[发明专利]一种基于滑动窗口的SLAM局部实时重定位方法

说明书

本发明公开了一种基于滑动窗口的SLAM局部实时重定位方法，通过维护一个固定大小的滑动窗口，使用Laplacian算子计算图像的归一化清晰度，在保证图像清晰度的前提下将通过关键帧筛选的图像送入滑动窗口中，并基于感知哈希算子融合灰度直方图计算对应图像的相似性描述算子。当视觉前端由于相机的运动模糊或镜头遮挡导致跟踪中断后，在现存的滑动窗口中选择与当前最新帧最相似的一帧作为重定位候选帧；通过再次匹配，将候选帧基于补充视觉约束实现局部实时重定位。通过该方法可以避免依赖于回环检测和校正模块的计算延迟，有效快速地解决相机在局部晃动或遮挡工况下的失去定位能力的问题，适用于运动状态不稳定的移动定位设备。

技术领域

本发明属于视觉同时定位与地图构建领域，涉及计算机视觉与非线性优化理论，可用于机器人定位导航以及虚拟现实、增强现实等场景。

背景技术

SLAM(Simultaneous Localization and Mapping)即同步定位与地图构建技术，指的是搭载特定的传感器(视觉、激光、超声波等)，在没有环境先验信息的情况下，通过主动对环境进行探索建立环境模型，同时估计自身的位姿和运动状态的技术。目前的SLAM技术根据用来获取外界信息的传感器类型的不同大体可以分为激光雷达和视觉方案。随着计算机视觉的发展，研究人员发现依靠视觉传感器的视觉SLAM更加符合人类观察和感知世界的习惯，同时也能获得更加丰富的纹理信息。同时，由于单一的某种传感器的缺陷，近年来，多传感器融合的SLAM方案——视觉惯性融合方案成为了研究和应用的热点。

在基于视觉传感器的SLAM方案中，相比于基于特征点和特征描述子匹配的视觉跟踪方法，基于KLT(Kanade–Lucas–Tomasi Feature Tracker)的光流跟踪更加快速和方便，同时也不需要花费额外的时间进行特征描述子的提取和匹配。尽管光流容易受到光照条件变化等影响，但是目前已经可以通过光度标定技术以及自适应的光照适应光流法得到解决。然而此外，KLT方案的一个缺点也正是在于不具备特征描述子，因此在由于相机剧烈运动或者镜头遮挡导致的跟踪中断后，即使图像恢复清晰后，新的特征点无法与历史的特征点形成关联，从而无法为系统提供有效的视觉约束。

目前在主流的视觉SLAM问题中，该问题一般需要通过重定位来解决。但是目前的重定位技术依赖回环检测，对轨迹的校正具有迟滞性，无法保证绝对的实时。此外，错误的初始实时位姿估计，也有可能影响最终回环校正的精度。

发明内容

为了解决上述在基于光流的视觉前端发生中断后导致新输入的图像无法实时提供有效的视觉约束，最终降低实时定位输出精度的问题，本发明提出了一种基于滑动窗口的SLAM局部实时重定位方法。

本发明是通过下述技术方案来实现的。

本发明提供了一种基于滑动窗口的SLAM局部实时重定位方法，包括：

提取和跟踪图像特征；

计算图像的清晰度和描述图像相似性；

通过Laplacian算子计算的候选帧的图像清晰度，动态维护一个固定大小的滑动窗口；

筛选图像的关键帧；

基于感知哈希算子融合灰度直方图的图像相似性，在现存的滑动窗口中选择与当前最新帧最相似的一帧作为重定位候选帧；

通过再次匹配，将候选帧基于补充视觉约束实现局部实时重定位。

作为优选，提取和跟踪相机的图像特征，包括：

检查是否存在从上一帧成功跟踪到当前帧的特征点，如果有n个点，则将成功跟踪到的n个点对应的id值的跟踪次数加1；

基于随机抽样一致性方法剔除错误匹配的外点，并更新n的数值；