基于融合BEBLID和改進(jìn)ORB算法的單目視覺里程計(jì)研究*

余正強(qiáng),蔣 林,b,郭宇飛

(武漢科技大學(xué)a.冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室;b.機(jī)器人與智能系統(tǒng)研究院,武漢 430081)

0 引言

為實(shí)現(xiàn)機(jī)械代替人工完成多場景下的作業(yè)活動(dòng),移動(dòng)機(jī)器人成為了學(xué)術(shù)研究的重點(diǎn)。GEORG等[1]提出PTAM算法,實(shí)現(xiàn)了SLAM中跟蹤和建圖的并行化,標(biāo)志著SLAM系統(tǒng)的設(shè)計(jì)劃分為前端與后端。視覺里程計(jì)(visual odometry,VO)作為VSLAM的前端,由DAVID等[2]提出,它最核心的問題是如何將相機(jī)輸入的視頻幀轉(zhuǎn)換為估計(jì)相機(jī)的運(yùn)動(dòng)。常用的VO算法主要分為直接法和特征點(diǎn)法。由于直接法不允許機(jī)器運(yùn)動(dòng)幅度過大,且對相機(jī)的質(zhì)量要求較高,所以基于特征點(diǎn)法的前端便成為現(xiàn)在VO的研究主流。所謂特征點(diǎn)法,主要是從圖像中獲取位置比較特別的點(diǎn),然后基于這些點(diǎn)計(jì)算相機(jī)的位姿,其關(guān)鍵步驟便是特征的提取和匹配。常見的特征提取方案有Harris[3]、SIFT[4]、SURF[5]、ORB[6]等算法,其中ORB算法主要由oFAST[7]角點(diǎn)提取和rBRIEF[8]特征描述兩部分組成,該算法不僅具有旋轉(zhuǎn)、尺度不變性,且較其它算法運(yùn)算效率更快,為保證VSLAM所需的實(shí)時(shí)性,其為最佳的選擇,因此便對其產(chǎn)生一系列研究。對于光照變換復(fù)雜的場景,WANG等[9]提出對感興趣區(qū)域進(jìn)行具有可變提取半徑的自適應(yīng)ORB特征檢測方法,利用Rol分割技術(shù),對不同場景下的特征檢測使用自適應(yīng)閾值進(jìn)行動(dòng)態(tài)調(diào)整,但隨著光照的變化,原有的特征會(huì)與現(xiàn)識(shí)別的特征差異較大,造成原有信息丟失。對于紋理豐富的圖像,ORB識(shí)別的特征點(diǎn)往往會(huì)出現(xiàn)扎堆現(xiàn)象,即某區(qū)域本由一個(gè)特征點(diǎn)便足以表達(dá),但經(jīng)特征提取后存在十幾個(gè)點(diǎn),造成冗余。更重要的一個(gè)原因是,若較多特征點(diǎn)都集中在一起,會(huì)使后續(xù)相機(jī)位姿計(jì)算無法進(jìn)行,從而影響機(jī)器人運(yùn)行SLAM的精度,因此使特征點(diǎn)適當(dāng)?shù)姆稚?會(huì)讓機(jī)器人的空間幾何關(guān)系解算更精確。YAO等[10]提出了一種基于改進(jìn)四叉樹的ORB算法,通過對不同金字塔層設(shè)置四叉樹的提取深度,使特征點(diǎn)均勻化,減少了四叉樹的過分割,但該方法會(huì)為圖像中本沒有特征的區(qū)域添加特征點(diǎn),造成大量誤匹配,降低匹配精度。BEBLID是近兩年提出的一種較新的特征描述子,崔建國等[11]將BEBLID描述子結(jié)合SURF特征檢測,通過機(jī)器學(xué)習(xí)的采樣功能對提取的特征點(diǎn)建立二進(jìn)制描述子,即可提高特征匹配率,又加快了SURF的運(yùn)行速度,但由于SURF本身所需的算力較大[12],與FAST之間相差幾個(gè)數(shù)量級(jí)[13],是一種“奢侈”的圖像特征,所以在實(shí)時(shí)性要求較高的SLAM算法中,會(huì)讓機(jī)器人的軌跡與真實(shí)軌跡偏差較大。

