閻仲伯

【摘 要】里程計是同步定位以及地圖構建重要內容，現(xiàn)階段在機器人領域中是研究的熱點問題。視覺里程計是通過分析視覺信息，獲得運動過程中的軌跡信息，利用視覺傳感器實現(xiàn)處理。而在實踐中其最為主要的問題則就是視覺里程計基于圖像估計相機運動，根據(jù)其是否需要提取特征，是視覺里程計的主要方式，可以實現(xiàn)對光照、動態(tài)物體不敏感是較為成熟的解決方案?；诖耍恼轮饕獙D優(yōu)化的Kinect三維視覺里程計設計進行了簡單的分析，分析了圖優(yōu)化的Kinect三維視覺里程計進行了設計分析，通過特征點提取以及匹配、位姿優(yōu)化、深度圖像關鍵幀選取、基于圖的里程計優(yōu)化、局部回環(huán)檢測等方式對其進行處理，最后通過實驗與結果分析，確定了圖優(yōu)化的Kinect三維視覺里程計的作用，得出了Kinect三維視覺里程計進行凸優(yōu)化處理可以在保障實時性的基礎之上可以降低其產(chǎn)生的誤差，提升結果參數(shù)的精準性的結果。

【關鍵詞】圖優(yōu)化;Kinect;三維視覺里程計;設計分析

中圖分類號： TP391.41文獻標識碼： A文章編號： 2095-2457（2019）33-0134-002

DOI：10.19694/j.cnki.issn2095-2457.2019.33.066

機器人要想實現(xiàn)自主導航，就要對周圍環(huán)境有著一定的認知以及自定位能力。定位以及地圖創(chuàng)建問題是自主移動機器人研究的關鍵內容。視覺里程計主要就是通過分析采集獲得的連續(xù)視覺信息，進行機器人的具體位置以及航向的預測。對此，分析圖優(yōu)化的Kinect三維視覺里程計設計分析，可以為機器人研究提供有效參考。

1 圖優(yōu)化的Kinect三維視覺里程計設計分析

在相機工作空間信息處于不存在的狀態(tài)之下，在視覺里程計的支持之下，構建運動的軌跡信息參數(shù)，通過此種方式進行處理視覺里程計并不會受到惡劣條件產(chǎn)生影響而出現(xiàn)輪滑的問題，其具有較為顯著的優(yōu)勢。視覺里程計多數(shù)狀況之下應用在輪測里程計以及導航系統(tǒng)中，為其提供相關信息參數(shù)。在實踐中，通過視覺里程計可以實現(xiàn)對運動物體軌跡進行計算分析，并且利用數(shù)據(jù)傳感器進行分類處理。

全景相機視野廣泛，在視覺里程計中應用，可以在大規(guī)模的復雜環(huán)境中獲得顯著的效果。而通過慣性測量單元作為單口相機的信息來源，可以為視覺里程計重建機器人三維運動軌跡提供參考。雖然此種方式效果顯著，但是受到傳統(tǒng)相機的影響，多數(shù)方式需要通過額外信息或者特殊的視覺系統(tǒng)配合應用。在進行深度信息數(shù)據(jù)處理中此點是最為關鍵的內容。

2 特征點提取

視覺里程計的設計主要就是通過對前后幀進行對比分析，了解其對應特征點。通過特征點位置變化進行相機位姿計算分析，在處理中關鍵的特征點與對應關系如下：

第一，分析現(xiàn)有幀圖像，如果其特征點較多，則可以在后續(xù)幀的圖像中分析在此幀中提取的特征點，通過跟蹤分析的方式了解其主要特征。第二，利用提取多幀圖像的方式分析其主要特征點，根據(jù)特征點對其進行描述分析，確定相似度，達到匹配特征點目的。

第一種方式主要就是在小范圍的視角中旋移，而第二種則在一些視野變化范圍較大的狀況中應用，其具有良好的魯棒性特征。

現(xiàn)階段，在視覺里程計設計中應用了較多的檢測特征點方式。而綜合特征點穩(wěn)定性以及實時性等因素，對其進行系統(tǒng)分析。通過 SURF 算法作為圖像匹配特征點進行提取算法，進行特征點檢測。

