买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春工业大学

摘要：一种低纹理环境下基于点线特征的视觉SLAM方法，涉及计算机视觉技术领域。本发明在ORB‑SLAM2系统上进行扩展，提取图像中的点特征和线特征，在普通的线特征基础上筛选出建筑结构线特征，得到点特征和建筑结构线特征；利用点特征和建筑结构线特征进行特征匹配，使用RANSAC算法剔除误匹配对；根据相邻帧推导出的重投影误差模型估计相机位姿；顺次执行后端优化与回环检测线程，从而提高系统在低纹理场景中的稳定性和鲁棒性，最终实现面向低纹理环境下的基于点线特征的视觉SLAM方法。

主权项：1.一种低纹理环境下基于点线特征的视觉SLAM方法，其特征在于，包括如下步骤：步骤1通过提取图像中的点特征和线特征，在普通的线特征基础上筛选出建筑结构线特征，得到点特征和建筑结构线特征；具体过程如下：首先提取图像中的ORB点特征和LSD线特征，并计算特征的二进制描述子，然后在普通的线特征基础上，筛选出符合曼哈顿世界主方向的建筑结构线特征；在线特征筛选阶段，本方法通过消失点计算曼哈顿世界的主导方向，筛选普通线特征中与主导方向一致的结构线特征；在三维立体空间中，一组平行的直线不会相交，或者可以说相交于同一无穷远点，该无穷远点在相机的透视投影作用下可能会在图像平面中成像，成像点称为消失点，一个主导方向上的所有建筑结构线条可以用一个消失点确定方向，将线段中点与每一个消失点分别连接，得到相应的参考直线，若线段与某一条参考直线距离相近，认为这条线段属于此消失点，同时属于此消失点对应的主导方向；采用公式1确定三维空间中的消失点：uTv＝01其中，u表示一个3×N的矩阵，N为直线条数，v表示所求消失点的3×1齐次坐标；步骤2利用点特征和建筑结构线特征进行特征匹配，使用RANSAC算法剔除误匹配对；具体过程如下：利用提取图像的ORB点特征和LSD线特征的描述子，首先使用描述子进行特征匹配，然后在此基础上利用RANSAC算法进行误匹配剔除；RANSAC算法假设数据中包含正确数据和异常数据噪声，同时假设存在可以计算出符合正确数据的模型参数的方法，该算法具有随机性和假设性的特点，随机性体现在根据正确数据出现的概率去随机选取抽样数据，随机性模拟近似的正确结果，假设性体现在假设选取出的抽样数据都是正确数据，用这些数据去计算其他点，得到最好的模型参数；采用公式2计算结构线条在世界坐标系中的方向：η∝RwcK-1v2其中，η为结构线条在世界坐标系中的方向，也是所说主导方向，Rwc为从相机坐标系到世界坐标系的旋转矩阵，K-1为相机内参的逆；采用公式3计算图像中的消失点：vi＝KRcwηi3其中，vi为图像中的消失点，K为相机内参，Rcw为从世界坐标系到相机坐标系的旋转矩阵，ηi为世界坐标系下的主导方向；步骤3根据相邻帧推导出的重投影误差模型估计相机位姿；具体过程如下：综合空间点特征和空间线特征的重投影误差，在此基础上增加建筑结构线特征的重投影误差，可以得到三维空间中所有空间点、空间线和结构线的误差和，利用此误差和求解相机位姿；采用公式4计算帧间重投影误差和： 其中，相机的第k帧位姿为Tcw,k，第k帧观测到的第i个空间点pw,i重投影误差为Epk,i，第k帧观测到第j条空间线Lw,j的重投影误差为Elk,j，第k帧相机维护的姿态为Rk，第k帧相机通过结构化线估计的姿态为Zk，∑p和∑l表示点和线的观测协方差，ρp、ρl、ρs为Huber鲁棒核函数；步骤4顺次执行后端优化与回环检测线程，从而提高系统在低纹理环境下的稳定性和鲁棒性，最终实现面向低纹理环境下基于点线特征的视觉SLAM方法；后端优化包括基于局部地图优化和基于回环检测优化；局部地图的优化首先判断当前帧是否为关键帧，如果是则建立与当前关键帧相关联的局部地图，然后根据局部地图建立图优化模型来优化相机的位姿；基于回环检测优化首先判断当前关键帧是否为回环帧，如果是则根据回环信息构建位姿图优化模型，从而消除相机的累计误差。

全文数据：

权利要求：

百度查询： 长春工业大学 一种低纹理环境下基于点线特征的视觉SLAM方法