根據(jù)上述分析,本文在ORBSLAM2[14]的基礎(chǔ)上提出了融合BEBLID和改進(jìn)ORB算法的自適應(yīng)特征提取單目視覺里程計(jì),在對輸入的圖像幀進(jìn)行特征提取與匹配的同時(shí)完成對相機(jī)位姿的解算。本文選用滿足實(shí)時(shí)性要求的ORB算法進(jìn)行優(yōu)化,首先,通過對單目傳感器獲取的一系列視頻幀利用改進(jìn)的FAST算法,改善紋理豐富場景中特征點(diǎn)提取密集的情況,避免后續(xù)相機(jī)位姿的解算誤差過大,對紋理較少的場景采用自適應(yīng)特征提取,防止圖像信息丟失,造成系統(tǒng)無法完整運(yùn)行;然后,將ORB算法中的BRIEF描述子替換為更優(yōu)越的BEBLID描述子,完成特征的提取與匹配,再進(jìn)行單目相機(jī)位姿的解算;最后,通過對比實(shí)驗(yàn)來分析本文所提出算法的執(zhí)行效率、圖像匹配精度以及相機(jī)的軌跡精度。

1 融合BEBLID和改進(jìn)ORB算法的特征提取與匹配

1.1 改進(jìn)FAST算法的自適應(yīng)特征提取

作為角點(diǎn)提取中比較經(jīng)典的FAST算法在提取性能和效率方面相較其它算法十分顯著,其僅以比較像素值之間大小來確立角點(diǎn)的方式效率較高,為滿足VSLAM中實(shí)時(shí)性的要求,其為最佳的選擇。在ORBSLAM2中對此算法缺乏尺度不變性利用高斯金字塔進(jìn)行了彌補(bǔ),但在惡劣的環(huán)境中還存在一定的缺陷:①在紋理較為復(fù)雜的區(qū)域,檢測到的特征點(diǎn)十分擁擠,不可避免的為后續(xù)相機(jī)位姿解算增加難度;②在紋理稀疏的環(huán)境中,檢測到的特征點(diǎn)數(shù)量和質(zhì)量得不到保證,容易造成圖像信息丟失,使SLAM運(yùn)行缺乏魯棒性。針對上述問題,本文在特征提取方面主要進(jìn)行以下幾個(gè)改進(jìn):首先,在FAST提取算法中篩選超過距離閾值的特征點(diǎn),剔除質(zhì)量較差的點(diǎn),將圖像中的密集點(diǎn)進(jìn)行稀疏化;然后,通過對提取特征點(diǎn)的數(shù)量判斷,調(diào)整FAST提取策略,使其達(dá)到自適應(yīng)特征提取的效果,保證圖像信息不會(huì)丟失。通過以上改進(jìn)算法的處理,主要是使機(jī)器運(yùn)行到不同的環(huán)境下時(shí),都能提取到優(yōu)良的特征點(diǎn),為后續(xù)的特征匹配和位姿估計(jì)奠定基礎(chǔ),以求在滿足SLAM實(shí)時(shí)性要求的前提下,獲取更精確的相機(jī)位姿。算法框架如圖1所示。

