程 珉 陳臨強(qiáng) 楊全鑫(杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院 浙江 杭州 310018)

0 引 言

同時(shí)定位與地圖構(gòu)建(Simultaneous Localization and Mapping, SLAM)最早由Smith等[1-2]提出，應(yīng)用于機(jī)器人領(lǐng)域，解決機(jī)器人在未知環(huán)境中隨著移動(dòng)過(guò)程估計(jì)出自身位置以及環(huán)境三維地圖點(diǎn)云的問(wèn)題。隨著技術(shù)的發(fā)展，基于激光雷達(dá)的SLAM算法已趨于成熟，研究熱點(diǎn)逐漸轉(zhuǎn)向基于視覺(jué)的SLAM算法，其中使用單目攝像頭作為傳感器的SLAM是計(jì)算機(jī)視覺(jué)中最突出的挑戰(zhàn)之一，即基于單目視覺(jué)的同時(shí)定位和地圖構(gòu)建算法(Monocular Visual Simultaneous Localization and Mapping, MV-SLAM)。

Davison等[3]提出了第一個(gè)MV-SLAM算法——MonoSLAM，其基于濾波器，計(jì)算量很大，只能處理特征點(diǎn)稀疏的小場(chǎng)景。Klein等[4]提出PTAM，首次將SLAM算法分成跟蹤和建圖兩個(gè)線(xiàn)程并行運(yùn)行，并且是第一個(gè)采用關(guān)鍵幀機(jī)制和非線(xiàn)性?xún)?yōu)化的SLAM算法，極大地降低了算法復(fù)雜度，奠定了MV-SLAM的基礎(chǔ)。PTAM的跟蹤線(xiàn)程基于FAST特征提取與圖像塊搜索匹配，較為耗時(shí)，只能應(yīng)用于室內(nèi)小場(chǎng)景。文獻(xiàn)[5-6]提出了基于直接法的MV-SLAM，其不計(jì)算特征點(diǎn)，而是直接跟蹤圖像像素計(jì)算相機(jī)運(yùn)動(dòng)，對(duì)弱紋理環(huán)境魯棒性好，并且可以構(gòu)建稠密地圖，但是其基于灰度不變假設(shè)，若在光度變化或動(dòng)態(tài)場(chǎng)景會(huì)破壞假設(shè)導(dǎo)致算法失敗。隨著特征點(diǎn)算法的發(fā)展，文獻(xiàn)[7-8]提出了基于PTAM改進(jìn)的ORB-SLAM，采用ORB(Oriented FAST and Rotated BRIEF)[9]特征，匹配特征點(diǎn)只需計(jì)算特征點(diǎn)二進(jìn)制描述子的距離，滿(mǎn)足算法的實(shí)時(shí)性，并加入回環(huán)檢測(cè)線(xiàn)程消除累計(jì)誤差，可以應(yīng)用于室外大場(chǎng)景，是當(dāng)今最具有代表性的MV-SLAM算法之一。而后，針對(duì)基于直接法與特征點(diǎn)法的MV-SLAM的不足，研究者對(duì)其進(jìn)行改進(jìn)，如Piao等[10]提出的AVIO，將移動(dòng)設(shè)備的慣性測(cè)量單元信息融入直接法；Pumarola等[11]提出的PL-SLAM，在點(diǎn)特征的基礎(chǔ)上增加線(xiàn)特征的提取，提高SLAM算法對(duì)點(diǎn)特征缺失場(chǎng)景的魯棒性；針對(duì)動(dòng)態(tài)場(chǎng)景，Bescos等[12]提出了基于深度學(xué)習(xí)的DynaSLAM，檢測(cè)場(chǎng)景中的動(dòng)態(tài)目標(biāo)并進(jìn)行背景修復(fù)。

