胡衡　任甜甜　 王玉巍　竟靜靜

摘? ?要：目前視覺(jué)傳感器廣泛用于解決移動(dòng)機(jī)器人同步定位與地圖構(gòu)建問(wèn)題，而精確、穩(wěn)定的圖像特征點(diǎn)提取技術(shù)是其中一個(gè)關(guān)鍵技術(shù)。針對(duì)傳統(tǒng)SIFT特征點(diǎn)出現(xiàn)數(shù)目大、分布廣的現(xiàn)象，可利用局部區(qū)域顯著參數(shù)指標(biāo)值來(lái)優(yōu)化場(chǎng)景SIFT特征點(diǎn)的提取，并用于單目EKF-SLM算法中完成系統(tǒng)的SLAM過(guò)程。仿真實(shí)驗(yàn)結(jié)果表明，在未知室內(nèi)結(jié)構(gòu)化場(chǎng)景中，改進(jìn)后特征點(diǎn)的收斂速度更快，信息的不確定性更小，定位精度更高。

關(guān)鍵詞：SIFT? 單目視覺(jué)? EKF? 同步定位與地圖構(gòu)建

中圖分類號(hào)：TP24? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)：1674-098X（2020）03（b）-0103-04

基于單目視覺(jué)的未知場(chǎng)景中移動(dòng)機(jī)器人同步定位與地圖創(chuàng)建（Simultaneous Localization and Mapping，SLAM）方法是實(shí)現(xiàn)機(jī)器人自主導(dǎo)航的重要研究方向之一，而如何確保從單目圖像中所提取環(huán)境特征的準(zhǔn)確性和魯棒性是該方法的難點(diǎn)所在[1-4]。由于SIFT（Scale Invariant Feature Transform）特征點(diǎn)[5]的穩(wěn)定性較好且對(duì)噪聲的敏感度較低，故常采用SIFT特征點(diǎn)作為視覺(jué)SLAM問(wèn)題中描述場(chǎng)景地圖的路標(biāo)，但SIFT算法存在計(jì)算量大、復(fù)雜度高的不足，高實(shí)時(shí)性不易實(shí)現(xiàn)[6-8]。對(duì)此，本文嘗試改進(jìn)已有SIFT特征提取算法以滿足場(chǎng)景特征點(diǎn)數(shù)量和空間分布及重復(fù)觀測(cè)性上的要求，實(shí)現(xiàn)快速構(gòu)建高精度場(chǎng)景地圖的目的。

1? 改進(jìn)SIFT特征提取算法

SIFT提取算法的基本過(guò)程包括：先從高斯差分尺度空間中獲取極值點(diǎn)，然后精準(zhǔn)定位關(guān)鍵點(diǎn)并確定主方向，最終形成對(duì)應(yīng)的特征描述子[9-10]。為了更好地描述場(chǎng)景周圍的狀況，需要在已有SIFT算法基礎(chǔ)上對(duì)所提取的路標(biāo)特征的總數(shù)和空間分布進(jìn)行適當(dāng)優(yōu)化。基于此，本文從統(tǒng)計(jì)特性角度提出了一種改進(jìn)SIFT特征提取方法，它根據(jù)區(qū)域的顯著參數(shù)指標(biāo)值來(lái)獲取數(shù)目穩(wěn)定且分布合理的場(chǎng)景特征，不僅能夠達(dá)到EKF收斂要求而且滿足描述場(chǎng)景所需的精度，其具體步驟如下。

（1）提取當(dāng)前幀中的SIFT特征。

其中，是場(chǎng)景圖像中特征點(diǎn)的實(shí)際觀測(cè)值，是單位陣。

只要確定了和的狀態(tài)結(jié)果，場(chǎng)景地圖就能夠直觀地描述。若檢測(cè)出新特征，則按照2.1節(jié)和2.2節(jié)中的方式得到其狀態(tài)與方差，并增廣到系統(tǒng)全狀態(tài)估計(jì)向量中即可。

3? ?SLAM系統(tǒng)仿真結(jié)果與分析

選取對(duì)象為實(shí)驗(yàn)室內(nèi)某處場(chǎng)景，手持單目相機(jī)在小范圍內(nèi)緩慢平滑移動(dòng)，采用改進(jìn)SIFT特征提取算法獲取多幀圖像序列中的特征開(kāi)展EKF-SLAM離線仿真過(guò)程。如圖2（c）結(jié)果所示，在24幀時(shí)場(chǎng)景特征的位置估計(jì)誤差已收斂到一定范圍里。伴隨著EKF迭代總數(shù)的增加，特征信息的不確定性將不斷縮小，最終趨于估計(jì)值附近，如圖2（d）第109幀時(shí)結(jié)果所示。

