基于改进ORB和RD-Polar算法的室内SLAM研究

发布时间：2021-01-13 05:41

　　随着智能移动机器人在人们生活中的广泛应用,机器人的自主导航能力不断提高。而实现机器人自主导航的关键技术就是同时定位与地图创建,即SLAM技术。以微软研发的Kinect为代表的深度相机,不仅能够获取所处环境的彩色图像,同时还能获取彩色图对应的深度信息,加快了数据处理过程。基于深度相机的SLAM研究是机器人自主导航领域的一个重点研究方向。本文针对传统RGB-D SLAM方法存在的相邻图像帧之间,特征点匹配错误率高、效率低、误匹配去除效果不好、相机估计轨迹与真实轨迹之间误差大等问题,在原RGB-D SLAM基础上进行改进,提出一种准确性、实时性和鲁棒性较好的RGB-D SLAM方法。本文具体的研究内容如下:首先,对ORB特征提取算法进行研究,针对ORB算法特征点特征匹配精度不高、还需计算描述子方向等问题,提出一种改进的ORB算法,并采用光照不同、旋转角度不同、尺度不同和光照、尺度、旋转均不同的四组图像,对改进的ORB算法进行仿真实验,实验证明改进的ORB算法相比于原算法正确匹配率提高了5%到15%,耗时降低了50%,提升了图像帧间匹配的速度,满足实时性和准确性的要求。其次,针对RANSAC算... 

【文章来源】：燕山大学河北省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

扫地机器人和无人驾驶汽车移动机器人自主探索所处环境，需要解决一个关键问题：根据自身传感器信息

燕山大学工程硕士学位论文8积求解，ORB算法将原始图像分解成8层不同的尺度图像，其中图像的初始比例因子为1.2，公式如下。x,y,,()=G(xyL)I(,,xy)(2-1)其中，初始图象表示为(,)，图像提取的特征点表示为(,)，原始图像经过不同的高斯函数(,,)，处理得到每层尺度图像(,,)。式中高斯核函数为：222221,(),2xyxyGe+=(2-2)上式中标准差σ代表图像的不同的尺度信息，值越大表示图像的模糊程度越大，ORB算法为保证特征点的尺度信息，对原始图像进行模糊处理得到不同尺度的8层图像。(2)特征点提取图像特征点表示图像中灰度值变化大的点，比如较低灰度值区域中高灰度值的点，或者图像中物体的边缘点。FAST算法根据图像点的灰度值进行特征点提龋以候选点为中心，将其周边半径为3像素的区域内的16个像素点和候选点的灰度值进行比较，以此来提取特征点。如图2-2所示。图2-2FAST特征点提取示意图由图可知，候选点圆周上16个点，只要16个点中有n个点的像素值同时大于或同时小于候选点的像素值，就可以判定候选点为特征点，一般只要满足有9个点即可。FAST算法为了加快特征点提取的速度，首先判断垂直方向上1、9两个点的像素值于候选点的关系，如果同时满足像素值大于候选点或者同时小于候选点，那么在判断水平方向上的5和13两个点的像素值与候选点的关系，在这四个点中至多有两个点满足上述条件，那么此候选点不是特征点，四个点中有至少3个点满足上

第2章改进的ORB特征提取算法13由上述步骤可以得到描述子，满足尺度不变性、光照不变性和旋转不变性。当前后两帧图像提取应用改进的ORB算法提取得到特征点和描述子之后，根据描述子之间的欧几里得距离进行特征点匹配。设K维空间的定义域为R，值域为D，E是K维空间的采样点集合，d为目标向量，那么距离d最近的点n满足：nE,|dn||dn|(2-18)式中|dn|=√∑()2，、是向量d和n的第i维元素。2.3实验仿真与分析为了验证本文提出的改进算法的实时性和可行性，将不同角度变换、不同尺度、不同光照强度和包含光照、旋转、尺度的复杂图像应用改进前后ORB算法进行特征匹配，对实验结果进行对比分析。为保证实验结果真实可信，采用德国慕尼黑理工大学提供的TUM标准数据集中的图片，图像库中包含各种变换图像，统一图像大小为680×480像素。图2-4尺度不同的图像原ORB算法匹配结果图图2-5尺度不同的图像改进ORB算法匹配结果图


本文编号：2974327