基于特征點(diǎn)法的MV-SLAM，圍繞著特征點(diǎn)的匹配關(guān)系運(yùn)行，只有提取到的匹配點(diǎn)足夠充足且精確，才能正確地計(jì)算相機(jī)位姿與地圖點(diǎn)世界坐標(biāo)。并且，MV-SLAM首先要進(jìn)行算法的初始化，其極大地依賴(lài)于特征點(diǎn)的匹配精度，而在紋理缺失或重復(fù)的場(chǎng)景，MV-SLAM常常由于無(wú)法獲得足夠的匹配關(guān)系，初始化失敗。

ORB-SLAM采用的BRIEF描述子[13]只簡(jiǎn)單考慮像素灰度信息，丟失了大量紋理信息，通常需要昂貴的后驗(yàn)方法(如RANSAC算法)來(lái)驗(yàn)證匹配，從而增加了整個(gè)過(guò)程的運(yùn)行時(shí)間，甚至，在紋理特殊的場(chǎng)景由于大量誤匹配而使算法無(wú)法運(yùn)行。Yang等[14]提出了局部差分二進(jìn)制(Local Difference Binary, LDB)描述子，綜合考慮特征點(diǎn)周?chē)钠骄叶扰c梯度，但是其不具備旋轉(zhuǎn)和尺度不變性，不適用于需要在真實(shí)世界中運(yùn)行的SLAM算法。因此，為了提高ORB-SLAM算法的適用范圍，本文提出一種考慮圖像塊紋理信息的特征對(duì)其進(jìn)行改進(jìn)。首先在特征提取階段增加特征點(diǎn)鄰域水平與垂直方向的梯度信息來(lái)描述特征。然后根據(jù)內(nèi)點(diǎn)比例(Internal Point Ratio, IPR)與初始化時(shí)間選擇相機(jī)運(yùn)動(dòng)模型算法的迭代次數(shù)。最后從特征點(diǎn)精度與相機(jī)軌跡精度考慮，采用內(nèi)點(diǎn)比例均值(Internal Point Ratio Mean, IPRM)和相機(jī)絕對(duì)軌跡誤差(Absolute Trajectory Error, ATE)作為評(píng)價(jià)標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，與ORB-SLAM相比，改進(jìn)后的算法精度明顯提高，并且在多種弱紋理環(huán)境下成功建圖。

1 ORB-SLAM

1.1 算法流程

ORB-SLAM算法基于ORB特征匹配，分為跟蹤、建圖、回環(huán)檢測(cè)三個(gè)線(xiàn)程并行運(yùn)行。跟蹤線(xiàn)程對(duì)每一個(gè)視頻幀提取ORB特征點(diǎn)，首先進(jìn)行地圖初始化，然后根據(jù)特征點(diǎn)的匹配關(guān)系估計(jì)相機(jī)位姿與地圖點(diǎn)云，并根據(jù)一定規(guī)則決定關(guān)鍵幀；接著，關(guān)鍵幀插入局部建圖線(xiàn)程，構(gòu)造局部地圖并用集束調(diào)整優(yōu)化相機(jī)位姿與地圖點(diǎn)位置；同時(shí)回環(huán)檢測(cè)線(xiàn)程在后端對(duì)每一個(gè)關(guān)鍵幀檢測(cè)回環(huán)以消除累計(jì)誤差。本文主要改進(jìn)該算法的跟蹤線(xiàn)程，其流程如圖1所示。

1.2 ORB特征

ORB特征由FAST角點(diǎn)與BRIEF描述子組成，其計(jì)算速度很快，可以滿(mǎn)足SLAM算法的實(shí)時(shí)性要求。FAST角點(diǎn)提取圖像中比其鄰域大部分像素點(diǎn)灰度值大或者小的像素點(diǎn)，而后BRIEF描述子在提取到的角點(diǎn)鄰域隨機(jī)選取n對(duì)點(diǎn)對(duì)，執(zhí)行二進(jìn)制測(cè)試τ：

(1)

