[发明专利]基于单点RANSAC的非线性状态空间中心差分滤波器方法

说明书

本发明提出了一种基于单点RANSAC的非线性状态空间中心差分滤波器方法，其步骤如下：采用相机坐标系为中心框架，设计运动相机系统状态方程和构建相机观测图像特征点观测方程；获取中心差分最优滤波算法的Sigma采样点及其权值，获取第k时刻的系统状态变量及方差矩阵，利用CDKF算法状态预测获得的系统状态变量更新数据，对内点区分为低新息内点和高新息内点集合，根据设定阈值做匹配操作，根据观测残差判断是否把高新息内点添加到内点集合中；获得系统状态变量的全部更新计算，开展CDKF算法的Kalman增益计算。本发明仅仅需要一个点对来实施RANSAC的中心差分滤波计算，计算效能获得明显改善，计算速度快，具备较好的实际应用价值。

技术领域

本发明涉及机器人系统信息处理的技术领域，尤其涉及一种基于单点RANSAC的非线性状态空间中心差分滤波器方法，关于自主移动机器人即时定位与地图构建(VisualSimultaneous Localization And Mapping,VSLAM)问题的一种基于单点随机抽样一致性(Random Sample Consensus,RANSAC)的中心差分滤波器的视觉运动计算方法，可应用于无人机器人定位导航与控制。

背景技术

在计算机视觉SLAM系统中，通常相机采集的相邻视频图像帧之间有足够的重叠区域，那么可以假设相机采集的图像帧与图像帧间存在着一定的相关性，利用图像帧与帧之间的数据关联性，可通过某种方式计算出相机在世界坐标系中的位置以及场景中的地图点坐标。而视觉SLAM系统中的前端视觉里程计所要完成的功能就是要找出图像帧与帧之间数据存在着的关联性，从而计算出相机位姿矩阵，并同时计算出图像像素点对应场景中的地图点在世界坐标系中的坐标数据。一般来说有基于滤波的数据关联算法和基于特征的数据关联算法两种方法。基于滤波的数据关联算法的目标是计算相机运动状态模型，求出相机位姿矩阵和场景地图点坐标，将相机位置和相机方向记为状态矢量，相机运动方向作为控制矢量，场景地图点对应的像素点作为观测量，那么相机当前位置和当前观测的场景结构点必然是由它的初始位置、之前状态矢量和控制矢量决定的，以此迭代计算可以获得相机的运动轨迹，并且重建出场景地图，但是相机运动过程中观测到的数据存在着噪声，可以利用滤波器算法除掉噪声，从而使所计算的位姿和场景结构点数据更加精准。而基于特征的数据关联算法则是通过检测图像特征点找出图像上易于区分的点、线或者块特征，利用特征匹配算法直接找出两幅图像上的对应的特征点对应集合，再由这些对应点对集计算出相机位姿矩阵以及特征点对应的地图点坐标。

在计算机视觉问题中出现了一个用包含噪声与外点数据的模型数据估算问题，也就是在视觉里程计中相机捕获图像的特征点信息匹配问题，在特征点匹配时会出现误匹配操作，这里需要对误匹配点进行剔除操作，一般做法是用含有外点的特征点估计计算出一个符合条件的模型，保留符合该模型的特征点，并计算得到一个最佳模型，这就是随机抽取一致性(Random Sample Consensus,RANSAC)算法，近年来研究人员对其研究改进获得了很多适用于不同场景的RANSAC算法，如N-邻近点取样一致性算法(N-adjacent PointsSample Consensus,NAPSAC)，这种算法利用数据集合中一个类内点与数据集中其他类内点距离比类外点近的原理，优先选择距离较近的样本数据，从而提高算法效率，在数据集为高维并且难以获得内点情况下，NAPSAC算法优势明显，然而这种算法在估计模型中易于退化，且数据集中数据距离过近时模型估计效果很差；还有渐进一致性采样(PROgressiveSample Consensus)PROSAC算法，在采样时根据特征点匹配点对质量进行排序，提高速度，在实际应用中PROSAC算法可以节省大量计算时间，但是在场景中若有过多重复结构时，PROSAC算法不适用；还有基于混合二项式模型的GroupSAC算法，其原理是类内点更加接近，根据其相似性将数据集中的点进行分组，从具有更高类内点比例的最大聚类开始采样，这种算法提高了采样效率，其重点是寻找一种分组方式适用于当前问题，且分组方式不能消耗过多时间来保证实时性；还有人提出了一种极大似然估计的随机一致性算法(MLESAC)算法，它经由设计的极大似然函数实施极大似然估计过程获得特征点对一致性集合，适用于多视角物体的场景应用，其缺点是这种算法假定数据对直接先验概率未知。