場(chǎng)景特征的距離估計(jì)誤差值對(duì)SLAM過(guò)程中地圖創(chuàng)建精度的影響非常明顯。圖3顯示了第24幀和第109幀時(shí)對(duì)應(yīng)SLAM過(guò)程中場(chǎng)景特征在、方向上估計(jì)誤差的變化情況。結(jié)果顯示，基于改進(jìn)SIFT特征提取的單目SLAM系統(tǒng)在第109幀時(shí)所有場(chǎng)景特征在、方向上的估計(jì)誤差值由第24幀時(shí)的6.21cm下降至1.72cm以內(nèi)。該誤差值相對(duì)于所選用的實(shí)驗(yàn)場(chǎng)景空間尺度而言是可以忽略的，而造成該誤差的主要原因是實(shí)驗(yàn)設(shè)備測(cè)量精度有限且實(shí)驗(yàn)場(chǎng)景較為復(fù)雜。

4? 結(jié)語(yǔ)

本文提出了一種基于改進(jìn)SIFT特征的單目EKF-SLAM方法并進(jìn)行了仿真實(shí)現(xiàn)?？梢钥闯?，采用基于區(qū)域顯著參數(shù)指標(biāo)值的SIFT特征提取算法能夠使所獲取的場(chǎng)景特征既滿足數(shù)目有限的要求同時(shí)又表現(xiàn)出很好的空間分布特性。這些改進(jìn)不但有助于加快單目SLAM系統(tǒng)的收斂速度，同時(shí)也便于更精準(zhǔn)地構(gòu)建出場(chǎng)景地圖。實(shí)驗(yàn)仿真效果較為理想，表明了此方法能夠在單目視覺(jué)條件下較好地實(shí)現(xiàn)室內(nèi)靜態(tài)結(jié)構(gòu)化場(chǎng)景的地圖構(gòu)建目的，既節(jié)約了成本又滿足了精度。

參考文獻(xiàn)

[1] 楊雪夢(mèng)，姚敏茹，曹凱.移動(dòng)機(jī)器人SLAM關(guān)鍵問(wèn)題和解決方法綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2018（7）：1-10.

[2] 邸凱昌，萬(wàn)文輝，趙紅穎，等.視覺(jué)SLAM技術(shù)的進(jìn)展與應(yīng)用[J].測(cè)繪學(xué)報(bào)，2018（6）：770-779.

[3] 朱凱，劉華峰，夏青元.基于單目視覺(jué)的同時(shí)定位與建圖算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2018（1）：1-6.

[4] 劉浩敏，章國(guó)鋒，鮑虎軍.基于單目視覺(jué)的同時(shí)定位與地圖構(gòu)建方法綜述[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2016（6）：855-868.

[5] Lowe D. Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision，2004，60（2）：91-110.

[6] 胡為，劉興雨.基于改進(jìn)SIFT算法的單目SLAM圖像匹配方法[J].光電與控制，2019，26（5）：7-13.

[7] 翟雨微.基于改進(jìn)的SIFT圖像匹配算法研究[D].吉林大學(xué)，2017.

[8] 梁超，王亮，劉云紅.基于擴(kuò)展卡爾曼濾波的實(shí)時(shí)視覺(jué)SLAM算法[J].計(jì)算機(jī)工程，2013，39（8）：231-234.

[9] 屈有佳.基于SIFT特征的關(guān)鍵幀提取算法研究[D].北京交通大學(xué)，2015.

[10]滕日.基于SIFT的局部不變特征研究[D].中國(guó)科學(xué)院研究生院，2016.

[11]王丹.室內(nèi)移動(dòng)機(jī)器人單目視覺(jué)定位與建圖算法研究及實(shí)現(xiàn)[D].中國(guó)科學(xué)技術(shù)大學(xué)，2019.

[12]李月華，朱世強(qiáng)，于亦奇.工廠環(huán)境下改進(jìn)的視覺(jué)SLAM算法[J].機(jī)器人，2019（1）：95-103.

[13]Montiel A.D.J，Civera J. Unified Inverse Depth Parametrization for Monocular Slam[C].In Robotics Science and Systems Conference，2006.

[14]李帥鑫，李廣云，周陽(yáng)林，等.改進(jìn)的單目視覺(jué)實(shí)時(shí)定位與測(cè)圖方法[J].儀器儀表學(xué)報(bào)，2017，38（11）：2849-2857.

[15]李策，魏豪左，盧冰，等.基于深度視覺(jué)的SLAM算法研究與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2017（4）：1062-1066.

[16]薛永勝，王姮，張華，等.EKF-SLAM算法的改進(jìn)及其在Turtlebot的實(shí)現(xiàn)[J].西南科技大學(xué)學(xué)報(bào)，2015（1）：54-59.