式中：I為點(diǎn)對(duì)(x、y)的灰度值。

將得到的n個(gè)二進(jìn)制編碼相連，這個(gè)二進(jìn)制字符串就是FAST角點(diǎn)的描述子。

2 改進(jìn)的ORB-SLAM

2.1 改進(jìn)的ORB特征

BRIEF描述子只考慮了特征點(diǎn)的灰度信息，因此，特征點(diǎn)不具備很強(qiáng)的獨(dú)特性，導(dǎo)致SLAM算法在特征匹配環(huán)節(jié)存在大量誤匹配從而降低相機(jī)軌跡精度，甚至在弱紋理場(chǎng)景中無(wú)法初始化。為了更好地描述特征點(diǎn)，提取圖像的紋理信息，本文在此基礎(chǔ)上提出一種改進(jìn)的ORB特征，其描述子綜合考慮FAST角點(diǎn)的灰度信息與其鄰域的梯度信息，然后采用文獻(xiàn)[15]的多網(wǎng)格策略捕獲圖像不同空間粒度下的不同模式，并在計(jì)算描述子之前計(jì)算角點(diǎn)的主導(dǎo)方向，將角點(diǎn)鄰域旋轉(zhuǎn)到該方向，使其具有旋轉(zhuǎn)不變性。改進(jìn)的ORB特征算法具體步驟如下。

首先，為輸入視頻幀F(xiàn)(x,y)構(gòu)造高斯金字塔，采用高斯濾波器G(x,y,σi)平滑圖像，逐層增加平滑因子σi的值，獲得金字塔的每一層圖像，以構(gòu)建高斯金字塔Pyri(1≤i≤L)：

Pyri=F(x,y)×G(x,y,σi)=

(2)

式中：L為高斯金字塔層數(shù)。

在每層圖像金字塔上提取FAST角點(diǎn)，使其具有尺度不變性，對(duì)每個(gè)角點(diǎn)修剪以點(diǎn)為中心的N×N圖像塊，采用基于灰度矩的方法計(jì)算每個(gè)圖像塊的主導(dǎo)方向。具體來(lái)說(shuō)，圖像塊的灰度矩定義為：

(3)

式中：I(x,y)是像素(x,y)的灰度值；p、q的值為0或1。

利用圖像塊的灰度矩可得圖像塊的灰度質(zhì)心：

(4)

在大多數(shù)情況下，圖像塊的灰度質(zhì)心偏離其幾何中心。構(gòu)造一個(gè)從幾何中心O到灰度質(zhì)心C的向量OC。那么，圖像塊的主導(dǎo)方向?yàn)椋?/p>

θ=tan-1(m01,m10)

(5)

然后，將圖像塊旋轉(zhuǎn)至特征點(diǎn)的主導(dǎo)方向計(jì)算描述子得到旋轉(zhuǎn)不變性。將圖像塊劃分為n×n個(gè)網(wǎng)格單元，從每個(gè)網(wǎng)格單元提取水平和垂直梯度dx、dy，以及其中心的灰度值I，隨機(jī)提取m對(duì)網(wǎng)格對(duì)，考慮網(wǎng)格對(duì)i、j的梯度值與網(wǎng)格中心灰度值，執(zhí)行二進(jìn)制測(cè)試τ：

(6)

式中：Func()={I,dx、dy}。每對(duì)網(wǎng)格單元分別比較三個(gè)值的大小獲得三位二進(jìn)制字符串。

本文應(yīng)用四級(jí)網(wǎng)格策略(2×2,3×3,4×4,5×5)分別計(jì)算描述子，從而獲得圖像更豐富的紋理信息，將其相連得到一串1 386位的字符串。

最后，采用基于庫(kù)數(shù)據(jù)集[16]訓(xùn)練的256個(gè)位索引，對(duì)該字符串進(jìn)行選擇。將這些選定的位連接起來(lái)，形成一個(gè)32字節(jié)的二進(jìn)制描述符。圖2為改進(jìn)的ORB特征提取的流程。