SURF算法中通過興趣點檢測分析，主要就是在Hessian近似矩陣基礎之上實現(xiàn)檢測化的分析處理。通過箱式濾波近似的表示高斯二階濾波，此種方式可以通過積分圖的方式加快計算速度。SURF特征點檢測器的閾值可以利用有效匹配點數(shù)的比例實現(xiàn)控制，通過動態(tài)的方式進行調整。

通過Kinect深度信息進行處理，獲得特征點的深度特診。剔除沒有對應深度值的特征點。在處理中，為了獲得分布相對較為均勻的特征點，可以將圖像分割劃分為80*60的像素小區(qū)域，在每個區(qū)域中要保留15個強度最高的SURF特征點實現(xiàn)有效的分析。

3 特征點匹配

SURF特征點在運行中通過對算子64維向量進行描述分析，在不同的幀間進行匹配，通過對比比較特征點描述算子之間的歐式距離則可以獲得參數(shù)。通過對目標幀圖像中的特征點以及對應在參考幀距離最近的點作為其匹配點。通過對參考幀中的每個特征點中目標真尋找對應匹配點的方式進行處理，通過在兩次匹配中可以成功配對的特征點成為最終匹配點。

分析機器人在運動前后兩幀旋轉的偏移量，通過參考幀圖像選取點匹配對象，將在此特征點圖像位置周邊一定區(qū)域范圍中的特征點作為其主要的候選點，在領域中進行計算分析，可以達到減少匹配計算量的目的，最后通過經(jīng)典隨機采樣一致性的算法提出其存在的誤匹配點。通過圖像處理器進行處理可以提升計算方式，縮短程序運行時間。

4 位姿優(yōu)化

為了獲得精度更高的運動估計，通過非線性最小二乘優(yōu)化算法LM最小化初始位姿內殿進行雙向投影誤差分析。初始位姿中內點個數(shù)在小于某一個閾值的時候會造成參數(shù)過少而無法實現(xiàn)優(yōu)化問題。為了解決此種問題，通過設置一個內點個數(shù)閾值的方式進行處理，將在初始位姿中內點個數(shù)低于閾值的時候，將其匹配成功的點作為優(yōu)化的內點進行處理，則可以有效避免初始位姿誤差較大狀況之下，優(yōu)化步驟無法執(zhí)行的等相關問題。

優(yōu)化過程主要就是通過對優(yōu)化內點兩幀圖像坐標與相機內部參數(shù)的處理優(yōu)化。因為優(yōu)化點式初始位姿模型內點，在實驗中通過迭代五次進行優(yōu)化處理，可以忽略其耗時。然后將投影誤差高于規(guī)定閾值的匹配點在內點中進行剔除處理，然后進行估計值進行優(yōu)化則可以獲得更為精準的結果。

同時，為了有效避免出現(xiàn)小尺度漂移問題，通過關鍵幀技術進行處理，運動估計利用獲得最新獲得的目標幀以及參考幀獲得，如果二者之間具有足夠的匹配內點不改變參考幀;否者在計算完位姿之后將目標幀作為全新的參考幀。此種關鍵幀的方法可以避免出現(xiàn)漂移問題。

5 深度圖像關鍵幀選取

Kinect攝像機幀率約為30Hz左右，如果對每一幀的視覺里程計進行計算較為困難。主要就是因為在每一幀之間的距離過近的時候，等于沒有產(chǎn)生移動，而在距離過遠的時候則無法計算。

對此，只有在攝像機在一定范圍中運動的時候其計算才有意義在特定區(qū)域中的幀則屬于“關鍵幀”。通過 Kinect攝像機容易獲得深度信息的特征，通過光流匹配幀間位姿的方式，通過閾值篩選關鍵幀。

通過分析可以發(fā)現(xiàn)，兩個圖像幀間距過近或者過都不符合實際狀況。只有在適中的狀態(tài)中才可以充分的保障量幀之間的間隔性、關聯(lián)性。而新的圖像幀則會被添加到關鍵幀的序列中。通過實驗分析確定閾值法可以有效的對閾值進行調整，保障結果正確性，在復雜的環(huán)境中應用效果顯著。

6 基于圖的里程計優(yōu)化

計算視覺里程計的就是通過對幀序列的幀間位姿序列進行計算分析?；阪準浇Y構為基礎，通過關鍵幀算法進行計算分析，通過在局部添加回環(huán)以及隨機回環(huán)的方式，可以構造不含路標頂點的關鍵因子圖。