圖1 基于FAST的自適應(yīng)特征提取流程圖

對從單目傳感器輸入的視頻幀首先需通過高斯處理,利用離散化窗口滑窗卷積對圖像實(shí)施降噪預(yù)處理,然后構(gòu)建高斯金字塔對圖像進(jìn)行降采樣后再依次進(jìn)行特征提取。FAST特征提取主要是檢測局部像素灰度變化明顯的位置,對于圖像中任意一個(gè)像素點(diǎn)需要與以自身為圓心以一定值為半徑的圓上多個(gè)點(diǎn)的像素值進(jìn)行對比,如果滿足一定的條件則會(huì)將其定義為一個(gè)候選特征點(diǎn),如圖2所示。由于原FAST算法缺乏一定的環(huán)境魯棒性,本文為解決FAST角點(diǎn)在紋理變化較大的環(huán)境中能十分魯棒的得到圖像特征信息,提出了改進(jìn)的FSAT算法來優(yōu)化特征點(diǎn)的檢測,增強(qiáng)其對環(huán)境的魯棒性,主本文算法的提取步驟如下:

圖2 FAST特征點(diǎn)檢測

步驟1:從圖像中選取一個(gè)像素P,設(shè)其亮度為Ip;

步驟2:以該像素P為中心,以3像素為半徑畫一個(gè)圓,在該圓上分別均勻的選取16、12或8個(gè)像素點(diǎn);

步驟3:人為選取一個(gè)合適的閾值T(與Ip相關(guān)),假設(shè)在圓上選取的點(diǎn)中有連續(xù)N個(gè)像素點(diǎn)的亮度大于Ip+T或者小于Ip-T,便將其定義為特征點(diǎn);

步驟4:本文提出3種檢測策略,若上述N取12,就將其定義為FAST_12_16;若上述N取7,就將其定義為FAST_7_12;若上述N取5,就將其定義為FAST_5_8,這3種檢測策略會(huì)依次對特征提取的約束放寬。在原算法中僅采用了FAST_12_16的方式,本文新增另兩種方式,使得對于紋理較弱的環(huán)境可根據(jù)提取特征點(diǎn)的數(shù)量Num與設(shè)置的閾值Ti對比,自適應(yīng)調(diào)整檢測策略S,以便得到良好的特征提取結(jié)果,如式(1)所示;

(1)

步驟5:考慮到對于紋理性較強(qiáng)的場景,FAST提取的特征點(diǎn)容易產(chǎn)生聚集現(xiàn)象,本文提出通過計(jì)算像素網(wǎng)格中每個(gè)點(diǎn)與待檢測點(diǎn)之間的歐拉距離Dis,來對特征點(diǎn)進(jìn)行篩選,如式(2)所示;

(2)

式中:xi與yi分別表示像素坐標(biāo),Dis為像素之間的距離閾值。本文通過計(jì)算所有角點(diǎn)的Harris響應(yīng)值,根據(jù)距離閾值的調(diào)整,剔除響應(yīng)值較小的像素點(diǎn),以此達(dá)到分散特征點(diǎn)的目的。

步驟6:循環(huán)步驟1～步驟5,以此對圖像中的像素點(diǎn)執(zhí)行相同的操作。

為改善FAST提取算法中特征點(diǎn)的旋轉(zhuǎn)不變性,可利用灰度質(zhì)心法[15]給特征點(diǎn)添加方向性描述,使其效果和魯棒性更加完善。

首先定義圓形鄰域圖像塊D的矩為:

(3)

式中:I(x,y)表示特征點(diǎn)的像素值,p,q={0,1}。將圖像塊的亮度質(zhì)心定義為:

(4)

然后連接圖像塊的幾何中心與質(zhì)心,如圖3所示,將特征點(diǎn)的方向定義為特征點(diǎn)與質(zhì)心間的夾角為:

(5)

圖3 確定特征點(diǎn)的方向

由上述分析可知,本文提出的改進(jìn)FAST算法在保留ORBSLAM2中角點(diǎn)尺度不變和旋轉(zhuǎn)描述的前提下,可在復(fù)雜環(huán)境中使圖像特征點(diǎn)的檢測策略更完善,以便增強(qiáng)特征點(diǎn)提取的環(huán)境魯棒性。