圖2 改進(jìn)的ORB特征提取流程

對(duì)一組輸入視頻幀分別進(jìn)行兩種特征的提取與匹配，構(gòu)造相同的8層高斯金字塔，采用相同的匹配方式，即根據(jù)上一幀的特征點(diǎn)位置確定當(dāng)前幀的匹配點(diǎn)搜索范圍，然后計(jì)算上一幀特征點(diǎn)與當(dāng)前幀搜索范圍內(nèi)特征點(diǎn)的漢明距離，選擇距離最小與次小的兩個(gè)點(diǎn)，計(jì)算其距離的比率，若小于1則距離最小的點(diǎn)為匹配點(diǎn)。本文定義匹配點(diǎn)的IPR值來(lái)評(píng)價(jià)ORB與改進(jìn)的ORB特征精度。假設(shè)連續(xù)兩幀F(xiàn)1、F2的匹配點(diǎn)為(x1,x2)，個(gè)數(shù)為N，對(duì)于匹配點(diǎn)數(shù)超過(guò)100的連續(xù)幀，隨機(jī)選取200組匹配點(diǎn)用RANSAC算法迭代計(jì)算對(duì)應(yīng)的單應(yīng)矩陣H，每組包含8對(duì)匹配點(diǎn)，計(jì)算出一個(gè)H，然后將當(dāng)前幀所有匹配點(diǎn)通過(guò)H投影到上一幀中計(jì)算重投影誤差E：

E=d(x1,H-1x2)2+d(x2,Hx1)2

(7)

若E小于閾值t，則判斷該特征點(diǎn)為內(nèi)點(diǎn)。假設(shè)內(nèi)點(diǎn)數(shù)為n，由此得出每一個(gè)單應(yīng)矩陣對(duì)應(yīng)的IPR值：

(8)

以圖3為實(shí)驗(yàn)環(huán)境，采用一組視頻幀的IPR值測(cè)試改進(jìn)后的ORB特征點(diǎn)精度，結(jié)果如圖4所示，可知本文算法特征點(diǎn)精度明顯提高。在弱紋理場(chǎng)景，ORB-SLAM常常由于特征稀疏得不到足夠多精確的匹配點(diǎn)，無(wú)法初始化，所以本文采用精度更高的改進(jìn)ORB特征在其跟蹤線(xiàn)程進(jìn)行改進(jìn)，提高ORB-SLAM算法在弱紋理場(chǎng)景的適用性。

圖3 特征點(diǎn)精度對(duì)比實(shí)驗(yàn)環(huán)境

圖4 IPR值對(duì)比

2.2 改進(jìn)的地圖初始化

與以雙目或者深度相機(jī)作為傳感器的SLAM算法不同，MV-SLAM首先要進(jìn)行初始化，獲取一組相機(jī)初始位姿與初始地圖，只有初始化成功，算法才能順利運(yùn)行。具體來(lái)說(shuō)，ORB-SLAM的初始化階段首先對(duì)兩個(gè)連續(xù)幀進(jìn)行特征提取，然后選擇匹配點(diǎn)個(gè)數(shù)大于100的兩個(gè)連續(xù)幀，從中提取200組匹配點(diǎn)采用RANSAC算法與八點(diǎn)法并行地迭代計(jì)算相機(jī)運(yùn)動(dòng)模型，即單應(yīng)矩陣Hcr與本質(zhì)矩陣Fcr：

xc=Hcrxr

(9)

(10)

式中：xc、xr為連續(xù)幀之間的匹配點(diǎn)，選取八對(duì)匹配點(diǎn)即可求解上述公式。

為每個(gè)相機(jī)運(yùn)動(dòng)模型M計(jì)算相應(yīng)得分SM：

(11)

(12)

選出得分最高的兩個(gè)模型,計(jì)算得分比例R:

(13)

式中：SH和SF為兩個(gè)模型對(duì)應(yīng)的得分,若R>0.45,則場(chǎng)景可以近似為一個(gè)平面，選擇模型Hcr，否則，選擇Fcr。

最后，采用奇異值分解從相機(jī)運(yùn)動(dòng)模型恢復(fù)出相機(jī)運(yùn)動(dòng)，即旋轉(zhuǎn)矩陣與平移向量，再通過(guò)三角測(cè)量計(jì)算出特征點(diǎn)的三維坐標(biāo)。由此，便完成了MV-SLAM算法的地圖初始化。

