基于改进SIFT特征提取的单目SLAM方法研究

来源:用户上传      作者:胡衡　任甜甜　 王玉巍　竟静静

　　摘   要：目前视觉传感器广泛用于解决移动机器人同步定位与地图构建问题，而精确、稳定的图像特征点提取技术是其中一个关键技术。针对传统SIFT特征点出现数目大、分布广的现象，可利用局部区域显著参数指标值来优化场景SIFT特征点的提取，并用于单目EKF-SLM算法中完成系统的SLAM过程。仿真实验结果表明，在未知室内结构化场景中，改进后特征点的收敛速度更快，信息的不确定性更小，定位精度更高。
　　关键词：SIFT  单目视觉  EKF  同步定位与地图构建
　　中图分类号：TP24                                  文献标识码：A                       文章编号：1674-098X（2020）03（b）-0103-04
　　基于单目视觉的未知场景中移动机器人同步定位與地图创建（Simultaneous Localization and Mapping，SLAM）方法是实现机器人自主导航的重要研究方向之一，而如何确保从单目图像中所提取环境特征的准确性和鲁棒性是该方法的难点所在[1-4]。由于SIFT（Scale Invariant Feature Transform）特征点[5]的稳定性较好且对噪声的敏感度较低，故常采用SIFT特征点作为视觉SLAM问题中描述场景地图的路标，但SIFT算法存在计算量大、复杂度高的不足，高实时性不易实现[6-8]。对此，本文尝试改进已有SIFT特征提取算法以满足场景特征点数量和空间分布及重复观测性上的要求，实现快速构建高精度场景地图的目的。
　　1  改进SIFT特征提取算法
　　SIFT提取算法的基本过程包括：先从高斯差分尺度空间中获取极值点，然后精准定位关键点并确定主方向，最终形成对应的特征描述子[9-10]。为了更好地描述场景周围的状况，需要在已有SIFT算法基础上对所提取的路标特征的总数和空间分布进行适当优化。基于此，本文从统计特性角度提出了一种改进SIFT特征提取方法，它根据区域的显著参数指标值来获取数目稳定且分布合理的场景特征，不仅能够达到EKF收敛要求而且满足描述场景所需的精度，其具体步骤如下。
　　（1）提取当前帧中的SIFT特征。
　　其中，是场景图像中特征点的实际观测值，是单位阵。
　　只要确定了和的状态结果，场景地图就能够直观地描述。若检测出新特征，则按照2.1节和2.2节中的方式得到其状态与方差，并增广到系统全状态估计向量中即可。
　　3   SLAM系统仿真结果与分析
　　选取对象为实验室内某处场景，手持单目相机在小范围内缓慢平滑移动，采用改进SIFT特征提取算法获取多帧图像序列中的特征开展EKF-SLAM离线仿真过程。如图2（c）结果所示，在24帧时场景特征的位置估计误差已收敛到一定范围里。伴随着EKF迭代总数的增加，特征信息的不确定性将不断缩小，最终趋于估计值附近，如图2（d）第109帧时结果所示。
　　场景特征的距离估计误差值对SLAM过程中地图创建精度的影响非常明显。图3显示了第24帧和第109帧时对应SLAM过程中场景特征在、方向上估计误差的变化情况。结果显示，基于改进SIFT特征提取的单目SLAM系统在第109帧时所有场景特征在、方向上的估计误差值由第24帧时的6.21cm下降至1.72cm以内。该误差值相对于所选用的实验场景空间尺度而言是可以忽略的，而造成该误差的主要原因是实验设备测量精度有限且实验场景较为复杂。
　　4  结语
　　本文提出了一种基于改进SIFT特征的单目EKF-SLAM方法并进行了仿真实现。可以看出，采用基于区域显著参数指标值的SIFT特征提取算法能够使所获取的场景特征既满足数目有限的要求同时又表现出很好的空间分布特性。这些改进不但有助于加快单目SLAM系统的收敛速度，同时也便于更精准地构建出场景地图。实验仿真效果较为理想，表明了此方法能够在单目视觉条件下较好地实现室内静态结构化场景的地图构建目的，既节约了成本又满足了精度。
　　参考文献
　　[1] 杨雪梦，姚敏茹，曹凯.移动机器人SLAM关键问题和解决方法综述[J].计算机系统应用，2018（7）：1-10.
　　[2] 邸凯昌，万文辉，赵红颖，等.视觉SLAM技术的进展与应用[J].测绘学报，2018（6）：770-779.
　　[3] 朱凯，刘华峰，夏青元.基于单目视觉的同时定位与建图算法研究综述[J].计算机应用研究，2018（1）：1-6.
　　[4] 刘浩敏，章国锋，鲍虎军.基于单目视觉的同时定位与地图构建方法综述[J].计算机辅助设计与图形学学报，2016（6）：855-868.
　　[5] Lowe D. Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision，2004，60（2）：91-110.
　　[6] 胡为，刘兴雨.基于改进SIFT算法的单目SLAM图像匹配方法[J].光电与控制，2019，26（5）：7-13.
　　[7] 翟雨微.基于改进的SIFT图像匹配算法研究[D].吉林大学，2017.
　　[8] 梁超，王亮，刘云红.基于扩展卡尔曼滤波的实时视觉SLAM算法[J].计算机工程，2013，39（8）：231-234.
　　[9] 屈有佳.基于SIFT特征的关键帧提取算法研究[D].北京交通大学，2015.
　　[10]滕日.基于SIFT的局部不变特征研究[D].中国科学院研究生院，2016.
　　[11]王丹.室内移动机器人单目视觉定位与建图算法研究及实现[D].中国科学技术大学，2019.
　　[12]李月华，朱世强，于亦奇.工厂环境下改进的视觉SLAM算法[J].机器人，2019（1）：95-103.
　　[13]Montiel A.D.J，Civera J. Unified Inverse Depth Parametrization for Monocular Slam[C].In Robotics Science and Systems Conference，2006.
　　[14]李帅鑫，李广云，周阳林，等.改进的单目视觉实时定位与测图方法[J].仪器仪表学报，2017，38（11）：2849-2857.
　　[15]李策，魏豪左，卢冰，等.基于深度视觉的SLAM算法研究与实现[J].计算机工程与设计，2017（4）：1062-1066.
　　[16]薛永胜，王姮，张华，等.EKF-SLAM算法的改进及其在Turtlebot的实现[J].西南科技大学学报，2015（1）：54-59.
转载注明来源:https://www.xzbu.com/1/view-15256018.htm