[发明专利]基于室内特征点和结构线结合的室内SLAM方法

说明书

本发明涉及室内特征点和结构线结合的视觉SLAM算法，包括：S1进行相机内参标定；S2针对相机获取的视频帧影像数据，提取特征点和结构线；S3根据获取的特征点和结构线，进行特征点和结构线跟踪，并进行关键帧选取；S4根据获取的特征点和结构线的跟踪信息，进行周围环境空间点和空间线制图以及平台定位优化；S5判断平台运动轨迹是否形成闭环，获取正确的闭环关键帧，对全局的影像姿态和地图进行整体优化；S6输出结果。本发明具有实时性、高效性，利用匹配的特征点和结构线对影像的姿态和周围的环境进行制图，并进行了回环检测处理，在充分利用结构线减少漂移误差的同时，利用回环检测最后可以获取较好地移动机器人平台定位结果和周围环境的结构特征。

技术领域

本发明属于摄影测量与计算机视觉领域，尤其涉及室内特征点和结构线结合的视觉SLAM算法。

背景技术

随着计算机视觉和摄影测量的发展，图优化SLAM(Simultaneous Localizationand Mapping)越来越引起视觉SLAM研究者的注意，其将运动估计和光束法平差引入到了SLAM中来，运动估计是将机器人的位置和周围环境特征当作全局优化问题来求解，通过提取影像上的特征点、结构线等，进行特征跟踪，建立观测误差方程，并通过线性或者非线性优化求解观测误差值最小来计算最优的机器人位置和周围环境特征。早先的运动估计由于在特征提取和匹配以及后续的优化环节耗时太多，无法在线实时完成自身定位和地图构建，只能做离线的姿态优化和三维重建，近些年来，计算机视觉研究者们通过稀疏矩阵、多线程等方法逐渐降低了运算耗时，图优化SLAM技术也能够达到了在线处理。

视觉SLAM所采用的图像特征主要包括图像像素、图像点特征、图像线特征以及面特征等。

其中，基于影像点特征的视觉SLAM技术一直是研究的热点内容，算法比较成熟。基于点特征的SLAM算法利用影像上特征点为基础，能够实时的进行特征跟踪、构图、闭环检测，完成同时定位与制图的全过程，是目前视觉SLAM领域最为领先的算法之一。由于点特征容易受到光照、噪声的干扰，且构建出的三维点地图比较稀疏，无法表达真实的场景结构，在点特征不够丰富的区域，又容易跟踪失败，因此能代表环境结构的线特征和面特征也逐渐引起了研究者们的关注，特别是在人造建筑比较多的区域，比如街道和室内环境等。相比较点特征而言，线特征受环境影响比较小且同时能够更好地表达更高语义的环境信息。因此，基于结构线的SLAM算法也是研究者们的热点研究对象。

由于特征提取和匹配会消耗较多的计算量，因此基于影像像素的视觉SLAM也逐渐引起了研究者们的关注，基于影像像素的视觉SLAM算法直接使用图像灰度信息进行影像跟踪，无需特征提取和描述，直接使用图像的梯度进行跟踪和优化，这在特征较少的区域可以增强视觉SLAM的连续性，但其完全依靠图像像素，对于光照变化较为强烈的区域效果比较差，且仅依靠图像像素梯度，计算得到的定位和构图精度也相对比较低。

发明内容

为了解决上述技术问题，能快速、高效、准确地获取室内移动机器人的实时定位和制图结果，本文提供了一种基于室内特征点和结构线的视觉定位与制图算法。

本发明所采用的技术方案是：基于室内特征点和结构线结合的室内SLAM方法，其特征在于，包括以下步骤：

步骤1，进行相机内参标定，所述相机内参包括相机主点、焦距与畸变系数；

步骤2，针对移动机器人平台上相机获取的视频帧影像数据，提取每一影像帧上的特征点和结构线；

步骤3，根据获取的特征点和结构线，进行特征点和结构线跟踪，并进行关键帧选取，具体包括如下子步骤；

步骤3.1，根据步骤2中获取的特征点，利用特征描述符距离进行特征点跟踪，获取较好的跟踪特征点对；

步骤3.2，根据步骤2中获取的结构线，利用结构线的参数进行结构线跟踪，获取较理想的跟踪结构线对，其中所述结构线的参数包括结构线的中点位置、线的长短、角度方向；