由2.1節(jié)可知，本文在特征提取階段采用了描述子信息更豐富的特征點(diǎn)，匹配精度明顯提高，但是由于特征點(diǎn)計(jì)算復(fù)雜度的提高，使初始化時(shí)間增長(zhǎng)，受益于其更高的匹配精度，本文通過(guò)降低模型選擇算法的RANSAC迭代次數(shù)來(lái)適應(yīng)改進(jìn)后特征計(jì)算的時(shí)間代價(jià)。使用如圖3所示實(shí)驗(yàn)場(chǎng)景測(cè)試不同迭代次數(shù)對(duì)算法的影響，并采用運(yùn)行15次的初始化時(shí)間作為質(zhì)量評(píng)價(jià)。圖5為不同迭代次數(shù)下算法運(yùn)行15次的初始化時(shí)間，并按從小到大排列?？梢钥闯觯?dāng)?shù)螖?shù)為默認(rèn)值200時(shí)，改進(jìn)的ORB-SLAM算法的初始化時(shí)間為4～7 s，較ORB-SLAM明顯增長(zhǎng)；當(dāng)?shù)螖?shù)為175時(shí)，改進(jìn)的ORB-SLAM初始化時(shí)間基本與為200時(shí)相同；當(dāng)?shù)螖?shù)為150時(shí)，改進(jìn)的ORB-SLAM初始化時(shí)間降為0.9～4 s，與迭代次數(shù)為200的ORB-SLAM基本持平；而當(dāng)?shù)螖?shù)為125時(shí)，初始化時(shí)間起伏較大，因?yàn)榈螖?shù)過(guò)少可能會(huì)引起最優(yōu)模型的得分不高，導(dǎo)致三角測(cè)量的誤差較大，無(wú)法恢復(fù)出足夠符合條件的地圖點(diǎn)；當(dāng)ORB-SLAM迭代次數(shù)降為150時(shí)也與此情況相同。各迭代次數(shù)下運(yùn)行15次的模型得分均值如表1所示，其中：A為改進(jìn)的ORB-SLAM算法；B為ORB-SLAM算法?？芍?dāng)?shù)螖?shù)過(guò)少時(shí)，得分有所降低，模型誤差較大，無(wú)法滿(mǎn)足后續(xù)三角測(cè)量的條件，算法將繼續(xù)重新選擇連續(xù)幀進(jìn)行初始化，從而拖慢了初始化時(shí)間。綜上所述，本文選擇150作為改進(jìn)的ORB-SLAM初始化階段模型算法的迭代次數(shù)，使其在提高特征點(diǎn)匹配精度的同時(shí)保證初始化的時(shí)間效率。特別地，ORB-SLAM算法假設(shè)相機(jī)運(yùn)動(dòng)勻速，換句話(huà)說(shuō)，其在成功初始化后不再計(jì)算新的相機(jī)運(yùn)動(dòng)模型，而是使用上一幀的相機(jī)位姿與運(yùn)動(dòng)作為當(dāng)前幀的初始位姿，所以本文僅在初始化階段優(yōu)化模型選擇算法的迭代次數(shù)。

圖5 不同迭代次數(shù)下的初始化時(shí)間對(duì)比

3 實(shí)驗(yàn)與分析

本文分別使用TUM數(shù)據(jù)集[17]與通過(guò)單目攝像頭采集的實(shí)際場(chǎng)景數(shù)據(jù)集，評(píng)估改進(jìn)的ORB-SLAM的相機(jī)軌跡精度與對(duì)紋理缺失或重復(fù)場(chǎng)景的適用性，并與ORB-SLAM進(jìn)行對(duì)比。實(shí)驗(yàn)平臺(tái)為ubuntu14.04，電腦配置為Intel Core i5-3230M CPU，8 GB RAM，主頻為2.60 GHz，未使用GPU加速。