1.2 融合BEBILD的特征匹配改進(jìn)算法

經(jīng)上述改進(jìn)算法對圖像進(jìn)行特征檢測后,需對輸出的特征點(diǎn)進(jìn)行描述,便于后續(xù)的特征匹配操作,進(jìn)而構(gòu)建兩幀圖像間的數(shù)據(jù)關(guān)聯(lián)(data association),求取相機(jī)位姿。在ORBSLAM2中的特征點(diǎn)匹配階段,采用rBRIEF算法對特征進(jìn)行描述,它是一種基于二進(jìn)制位串的描述子,其原理是通過比較隨機(jī)選擇的特征點(diǎn)灰度值,將結(jié)果記為由0、1組成的向量,由此生成二進(jìn)制比特串,以此作為特征點(diǎn)的描述符。由于rBRIEF算法采用256對描述子對圖像進(jìn)行描述,其中僅對單個(gè)像素點(diǎn)的灰度值進(jìn)行比較,使其描述符的表達(dá)能力未能充分體現(xiàn),從而降低了ORBSLAM2中的匹配精度,因此本文為改善其表達(dá)能力,融合了更高效的BEBLID特征描述算法,從而實(shí)現(xiàn)特征點(diǎn)的精確匹配。

BEBLID是由SUARE等[16]提出的一種二進(jìn)制描述算法,它是在BELID算法[17]的基礎(chǔ)上對其描述符進(jìn)行了調(diào)整,使圖像中的特征描述更準(zhǔn)確。BEBLID描述符采用自適應(yīng)增強(qiáng)算法(adaptive boost,AdaBoost)和改進(jìn)的弱分類器訓(xùn)練方案在特征點(diǎn)附近挑選不同大小的圖像采樣特征,然后通過篩選得到特征序列的平均灰度差再與設(shè)定的閾值進(jìn)行比較,由此得出二進(jìn)制描述符。

BEBLID描述子需要提前對弱分類器進(jìn)行訓(xùn)練,其訓(xùn)練集是具有標(biāo)記的圖像塊B:

(6)

式中:xi,yi∈X,li∈{-1,1},當(dāng)li=1時(shí),表示兩個(gè)圖像塊有一樣的特征描述;當(dāng)li=-1時(shí),則表示相反的情況。訓(xùn)練過程中需要將其損失降到最低,定義其損失函數(shù)為:

(7)

式中:γ是學(xué)習(xí)權(quán)重,決定了最終訓(xùn)練結(jié)果中弱分類器的數(shù)量;hk(x)為第k個(gè)弱分類器,hk(x)=hk(x;f,T);li是訓(xùn)練樣本中圖像的標(biāo)簽。hk(x)依賴于特征提取函數(shù)f和閾值T。當(dāng)f和T確定好后,通過閾值進(jìn)行處理來定義弱學(xué)習(xí)器:

(8)

學(xué)習(xí)效率的高低取決于函數(shù)f(x)的選取,一個(gè)辨識(shí)度高、計(jì)算量小的f可提高學(xué)習(xí)的效率。BEBLID將此處的特征提出函數(shù)定義為:

(9)

式中:I(q)和I(r)表示像素q和r處的灰度值,R(p1,s)、R(p2,s)分別表示以s為邊長,像素點(diǎn)p1、p2為中心的圖像檢測框內(nèi)灰度值之和,f表示兩圖像塊之間平均灰度值的差。BEBLID描述符的特征提取流程如圖4所示,圖中不同顏色的方框即為R(p1,s)、R(p2,s),通過訓(xùn)練數(shù)據(jù)集中所有特征點(diǎn)的描述子來對損失函數(shù)不斷優(yōu)化,以至可生成M個(gè)弱學(xué)習(xí)器,使其描述子的像素位置和大小不斷更迭,從而獲得最佳BEBLID二進(jìn)制描述子。

