一种基于点线不变量的视觉SLAM算法

点线特征结合的视觉SLAM（同步定位与地图构建）算法中,线特征匹配准确度差会引入新的误差,点线特征误差的累积加剧了数据关联失败情况的发生．针对这一问题,本文设计了一种基于点线不变量的线特征匹配方法,该点线不变量对线段与相邻2个特征点的局部几何关系进行编码,直接在现有特征点的基础上完成线匹配,可有效提高线段匹配的速度和准确度;此外,在点线特征的融合过程引入加权思想,根据场景特征丰富程度,在构造误差函数时对点线特征的权重进行合理分配．在TUM室内数据集和KITTI道路数据集上的实验表明,与现有的点线SLAM系统相比,本文提出的点线SLAM系统有效地提高了视觉SLAM中线特征匹配的准确度,提高了特征匹配环节的运行效率,使线特征在SLAM过程中发挥了积极有效的作用,提高了系统数据关联的稳定性．     

融合点线特征的视觉惯性SLAM算法

为使移动机器人在昏暗场景中获得更高的定位精度以实现更好的建图效果,针对特征点稀疏、相机移动过快所导致的SLAM算法初始化困难、定位精度较低等问题,提出了一种融合点线特征的视觉惯性SLAM算法。通过EDLines线特征提取匹配算法来引入丰富的线特征,进而提升特征跟踪的鲁棒性;利用惯性传感器和视觉传感器的互补优势,通过视觉惯性分步联合初始化方法在初始化阶段分三步进行优化,进而提升初始化的精度和速度。实验表明,该算法所使用的线特征提取匹配算法相比传统的LSD算法具有了更快的匹配速度和更低的误匹配率,并且该算法在视觉惯性数据集中相机位姿的估计精度更高、鲁棒性更强。     

点线特征融合的激光雷达单目惯导SLAM系统

多传感器融合的SLAM系统定位精度相比单一传感器的SLAM系统更高,但在低纹理场景或退化场景下的定位精度有待提高。提出一种点线特征融合的激光雷达视觉单目惯导紧耦合SLAM系统（PL2VI-SLAM）,其由点线特征融合的视觉惯导系统（PLVIS）和激光雷达惯导系统（LIS）两个子系统组成。通过PLVIS系统实现点线特征的提取与匹配,使用滑动窗口选择性地引入关键帧,并将惯性导航器件与相机紧耦合以解算位姿。LIS系统将多个约束集成到因子图中进行联合优化,其初始化状态可以作为PLVIS的初始猜测,通过扫描匹配实现激光雷达里程计,并将点云深度分别与PLVIS系统的特征点以及特征线进行关联,为视觉特征提供精确的深度值,提升定位精度。此外,两个子系统将联合进行回环检测,并对位姿进行矫正。在jackal、handled以及自制的长走廊数据集上的实验结果表明,与LVI-SAM、VINS-MDNO及LIO-SAM系统相比,该系统的定位精度更高,适用于低纹理场景及退化场景,并能满足实时性要求。     

基于点线结合特征的单目视觉里程计

SLAM(即时定位与地图构建)系统是近年来计算机视觉领域的一大重要课题,其中特征法的SLAM凭借稳定性好、计算效率高的优点成为SLAM算法的主流。目前特征法SLAM主要基于点特征进行。针对基于点特征的视觉里程计依赖于数据质量,相机运动过快时容易跟丢,且生成的特征地图不包含场景结构信息等缺点,提出了一种基于点线结合特征的优化算法。相较于传统基于线段端点的六参数表达方式,算法采用一种四参数的方式表示空间直线,并使用点线特征进行联合图优化估计相机位姿。使用公开数据集和自采集鱼眼影像数据分别进行实验的结果表明,与仅使用点特征的方法相比,该方法可有效改善因相机运动过快产生的跟丢问题,增加轨迹长度,提升位姿估计精度,且生成的稀疏特征地图更能反映场景结构特征。     

点线特征融合的双目视觉SLAM算法

在低纹理场景中,基于点特征的同时定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法很难追踪足够多的有效特征点,系统甚至无法正常工作.众所周知,丰富的线段特征存在在人造结构化环境中的地面与墙面交界处.因此,提出一种点线特征融合的双目视觉SLAM算法.在特征提取前,引入梯度密度滤波器加速线特征提取和提高线匹配的准确度,在特征点匹配阶段,采用渐进采样一致性(Progressive Sampling Consensus, PROSAC)算法剔除误匹配点,从而提高定位精度.此外,在特征的融合过程中引入加权思想.在构造误差函数时对点线特征权重进行合理分配.最后,通过在公开的数据集上得到的仿真并与一些优秀的算法进行对比,该算法性能优于PL-SLAM和LSD-SLAM算法,证明了算法的有效性和准确性.     

