论文部分内容阅读
相机定位与场景重建是计算机视觉与机器人领域的研究热点问题。基于视觉的相机定位与场景重建在遇到运动模糊、低纹理或者闭环误检等问题时,常会出现无法工作或精度下降等情况。针对这类现象,本文开展了以下三个方面的研究:(1)本文提出了一种结合惯性测量单元(Inertial Measurement Unit,IMU)的双目视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)算法。该算法首先对双目图像序列提取并匹配ORB特征,接着通过最小化点特征的投影误差估计相机位姿,并且在遇到运动模糊图像时利用IMU参数估计相机位姿,使得算法能够获得连续可靠的相机位姿。该算法在EuRoC MAV数据集上进行了仿真。实验结果表明,该算法能够获得连续完整的相机轨迹,实现可靠定位。(2)本文提出了一种基于点线特征的双目视觉SLAM算法。该算法对双目图像序列提取并匹配旋转不变性FAST与BRIEF(Oriented FAST and Rotated BRIEF,ORB)点特征和线段提取与线带描述(Line Segment Detector-Line Band Descriptor,LSD-LBD)线段特征,通过最小化点线特征的投影误差来估计相机位姿,并且使用点线特征的局部捆集调整(Bundle Adjustment,BA)以优化关键帧的相机位姿和特征的3D坐标,最终使得算法在低纹理场景下仍能进行可靠的相机定位。该算法在KITTI、EuRoC MAV以及it3f数据集上进行了仿真。实验结果表明,该算法能够在低纹理场景下获得较高精度相机轨迹,并且改善场景重建的效果。(3)本文提出了一种基于点线特征闭环优化的双目视觉SLAM算法。该算法分别计算两个图像帧之间点特征和线段特征的相似性分数并进行加权,并且利用点特征和线段特征计算关键帧之间的相对位姿,使得视觉SLAM算法在闭环优化时也能够综合利用点线特征。该算法在KITTI以及it3f数据集上进行了仿真。实验结果表明,该算法能有效解决闭环误检的问题,从而提高相机定位的精度,改善场景重建的效果。