圖4 BEBLID特征提取過程

經(jīng)過不斷更迭,BEBLID總能通過最優(yōu)的模式算出二進(jìn)制描述符,用來描述每一個(gè)特征點(diǎn)。BEBLID經(jīng)過訓(xùn)練獲取最優(yōu)的采樣模式,與rBRIEF算法中的操作相似,但BEBLID采用了類似SIFI描述符的方法,不僅確定了最佳的像素位置,還對采樣圖像塊的規(guī)格使用自適應(yīng)變換,從而使描述符的表達(dá)更加精確。BEBLID節(jié)約了每個(gè)采樣圖像塊旋轉(zhuǎn)的時(shí)間,直接對積分圖像進(jìn)行并列處理,使計(jì)算量大大減少,從而提高特征描述的速度。

綜上所述,得到圖像特征的檢測點(diǎn)和描述子后,便需對其進(jìn)行匹配。當(dāng)特征點(diǎn)數(shù)量規(guī)模不大時(shí),常采用暴力匹配(Brute-Force)方法對其進(jìn)行操作,它原理是對每一個(gè)特征點(diǎn)與所有匹配的特征點(diǎn)進(jìn)行描述子距離比對,經(jīng)排序后取最近的一個(gè)作為配對點(diǎn)。由于本文采用的是BEBLID二進(jìn)制描述子,通常利用漢明距離(Hamming distance)作為描述子之間的度量單位。

2 單目里程計(jì)運(yùn)動(dòng)測算

為得到單目傳感器的運(yùn)動(dòng)軌跡,需從局部位姿出發(fā),分析相鄰兩幀圖像間經(jīng)本文算法得到的匹配點(diǎn)對,再進(jìn)行方程的構(gòu)建。由于每次的精準(zhǔn)匹配,均可得出多對匹配點(diǎn),故此可根據(jù)這些特征點(diǎn)之間的對應(yīng)關(guān)系解算方程,進(jìn)而對兩幀圖像間的相機(jī)運(yùn)動(dòng)進(jìn)行測算。

2.1 對極幾何約束

因本文是對單目視覺傳感器進(jìn)行研究,故此經(jīng)本文算法所得的特征點(diǎn)僅2D像素坐標(biāo)已知,若根據(jù)匹配點(diǎn)對估計(jì)相機(jī)的運(yùn)動(dòng),可采用2D-2D的對極幾何方法解決,其運(yùn)動(dòng)測算的幾何模型如圖5所示。已知相機(jī)的運(yùn)動(dòng)屬于剛體變換,由剛體不變性可知,同一向量在各個(gè)坐標(biāo)系下的長度和夾角均不會(huì)發(fā)生變化[18],即對于目標(biāo)點(diǎn)I在前后兩幀圖像P1、P2坐標(biāo)系下的運(yùn)動(dòng)可由剛體變換求得。此時(shí)特征匹配的正確率顯得尤為重要,若匹配精度高,便可得到投影點(diǎn)在極線上面的正確位置,即I1、I2將是空間點(diǎn)I在像平面P1、P2上的投影。

圖5 對極幾何模型

從數(shù)學(xué)層面上分析,即已知坐標(biāo)系上的I1、I2,求I點(diǎn)以及相機(jī)的運(yùn)動(dòng)估計(jì)。通過對幾何模型的解算可得對極約束條件:

(10)

式中:K為相機(jī)的內(nèi)參矩陣,可對相機(jī)標(biāo)定后求得,屬于已知量;R、t分別表示相機(jī)在兩個(gè)坐標(biāo)系下的旋轉(zhuǎn)和平移。

2.2 單應(yīng)矩陣

為了描述進(jìn)行匹配的兩平面間的映射關(guān)系,可利用單應(yīng)矩陣計(jì)算第1個(gè)圖像中的點(diǎn)轉(zhuǎn)換為第2個(gè)圖像中點(diǎn)的單應(yīng)性,從而去除不合格的匹配點(diǎn)。利用上述對極幾何模型可得到處于3D空間中共同平面上的點(diǎn)在兩個(gè)像素平面之間的變換關(guān)為:

