[发明专利]一种ORB-SLAM算法中图像匹配相关性改进方法

说明书

本发明公开了一种ORB‑SLAM算法中图像匹配相关性改进方法，首先对提取的关键帧进行降采样处理，以提高数据处理速度。然后利用关键帧间的共视关系，使用对极几何原理，计算关键帧之间的对应极线，并使用逆深度高斯方法估计极线取值范围。最后进行去均值NCC匹配。本发明的有益效果在于，针对半稠密ORB‑SLAM算法得到的半稠密地图中特征点误匹配较多的问题，在半稠密ORB‑SLAM极线搜索匹配中，加入去均值NCC，增强特征点匹配的准确性。该方法适用于各种复杂的大场景环境，具有更高的定位精度和实时性。经实验验证，本发明算法在室内定位精度最小可达到2mm，定位精度与原作者相比较，平均提高了7％，实时性也有所提高。

技术领域

本发明属于计算机视觉领域，特别是一种ORB-SLAM算法中图像匹配相关性改进方法。

背景技术

由于图像具有获得环境信息更加丰富，并且其采集设备体积较小、便于硬件集成、成本低等优势，同时随着人工智能的兴起，计算机视觉成为发展人工智能必不可缺的关键技术之一。由于计算机硬件的不断发展，视觉信息的处理也越来越接近实时化，利用视觉信息进行实时的定位和地图构建在提高信息获取量的同时也极大的降低了智能产品的价格。目前利用计算机视觉技术进行无人驾驶的定位、导航、自动泊车、虚拟现实、增强现实等已成为广大研究人员的研究的热点。其中基于视觉的实时定位和地图构建(SimultaneousLocalization And Mapping，SLAM)是定位、导航和自动泊车等的关键技术之一。

在视觉SLAM领域中，按照安装的视觉传感器的数目，视觉SLAM可分为单目视觉SLAM、双目视觉SLAM等。在双目视觉SLAM中，由于两个摄像头之间的距离即基线和角度是固定不变的，根据立体几何关系很容易得到3D信息。但是单目视觉没有固定基线，在立体匹配上要进行更复杂的处理才能得到图像3D信息。但相对于双目视觉SLAM，单目视觉SLAM可以在获取双目一半的数据中完成实时定位和地图构建，可降低SLAM对计算机内存的要求，并且针对一些特殊用途的小型设备，单目更利于集成。

在单目视觉SLAM方法中，西班牙萨拉戈萨大学博士Raulmur等人在2015年提出ORB-SLAM(Oriented Brief SLAM)算法是目前解决单目视觉SLAM的最佳方案。他发表的“ORB-SLAM:A Versatile and Accurate Monocular SLAM System，in IEEE Transactionson Robotics，vol.31，no.5，pp.1147-1163，Oct.2015”文章，被评为2015年IEEE最佳年度论文。之后，Raulmur等人在论文“Probabulistic Semi-Dense Mapping from HighlyAccurate Feature-Based Monocular SLAM”中进一步增加了半稠密地图构建的线程，获得环境信息更加丰富的三维地图。但是基于概率的半稠密ORB-SLAM在极线搜索和极线上像素匹配过程中，只采用单个像素进行比较，会导致匹配误差较大，从而在构建出的地图中会存在很多误匹配的噪点。本发明针对原始算法存在的图像匹配相关性的不足问题，提出了一种改进ORB-SLAM算法图像匹配的方法，降低图像匹配的同时，提高了整个算法的定位精度和实时性，使得半稠密ORB-SLAM算法能够更好的应用在复杂大场景实时定位和地图构建上。

发明内容

为了改进现有半稠密ORB-SLAM算法在极线搜索上特征点匹配较低的不足并提高半稠密ORB-SLAM的定位精度，本发明提出了一种ORB-SLAM算法中图像匹配相关性改进方法。

实现本发明目的的技术方案如下：

一种ORB-SLAM算法中图像匹配相关性改进方法，包括