论文部分内容阅读
随着近些年人工智能技术的发展,在各种复杂的工业应用中,机器人从原先的协助人类进行一些简单工作,越来越多地开始转向自主完成某些复杂任务。为了赋予工业机器人更强自主性和智能性,解决其在室内复杂未知场景中特别是低光照场景下的定位与建图问题,本文通过RGB-D相机将视觉SLAM(Simultaneous Localization and Mapping,同时定位与地图构建)技术应用于室内场景的三维重建中。提出了改进的Gamma校正算法,以优化低光场景下基于特征点法的位姿估计效果,并将SLAM算法流程拆解成位姿估计、后端优化以及回环检测三大部分进行改进和优化。经验证,本文所提出的算法在低光场景下表现优越,并对于室内场景实现了很好的三维重建效果。其具体内容如下:首先,根据课题所要研究的内容,选择了在室内场景下重建效率更高的RGB-D相机进行研究,并通过参数对比最终选用了微软的Kinect V2相机作为主要实验设备。为了提高相机获取图像信息的精度,基于张正友的棋盘格标定法,对其内参和畸变系数以及彩色和深度相机的配准进行了重新标定。接着,设计并改进了基于RGB-D SLAM的重建方案:先是基于特征点法的位姿估计,对主流的特征提取和匹配算法进行了对比和分析;之后,为消除累积误差,筛选出一些关键帧并进行位姿图优化;另外,对基于随机关键帧和基于词袋模型的回环检测方法分别进行了对比分析。随后,提出了一种结合了图像平均灰度值和经验值的自适应Gamma校正算法,其先对相机在低光场景下实时采集到的图像求出其灰度均值,并依此调节Gamma校正的数值,使其适应不同程度的低光场景。经过对比验证,该算法在不同程度的低光环境中,相较于几种经典的图像暗部细节增强算法,不论是从特征匹配的精度还是对于视觉重建算法的适用性上都有更好的表现。最后,设计了针对典型室内场景的三维重建实验,通过对比选择了ORB特征和FLANN的匹配方法进行初步的运动估计,并基于词袋模型对相机进行回环检测。验证了本文各算法在实际进行三维重建时的有效性,最终完成了基于RGB-D相机对室内场景的三维重建。