(11)

式中:n為共同平面的法向量,d為相機(jī)系原點(diǎn)到平面的距離。為簡化約束,將中間部分記為H,即單應(yīng)矩陣,它包含了相機(jī)的內(nèi)參矩陣K、旋轉(zhuǎn)R、平移t和平面參數(shù)(n,d)等信息。通過引入單應(yīng)矩陣,可以直接通過I1平面上的匹配點(diǎn)算出I2平面上對應(yīng)點(diǎn)的位姿。

2.3 單目傳感器尺度的確立

單目SLAM所得到的軌跡存在一個(gè)潛在的缺陷,即無法通過單張圖像確定與真實(shí)軌跡之間的尺度,因此在ORBSLAM2中有一個(gè)單目初始化的過程,即對兩張圖像中的t進(jìn)行歸一化。此操作相當(dāng)于對尺度進(jìn)行了固定,以當(dāng)前時(shí)刻的t作為單位1計(jì)算相機(jī)的軌跡。運(yùn)行單目SLAM時(shí),相機(jī)在初始化的過程中需要有足夠大的平移運(yùn)動(dòng),才能確定軌跡的真實(shí)尺度。待相機(jī)尺度確立之后,便可利用三角測距的方式恢復(fù)所檢測的地圖點(diǎn)深度。

綜上所述,可通過本文算法得到匹配點(diǎn)對的位置進(jìn)而求出相機(jī)的位姿以及H,然后根據(jù)單目傳感器尺度的確立,采用八點(diǎn)法[19]恢復(fù)出相機(jī)的運(yùn)動(dòng),即得到R和T,至此便大致完成了單目視覺里程計(jì)在局部圖像序列間運(yùn)動(dòng)軌跡的測算。本文提出的基于融合BEBLID和改進(jìn)ORB算法的單目視覺里程計(jì)整體流程如圖6所示。

圖6 本文算法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

為實(shí)現(xiàn)對本文算法的各項(xiàng)效果進(jìn)行校驗(yàn),本文利用單目傳感器獲取的真實(shí)室內(nèi)環(huán)境和TUM數(shù)據(jù)集[20]中的標(biāo)準(zhǔn)場景作為實(shí)驗(yàn)對象,采用Ubuntu16.04的操作系統(tǒng),運(yùn)用C++編程,電腦配置為Intel Core i3-8100 CPU,8 GB RAM,主頻為3.60 GHz,以工作室內(nèi)自主搭建的輪式差分機(jī)器人為實(shí)驗(yàn)平臺(tái),主要實(shí)驗(yàn)設(shè)備為單目傳感器,如圖7所示。

圖7 實(shí)驗(yàn)設(shè)備

3.1 特征提取效果檢驗(yàn)

為評估本文算法相較傳統(tǒng)FAST特征檢測算法的優(yōu)越性,本小節(jié)采用TUM數(shù)據(jù)集中標(biāo)準(zhǔn)紋理特性的多場景圖片做數(shù)據(jù)采集。在一般簡單場景下本文算法與ORB算法有相似的效果,但在特殊、復(fù)雜的環(huán)境變化下,本文算法便能顯示出它的優(yōu)異之處。為驗(yàn)證算法在紋理豐富場景下特征點(diǎn)的分散效果和紋理稀缺場景下特征的自適應(yīng)檢測效果,本文將數(shù)據(jù)集圖像編為兩組分別進(jìn)行實(shí)驗(yàn),從多場景進(jìn)行特征提取,選用較為復(fù)雜的實(shí)驗(yàn)環(huán)境,結(jié)果如表1和表2所示。

