论文部分内容阅读
近年来,随着计算机视觉理论地不断完善和人工智能技术地日益成熟,移动机器人的即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)算法受到了学者们的普遍关注。其中基于ORB(Oriented FAST and Rotated BRIEF)的SLAM系统是目前移动机器人SLAM系统中相对完善、易于使用的系统之一。本文主要针对ORB-SLAM算法中的场景图像预处理、视觉里程计、闭环检测及后端优化问题展开深入分析和研究,以移动机器人为应用背景,提出了一种改进的基于ORB的移动机器人SLAM算法。论文主要研究工作如下:(1)针对场景图像中背景干扰和无效信息问题,采用一种感兴趣区域检测和深度信息融合的场景图像预处理方法。该方法基于多层卷积特征聚合模型(Aggregating Multi-level Convolutional Features,Amulet)的显著性算法检测图像感兴趣区域,并融合深度信息进行优化,从而剔除图像中大量的背景干扰和无效信息,达到降低系统运算量,提高精度的目的。(2)对视觉里程计中ORB算法的特征检测和特征匹配问题,进行了改进和优化。一是针对ORB算法中缺乏尺度不变性的问题,在较大间隔离散化的尺度空间下进行特征检测的方法,实现图像尺度变化场景下的特征检测;二是针对传统的特征暴力匹配方法误差大且无法应用于高维数据的问题,利用多探头局部敏感哈希(Multi-Probe Locality Sensitive Hashing,Multi-Probe LSH)算法优化匹配策略,结合顺序抽样一致性(Progressive Sample Consensus,PROSAC)算法实现更精确地匹配。利用该匹配结果作为迭代最近点(Iterative Closest Point,ICP)算法的初值来提高其迭代效率,同时避免因初值不确定而陷入局部极值,导致运动估计结果错误。(3)针对原始闭环检测算法存在的错误闭环情况,提出一种基于场景图像感兴趣区域的改进闭环检测算法,该算法结合分层加权匹配思想,加强相似性计算,提高闭环的正确率和召回率,以便通过位姿图优化和八叉树建图得到更精准的运动轨迹和更实用的三维稠密环境地图。同时,为了去除图像冗余信息并节省运算时间,对图像帧进行关键帧提取操作,以降低闭环检测的运算量。对比实验结果表明,本文改进的算法有更高的实时性和鲁棒性,可以有效提高SLAM系统的定位精度和运算效率,其所构建的环境地图为后续研究和应用提供良好的基础。