在計算中通過對初始化關鍵幀序列進行分析，通過計算分析估計大小數(shù)值。如果數(shù)值過小或者過大都要劍氣舍棄。計算結果適中意味著其符合要求，將其作為關鍵幀并且將其進入到回環(huán)檢測程序系統(tǒng)中。

7 局部回環(huán)檢測

通過分析新的幀以及初始化關鍵幀序列末尾的關鍵幀分析，其匹配成功，則可以在圖中新增加一條約束邊。

7.1 隨機回環(huán)

通過在初始化關鍵幀中隨機提取幾個幀，通過分析將其匹配新的幀，匹配成功則在圖中添加一條邊。通過此種方式可以使得新幀與前幀進行處理，構建形成一個約束邊，避免幀丟失造成的圖鏈斷裂的問題。

7.2 將新幀放入到初始關鍵幀的末尾

如果存在新的數(shù)據(jù)要進行重新處理，如果沒有新的數(shù)據(jù)產(chǎn)生則圖構造完成。

8 實驗與結果分析

8.1 算法性能評估

算法性能主要就是實現(xiàn)精度以及實時性，對其進行實時性的評估。視覺里程計、通過真實的流程計誤差誤差決定了整體的算法精度就。實時性利用單幀里程計的平均用時進行確定分析。

通過對不同算法的不同標準誤差對比可以發(fā)現(xiàn)，絕對軌跡誤差主要就是對算法估計軌跡與真實軌跡之間誤差進行衡量。而相對姿態(tài)誤差則主要就是衡量位姿的誤差積累程度。

通過分析在不同算法上耗費時間可以發(fā)現(xiàn)，此種算法在不對實時性產(chǎn)生影響的基礎之上，其絕對軌跡誤差以及相對的姿態(tài)誤差顯著提升。

8.2 三維點云圖

在實踐中為了有效的驗證算法性能，可以通過分析處理視覺里程計構建三維場景，通過點云圖進行處理。Kinect相機在應用中利用舉例局限性實現(xiàn)拍攝處理，有所限制，無法獲得遠處的場景圖形，因此無法實現(xiàn)拼接還原處理。

通過Kinect獲取機器人在運行中連續(xù)幀的信息參數(shù)，通過提取匹配目標幀以及參考幀SURF的特征點;綜合深度信息進行優(yōu)化護理，利用非線性最小二乘算法進行優(yōu)化，可以獲得機器人運動軌跡，將Kinect作為視覺傳感器，對其進行視覺里程計算。利用Kinect獲取深度圖像的特征，提出基于深度圖像匹配的關鍵幀選取算法進行處理，可以實現(xiàn)對其進行全局化的優(yōu)化分析，通過分析可以確定，此種方式可以有效的減小里程計誤差，在重建三維場景中應用效果顯著。

9 結束語

Kinect相機具有可以提供深度信息的優(yōu)勢，在視覺領域中應用效果顯著。通過Kinect傳感器進行基于圖優(yōu)化的視覺里程設計分析，通過此種方式進行處理，在保障實時性的基礎之上可以降低其產(chǎn)生的誤差，提升結果參數(shù)的精準性。因此，要加強對基于圖優(yōu)化的Kinect三維視覺里程計設計分析與優(yōu)化研究。

【參考文獻】

[1]張兆博，伍新華，劉剛.基于圖優(yōu)化的Kinect三維視覺里程計設計[J].傳感器與微系統(tǒng)，2019，38（03）：112-115.

[2]胡立志.基于Kinect2的移動機器人實時三維重建與路徑規(guī)劃算法研究[D].

[3]安峰，陳強，查艷芳.Kinect相機的機器人視覺里程計[J].單片機與嵌入式系統(tǒng)應用，2017（09）：70-72.

[4]王龍輝，楊光，尹芳.基于Kinect2.0的三維視覺同步定位與地圖構建[J].中國體視學與圖像分析，2017（03）：24-33.

[5]李純明，尹婕.一種基于kinect相機的人臉三維點云優(yōu)化處理方法：CN107169475A[P].2017.

[6]劉靜雯.基于Kinect的密集視覺里程計SLAM算法研究[D].西安電子科技大學，2016：12-13.