表1 紋理豐富的特征點(diǎn)分散效果

表2 紋理稀缺的自適應(yīng)特征提取效果

從表中可以看出,多場景下的特征檢測效果較優(yōu)。在紋理密集處,相較于傳統(tǒng)的FAST特征檢測算法,“扎堆”的白色特征點(diǎn)分散良好,本文經(jīng)過對原算法提取的特征點(diǎn)進(jìn)行距離閾值設(shè)定,在保證特征點(diǎn)能代表此局部區(qū)域的前提下,避免特征點(diǎn)的簇?fù)?但在圖像中部分區(qū)域特征點(diǎn)的分散效果就不太突出,因?yàn)樵搮^(qū)域中的特征本就比較均勻,檢測結(jié)果與原算法類似,如表1所示。在紋理稀疏處,相較傳統(tǒng)的FAST特征檢測算法,后者在紋理薄弱的圖像中較難檢測到黑色特征點(diǎn)或黑色特征點(diǎn)數(shù)量較少,而本文算法通過對圖像特征點(diǎn)檢測數(shù)量的監(jiān)控,自適應(yīng)的調(diào)整FAST特征檢測策略,較好的增加了黑色特征點(diǎn)數(shù)量,避免相機(jī)運(yùn)行到弱紋理場景下造成軌跡丟失的嚴(yán)重錯(cuò)誤,如表2所示。總之,本文改進(jìn)ORB的自適應(yīng)特征提取算法在不同場景下對不同對象都能得到較為良好的特征提取效果。

3.2 特征匹配效果檢驗(yàn)

為進(jìn)一步測試本文提出的匹配算法性能相較于其他算法的優(yōu)越性,本小節(jié)以真實(shí)環(huán)境作為實(shí)驗(yàn)對象,利用單目相機(jī)獲取實(shí)驗(yàn)室內(nèi)場景對算法進(jìn)行檢驗(yàn)。如圖8所示,本文選用3組圖像集,以便來展示本文的匹配算法效率和匹配正確率。

圖8 室內(nèi)真實(shí)場景圖集

在各類匹配算法中,SIFT、SURF是浮點(diǎn)數(shù)類型描述子,而ORB跟BEBLID類似,均為二進(jìn)制描述子,因此本文匹配算法效率較高,其匹配結(jié)果如圖9所示。在特征匹配的評價(jià)指標(biāo)中,圖像的匹配正確率通常利用召回率代替,即對兩幅匹配的圖像通過特征點(diǎn)的映射得到兩圖像的單應(yīng)矩陣,然后通過單應(yīng)矩陣算出圖像之間實(shí)際為匹配點(diǎn)對但匹配算法并未求得,即圖9中的灰色線條;而實(shí)際為匹配點(diǎn)對并且匹配算法成功得到的便由白色線條標(biāo)出,即匹配點(diǎn)中正確的內(nèi)聯(lián)點(diǎn),其中未被白色覆蓋的灰色線條則是需要去掉的不合格特征點(diǎn)。本小節(jié)算法結(jié)合改進(jìn)的FAST算法可以有效的保證匹配的實(shí)時(shí)性和正確性,下面將從圖像的匹配精度和匹配耗時(shí)方面對匹配結(jié)果進(jìn)行分析。

(a) SIFT算法匹配結(jié)果 (b) SURF算法匹配結(jié)果

(1)匹配精度對比。如表3所示,在實(shí)驗(yàn)過程中,選定提取500個(gè)特征點(diǎn),分別計(jì)算上述各算法在3組圖像集中的匹配點(diǎn)和內(nèi)聯(lián)點(diǎn)個(gè)數(shù),從而校驗(yàn)匹配正確率。組1數(shù)據(jù)表明本文算法的匹配率相較ORB算法提升了16.7%,相較SIFT、SURF提升了7%左右,由此可知,在匹配精度方面,本文算法較優(yōu)于SIFT、SURF算法,與ORB算法相比精度提升較大。

