[发明专利]用于户外离线导航系统的改进ORB-SLAM算法

说明书

本发明公开了用于户外离线导航系统的改进ORB‑SLAM算法，在FAST算法中，阈值T所代表的就是在提取特征点是其与周围邻域的点的最小对比度，也是其所能消除噪声的最大限量。阈值T所选取的值直接影响了特征点提取的精准度。阈值T越大，所提取的特征点也就越少，阈值T越小，选取的特征点也就越多。在原有的FAST‑12算法中采用的固定阈值T的方法虽然在计算量上进行了一定的减少，但因为阈值T是固定的，所以当我们在野外进行拍照完后，图像中很可能存在阴影，光照不强，突发噪声等客观因素，不能很好的使得阈值T的选取能随着全局图像灰度以及噪声的变化而变化。

技术领域

本发明属于ORB-SLAM算法领域，涉及用于户外离线导航系统的改进ORB-SLAM算法。

背景技术

随着无人驾驶，无人勘探，AR/VR的应用日渐增多。在户外实时制图应用中，对于存在图像误匹配的问题，需要对固定阈值T灵活性不足进行改进，而对于制图时间过长的问题，则需要通过提高粗提取效率，优化拉普拉斯响应值计算；如何优化ORB-SLAM，并更有效地应用ORB-SLAM成了一个需解决的问题。在ORB-SLAM中的ORB算法包括特征点提取和特征描述两个步骤，其中最主要是特征点提取，传统的OFAST算法在提取特征点时采用固定阈值T选取算法来快速地排除一部分非特征点，以去除特征点噪声。而传统的多尺度Harris角点检测则采用逐一比较法来进行拉普拉斯响应值筛选，从而得到满足空间位置和尺度空间的特征点。

基于熵和独特性得角点检测算法使用一种处理灰度图像的算法，它利用自适应阈值T选取算法，可直接利用图像灰度进行低层次图像处理，并且具有处理速度快等特点，但其在强高斯噪声和椒盐噪声环境下，检测效果较差。一种改进的基于Harris的角点检测方法提出了第一种角点检测算法，通过计算图像移动的灰度变化情况，对图像灰度进行一阶导数估算自相关矩阵来得出特征值，使Moravec算子具有了旋转不变性和光照不变性。但Harris角点检测算法仅对图像进行一次高斯平滑，没有解决单一尺度问题，对噪声的抗性也不足。虽然后期的高斯尺度空间与Harris角点检测算法的结合解决了尺度不变性问题，同时达到了去噪的效果，但却大大增加了运算时间。

发明内容

本发明的目的在于：提供了用于户外离线导航系统的改进ORB-SLAM算法，解决了目前室外应用的ORB-SLAM中特征点提取过程主要采用固定阈值T选取算法和多尺度Harris角点检测，存在效率低，精度不高等问题。

本发明采用的技术方案如下：

用于户外离线导航系统的改进ORB-SLAM算法，包括以下步骤，

S1：OFAST粗提取，在图像上选取点为(x0，y0)，以(x0，y0)为中心取矩形区域，定义随全局图像变化而变化的阈值T，如式(1)所示：

其中，k为比例系数、k值范围为2.5-5时，为所求选取区域内各点灰度值与区域内平均灰度值的方差，m(x₀,y₀)为区域内平均灰度值；

在FAST算法中，阈值T所代表的就是在提取特征点是其与周围邻域的点的最小对比度，也是其所能消除噪声的最大限量。阈值T所选取的值直接影响了特征点提取的精准度。阈值T越大，所提取的特征点也就越少，阈值T越小，选取的特征点也就越少。在原有的FAST-12算法中采用的固定阈值T的方法虽然在计算量上进行了一定的减少，但因为阈值T是固定的，所以当我们在野外进行拍照完后，图像中很可能存在阴影，关照不强，突发噪声等客观因素，不能很好的使得阈值T的选取能随着全局图像灰度以及噪声的影响而随之变化。在本发明中提出了采用动态设置阈值T的方法对特征点进行提取。阈值T的选取能随着局部不同特征点所具有的不同情况，得出一个对于特征点提取最适宜的阈值T，以使得提取的特征点更加精确。