。

在未來的工作中，將進(jìn)一步研究與深度學(xué)習(xí)相結(jié)合的動態(tài)視覺SLAM方法的實(shí)時性問題，對圖像進(jìn)行模糊度判斷并完成去模糊化的分步式處理步驟，類似于多傳感器信息融合中的松耦合，需要精準(zhǔn)的模糊度判定和去除方法才能確保后續(xù)SLAM系統(tǒng)的可靠性。這種存在優(yōu)先級的優(yōu)化方式使得精度會受到其中一種優(yōu)化結(jié)果的制約，而且額外的處理步驟會降低系統(tǒng)的運(yùn)算效率。因此，將里程計任務(wù)與去模糊任務(wù)以一種緊耦合的方式呈現(xiàn)，是未來SLAM應(yīng)對運(yùn)動模糊環(huán)境的一種新嘗試。