表3 各算法匹配精度對比

(2)匹配耗時(shí)對比。本文在ORB算法的基礎(chǔ)上進(jìn)行改進(jìn),然后融合BEBLID構(gòu)建高效的二進(jìn)制描述子,使其運(yùn)行速度提升較大。如表4所示,通過匹配耗時(shí)對比可知,本文算法運(yùn)行效率比SIFT高幾個(gè)數(shù)量級(jí),與ORB算法速度相當(dāng),表明本文算法可充分保證V-SLAM所需要的實(shí)時(shí)效果。

表4 各算法匹配耗時(shí)對比

綜上所述,與常見的特征檢測與匹配算法相比,本文提出的改進(jìn)ORB與融合BEBLID算法的匹配精度更高,耗時(shí)更短,不僅可以應(yīng)對較為復(fù)雜的環(huán)境,而且其在常見環(huán)境中,運(yùn)行效果更優(yōu),算法的穩(wěn)定性更高。

3.3 相機(jī)軌跡精度檢驗(yàn)

經(jīng)本文算法對視頻幀進(jìn)行特征提取與匹配后,由上述的單目里程計(jì)運(yùn)動(dòng)測算流程便可解算出相機(jī)的位姿。在室內(nèi)常見有強(qiáng)、中、弱等紋理環(huán)境,使機(jī)器在運(yùn)行過程中采集的信息時(shí)常變化,本文選擇TUM數(shù)據(jù)集中標(biāo)準(zhǔn)的室內(nèi)環(huán)境fr1/desk、fr1/desk2、fr1/room這3個(gè)測試序列,經(jīng)ORBSLAM2算法與本文算法得出的匹配對數(shù)據(jù),分別對其進(jìn)行相機(jī)的運(yùn)行位姿計(jì)算,并與各測試序列圖像幀中真實(shí)的軌跡數(shù)據(jù)進(jìn)行比對,利用evo工具畫出相機(jī)的部分運(yùn)行軌跡,其測試結(jié)果如圖10所示。

(a) fr1/desk測試軌跡 (b) fr1/desk2測試軌跡

由圖10可知,本文算法在不同場景下相較ORBSLAM2,其相機(jī)在x、y、z方向上的運(yùn)行軌跡與真實(shí)軌跡更為接近。如表5所示,分別列出了各測試序列的軌跡誤差中包括均方值、最大值、最小值等各項(xiàng)具體指標(biāo),通過分析均方根誤差RMSE可知本文算法相比于ORBSLAM2,在軌跡精度上均有較大幅度的增加,表明本文算法位姿測算精度較高,算法總體魯棒性較強(qiáng)。

表5 不同場景下算法的軌跡誤差對比 (m)

4 結(jié)論

在V-SLAM的實(shí)際運(yùn)用過程中,能夠具備實(shí)時(shí)性和高精度的特征檢測與匹配算法對前端視覺里程計(jì)具有重要意義。首先,本文提出了改進(jìn)的FAST特征檢測算法,可以適用復(fù)雜的環(huán)境變化,顯著提升了特征檢測算法的環(huán)境魯棒性;其次,本文還融入了BEBLID二進(jìn)制特征描述子,顯著提升了圖像的正確匹配率,降低了算法的運(yùn)行耗時(shí),提高了相機(jī)位姿測算的精度。通過對比實(shí)驗(yàn)可得,本文算法在匹配精度方面較優(yōu)于SIFT、SURF算法,與ORB算法相比提升了16.7%;在匹配速度方面與最快的ORB算法不相上下。最后通過相機(jī)運(yùn)行軌跡的對比,可知本文算法更加接近真實(shí)軌跡,其精度更高,魯棒性更強(qiáng)。綜上所述,本文提出的算法在兼顧實(shí)時(shí)性的同時(shí)具有較高的匹配精度,從SLAM的框架上來說,為V-SLAM的后端提供了一個(gè)較好的初始數(shù)據(jù)。