点线特征自适应融合室内SLAM算法

传统的视觉同时定位与地图创建(SLAM)依赖于点特征来估计相机位姿.然而在室内环境中存在大量低纹理区域,使得提取足够多的点特征变得困难.此外,当相机抖动剧烈或转向过快时,基于点特征的SLAM系统也并不鲁棒.针对上述问题,本文提出了一种基于RGB-D的点线特征融合SLAM算法,利用点特征和线特征的优点,在困难环境下获得了鲁棒的结果.首先,提出了一种基于特征丰富度的特征提取策略.解决在模糊和低纹理区域内提取特征困难的问题.其次,设计了一种点线特征关联图,优化线特征匹配效果.该方法不仅参考了线特征之间的相似关系,还考虑了点线特征之间的几何关系.最后,在构建光束法平差的成本函数时建立自适应模型,实现点线双模态特征的"无缝融合".本文分别在两个公开数据集和室内真实场景中进行了算法评估,并与其他先进算法对比.结果表明本文提出的算法具有更好的整体性能.     

RTM框架下基于点线特征的视觉SLAM算法

针对图像纹理较为单一及相对模糊时仅仅依靠点特征难以实现精确位姿估计的问题,采用分散模块化技术提出了一种基于点线特征的视觉SLAM(同时定位与地图创建)算法.首先,提取相机采集环境中的点特征及线特征,并根据帧间特征匹配进行跟踪;随后,采用改进的NICP(normal iterative closest point)算法与关键帧匹配策略构建里程计系统.在此基础上,引入基于点线特征词典的闭环检测与GTSAM(Georgia Tech smoothing and mapping library)图优化方法获取具有全局一致性位姿的3维点云地图.以机器人技术中间件构筑系统框架,在提高系统实时性的同时增强功能模块的可扩展性与灵活性.标准数据集与实际实验室场景下的实验结果验证了所提方法的可行性和有效性.     

基于点线特征融合的低纹理单目视觉同时定位与地图构建算法

当图像因相机快速运动造成模糊或者处在低纹理场景时,仅使用点特征的同步定位与地图构建（SLAM）算法难以跟踪提取足够多的特征点,导致定位精度和匹配鲁棒性较差。而如果造成误匹配,甚至系统都无法工作。针对上述问题,提出了一种基于点线特征融合的低纹理单目SLAM算法。首先,加入了线特征来加强系统稳定性,并解决了点特征算法在低纹理场景中提取不足的问题;然后,对点、线特征提取数量的选择引入了加权的思想,根据场景的丰富程度,对点线特征的权重进行了合理分配。所提算法是在低纹理场景下运行的,因而设置以线特征为主、点特征为辅。在TUM室内数据集上的实验结果表明,与现有的点线特征算法相比,所提算法有效地提高了线特征的匹配精度,使得轨迹误差减小了大约9个百分点,也使得特征提取时间减少了30个百分点,使加入的线特征在低纹理场景中发挥出积极有效的作用,提高了数据整体的准确度和可信度。     

改进点线特征的双目视觉SLAM算法

针对点线特征SLAM算法在图像局部密集区域提取大量相似线特征、同一直线上的线段过度分割等弊端,提出一种改进点线特征的双目视觉SLAM算法(ISSLAM)。在预处理阶段,利用梯度密度滤波器剔除图像中特征密集区域,降低了线特征的误匹配率加速了特征提取过程;然后,在LSD算法的基础上,利用线段合并机制,将同一直线上由于过度分割而产生的断线重新合并,提高了特征提取的精度;在闭环检测阶段,通过融入线特征的扩展词袋模型,增加了图像相似度计算时的判别依据,提高了闭环检测的精度。ISSLAM算法通过增加筛选与合并机制以及扩展的词袋模型,优化特征提取,提高特征匹配的效率及精度,提高算法性能。最后,以EuRoc公共数据集为实验对象,证明了算法的有效性。     

