基于SURF特征的多机器人栅格地图拼接方法

发布时间：2020-02-03 09:32

【摘要】：实现地图拼接是多机器人协作创建地图的一项关键技术。研究了一种基于加速鲁棒特征(SURF)的多机器人栅格地图拼接方法,该方法通过对机器人运动坐标系进行刚体变换,将栅格地图拼接问题用图像配准的最小化问题来表示并建立数学模型。首先利用一种改进的SURF算法从待拼接地图中提取特征,然后利用随机抽样一致性(RANSAC)算法剔除误匹配得到初始拼接参数,并将拼接参数作为ICP算法的初值来求解目标函数。最后分别利用公开数据集和Turletbot2移动机器人进行了实验,结果表明该方法能对多机器人建立的栅格地图实现可靠拼接,鲁棒性好且精度高,拼接速度快适用于较大规模环境栅格地图拼接。
【图文】：

二维图像,尺寸分布,滤波器,尺度空间

实现步骤如图1所示。图1改进的SUＲF算法步骤Fig．1ThestepsofimprovedSUＲFalgorithm2．3．1构建尺度空间由于SUＲF算法利用了盒子滤波和积分图像，其计算耗时与图像尺寸无关，故在特征检测时SUＲF算法比SIFT算法效率更高，SUＲF算法就是利用该性质加速了原图像与盒子滤波的卷积运算。SUＲF算法的尺度空间金字塔最底层利用一个大小为9×9的盒子滤波，盒子滤波大小变换最少6个像素步长，第2层最小为15×15。当前大小的盒子滤波对应高斯尺度值的计算公式如下:σapprax=1．29N(2)当前盒子滤波尺寸用N表示，图2所示构建了4度4层的尺度空间，各层中盒子滤波器的大小变化分别为6、12、24、48。图2滤波器尺寸分布Fig．2Distributionoffiltersize2．3．2检测极值点，确定特征点位置为了寻找尺度空间中的极值点，本文采用快速Hessian矩阵实现，为确保在二维图像空间和尺度空间均检测到极值点，每个检测点与它同尺度的8个相邻点及上下相邻尺度对应的26个点比较。用多尺度空间函数Dxx、Dxy、Dyy表示简化后的Hessian行列式如式(3)所示，如果该点行列式的值Δ(Happrax)为正则认为是局部极值点。Δ(Happrax)=DxxDyy－(ωDxy)2(3)式中:ω为加权系数(本文取ω=0．9)［22］。找到候选极值点并记录其位置和尺寸，同时还要利用极值点邻域像素插值找到图像空间和尺度空间中的亚像素精度特征点，消除低对比度的极值点以确定特征点的位置。SUＲF耗时主要在构建尺度空间检测特征点和特征描述符上，本文使用Harris算法检测特征点来提高特征检测速度和稳定性。2．3．3确定特征点主方向要使特征点具有旋转不变等特性，需为特征点确定一个主方向，同时利用Haar小波提高鲁棒性。首先以特征点?

示意图,主方向,示意图,特征点

?2．3．3确定特征点主方向要使特征点具有旋转不变等特性，需为特征点确定一个主方向，同时利用Haar小波提高鲁棒性。首先以特征点为中心，以6δ(δ为特征点所在的尺度值)为半径作圆，计算圆形区域内的点在x和y方向上为4δ的Haar小波响应，并用高斯模板对得到的响应结果做加权使其更符合实际。以特征点为中心、圆心角为60°的扇形区域为单位，以5°为步长遍历整个响应图像，可得6个扇形区域。每个扇形区域内累加计算x和y方向上的haar小波响应值生成一个新矢量，，将新矢量中模值最大矢量的方向作为该特征点的主方向，如图3所示。图3主方向确定示意图Fig．3Schematicdiagramofthemaindirectionconfirmation2．3．4生成特征点描述符为确保旋转不变性将坐标轴旋转至SUＲF特征点主方向，沿着主方向以特征点为中心构造一个20δ为边长的正方形窗口，将该区域均匀的分成16个子块，在每个子区域内用2δ的Haar小波模板以5×5大小为1个小块间隔采样，计算每个小块中检测点相对于主方向x和y轴方向的响应值dx和dy，把每个小块中的25个采样点

【相似文献】