论文部分内容阅读
随着科学技术、计算机运算速度和传感器技术的快速发展，移动机器人的自主化和智能化技术也得到了飞速的发展。机器人的任务之一是对目标进行识别与定位，视觉传感器因其具有信息量大的优点在移动机器人中得到了广泛应用。为了实现移动机器人的自主化，环境地图构建和自主定位是两个最基本的问题。在未知的环境中，移动机器人需要用自身携带的传感器去感知周围的环境信息，通过观测环境，递增式构建环境地图，并利用地图信息来实现机器人的自主定位，即同时定位与地图构建（Simultaneous Localization and Mapping, SLAM）。视觉传感器相对于声纳与激光测距仪，具有价格便宜、体积小、通用性高等优点，并且感知的环境信息更加丰富，因而在移动机器人中的应用越来越广泛。本文主要针对单目视觉SLAM进行研究，单目视觉SLAM相对于立体视觉SLAM和全方位视觉SLAM来说，具有计算简单、适用范围广等优点，并且可以与里程计进行结合，实现对周围环境信息的三维测量，使用灵活而且畸变小。图像特征点的提取是单目视觉SLAM的重要步骤，要求检测方法具有快速性和鲁棒性。本文提出一种PCA-SURF（Principal ComponentAnalysis-Speeded UpRobust Feature）的特征提取算法，该算法具有计算量小、几何畸变性好、鲁棒性高等优点。在提取特征点时，采用提取一定量随机特征的方法，使得特征均匀的分布在图像中，减少了图像匹配的计算量，加快了匹配速度。利用1点随机采样一致性RANSAC（Random Sample Consensus）算法来消除错误的匹配点。本文进一步介绍了基于扩展卡尔曼滤波器（EKF）的单目视觉SLAM系统结构，综合PCA-SURF算法以及地图特征的逆深度参数化以及1点RANSAC算法，综合设计了实验，在实验室未知非结构化条件下验证了单目视觉SLAM算法的有效性。经实验验证，相比于快速Harris角点的单目视觉SLAM算法，基于PCA-SURF的单目视觉SLAM算法具有更强的稳健性，实时处理效果好，能够精确定位摄像机，并实时构建单目视觉SLAM系统。