动态环境下融合轻量级YOLOv5s的视觉SLAM

移动机器人在未知环境下依靠同步定位与地图构建（SLAM）实现自身的精确定位,目前大多数视觉SLAM系统在运行时均假设外部环境是静态的,但在实际应用场景下该假设并不成立,传统的视觉SLAM系统在动态环境下易受移动目标的影响,导致系统定位精度下降。提出一种新的视觉SLAM系统,将轻量级网络MobileNetV3作为目标检测网络YOLOv5s的主干网络,从而减少模型参数量,提高算法在CPU上的推理速度。将目标检测网络、光流法与ORB-SLAM系统相结合,使SLAM系统前端提取ORB特征点的同时能够有效剔除动态特征点。仅利用静态目标上的特征点进行帧间匹配,从而求解相机位姿,提高系统在动态环境下的定位精度。在TUM动态数据集上的实验结果表明,与ORB-SLAM3系统相比,该系统的位姿估计精度提升了80.16%,与DS-SLAM、DVO-SLAM系统等动态SLAM系统相比,该系统在定位精度上有大幅提升,相比使用MASK-RCNN的DynaSLAM系统,在保持相近ATE指标的情况下,该系统具有更高的实时性。     

线特征融合光流的单目SLAM算法

针对移动机器人的定位与建图问题,提出了基于图优化的单目线特征融合光流的同时定位和地图构建(SLAM)的算法。首先,针对主流视觉SLAM算法因采用点作为特征而导致构建的点云地图稀疏、难以准确表达环境结构信息等缺点,采用直线作为特征来构建地图,并采用图优化方法来提高定位精度和地图构建的准确性。然后,针对定位系统的处理速度很难达到实时性要求,将光流法引入以达到实时定位的效果。实验表明,基于线特征的地图构建有较高的建图精度,并且融合算法克服了光流法定位精度差和特征法处理速度慢的缺点,可提供较准确的实时定位输出,并对光照变化和场景纹理较少的情况有一定的鲁棒性。     

基于在线光度标定的半直接视觉SLAM算法

为解决视觉SLAM（同时定位与地图创建）算法依赖图像亮度而对光照变化场景敏感的问题,提出一种基于在线光度标定的半直接视觉SLAM算法。首先,根据相机成像原理,提出基于光度标定的帧间位姿估计方法,在求解位姿的同时对原始的输入图像进行光度校正。其次,在特征追踪环节采取最近共视关键帧匹配策略,以提升特征点匹配效率。最后,对后端重投影迭代优化策略进行改进,降低光照变化对视觉SLAM算法的精度和鲁棒性的影响。在TUM、EuRoC数据集上的实验结果表明,本算法的轨迹估计精度优于LSD-SLAM和SVO 2.0算法,尤其是在中等难度、高难度的数据集序列上。在真实环境测试中,通过对比本算法与激光方法的轨迹估计结果,证明本算法有效提高了传统视觉SLAM方法在光照不均匀场景下的定位精度与鲁棒性。     

基于特征点改进的视觉SLAM定位研究

为改善视觉SLAM(SimultaneousLocalizationandMapping)系统在低纹理环境下定位精度较低的现象,提出一种改进的ORB(OrientedFASTandRotatedBRIEF)特征点提取策略和一种关键帧选择机制;首先采用多尺度分析和基于局部灰度的特征检测方法克服一般ORB算法缺乏尺度和旋转描述的缺点;其次提出一种基于高斯模糊的图像信息增强方法解决传统ORB特征点提取方法在纹理信息不被突出环境下容易失效的问题,并对图像进行象限分割使特征点均匀分布;最后为剔除劣质关键帧,设计了一种综合时间因素与特征点数量因素的关键帧选择机制;将提出的方法移植到ORB_SLAM2上,并在TUM数据集上测试,实验结果表明,视觉SLAM系统的定位误差平均降低14.688%,证实了本文方法的有效性。     

基于点线面特征的无漂移旋转视觉里程计

现有基于点特征的视觉SLAM（simultaneous localization and mapping）算法在弱纹理环境中表现不佳,为此提出了一种基于点线面特征融合的视觉里程计算法,能够在弱纹理环境中实现精准定位。首先基于曼哈顿世界假设下,使用线特征与面特征提取曼哈顿世界坐标系,并将线特征与面特征与坐标系联合;其次为了提升系统定位的准确性,使用了一种无漂移旋转的位姿估计算法,将位姿的旋转与平移分开求解;最后利用结构化的线特征与面特征对位姿与曼哈顿轴进行优化,综合考虑图像中的点线面特征,使得位姿估计的结果更加精确。实验表明,所提算法在TUM与ICL-NUIM数据集中的表现优于目前的其他方法。