3.1 TUM數(shù)據(jù)集實(shí)驗(yàn)

TUM數(shù)據(jù)集是由Kinect采集的兩個(gè)室內(nèi)場(chǎng)景的36個(gè)圖像序列，每個(gè)數(shù)據(jù)集包含RGB圖像、深度圖像與相機(jī)的真實(shí)軌跡，本文選用其中15個(gè)圖像序列的RGB圖像，評(píng)估改進(jìn)的ORB-SLAM算法的相機(jī)軌跡精度與特征點(diǎn)精度。

3.1.1算法精度測(cè)試

文獻(xiàn)[17]通過(guò)測(cè)量算法估計(jì)相機(jī)軌跡與真實(shí)相機(jī)軌跡之間的絕對(duì)距離來(lái)計(jì)算相機(jī)軌跡精度。本文使用與文獻(xiàn)[17]相同的方法。假設(shè)軌跡序列是時(shí)間同步的，并且都具有長(zhǎng)度n?？梢詫r(shí)間步長(zhǎng)i處的ATE計(jì)算為：

(14)

式中：Xi為算法測(cè)量的相機(jī)軌跡；Yi為真實(shí)相機(jī)軌跡；S為兩個(gè)軌跡對(duì)應(yīng)于最小二乘解的剛體變換。

然后，計(jì)算平移分量所有時(shí)間指數(shù)的均方根誤差(RMSE)，即：

(15)

式中：trans(ATE)是指相對(duì)姿態(tài)誤差A(yù)TEi的平移分量。

表2為改進(jìn)的ORB-SLAM與ORB-SLAM、PL-SLAM、DynaSLAM的RMSE值對(duì)比?？梢钥闯?，相較于ORB-SLAM，改進(jìn)的ORB-SLAM的相機(jī)軌跡精度得到明顯提高。而在某些線(xiàn)特征豐富、點(diǎn)特征缺失的場(chǎng)景，PL-SLAM精度較好，在動(dòng)態(tài)場(chǎng)景則DynaSLAM精度最好。并且在弱紋理場(chǎng)景數(shù)據(jù)集rgbd1_floor與動(dòng)態(tài)場(chǎng)景數(shù)據(jù)集r3_wa_xyz，ORB-SLAM初始化失敗導(dǎo)致系統(tǒng)無(wú)法運(yùn)行，而改進(jìn)的ORB-SLAM成功運(yùn)行。如圖6所示，(a)顯示了一個(gè)紋理缺失的地板場(chǎng)景，特征點(diǎn)稀疏，(b)為ORB-SLAM的當(dāng)前幀，顯示ORB-SLAM雖然提取到了部分FAST角點(diǎn)，依然初始化失敗，而(c)和(d)顯示了改進(jìn)的ORB-SLAM算法在此場(chǎng)景成功建圖，其提取的FAST角點(diǎn)與ORB-SLAM相同，得益于改進(jìn)的考慮圖像塊紋理信息的描述子，算法的特征匹配精度大大提高，從而可以在此弱紋理場(chǎng)景成功初始化，同時(shí)由表2可知，該場(chǎng)景的相機(jī)軌跡誤差也很低。

3.1.2特征點(diǎn)精度測(cè)試

為了進(jìn)一步評(píng)價(jià)特征點(diǎn)，本文定義整個(gè)跟蹤線(xiàn)程中特征匹配的內(nèi)點(diǎn)比例均值IPRM評(píng)價(jià)特征點(diǎn)的精度，即：

(16)

式中：S為RANSAC算法的迭代次數(shù)。

圖7展示了15個(gè)數(shù)據(jù)集跟蹤線(xiàn)程的IPRM值，實(shí)驗(yàn)結(jié)果表明相對(duì)于ORB-SLAM，改進(jìn)的ORB-SLAM的特征點(diǎn)精度更高，更有利于單目SLAM算法的運(yùn)行。

3.1.3平均跟蹤時(shí)間測(cè)試

跟蹤時(shí)間方面，改進(jìn)的ORB-SLAM算法在特征提取階段不僅計(jì)算了特征點(diǎn)的灰度信息，還計(jì)算了其鄰域水平與垂直方向的梯度信息來(lái)描述特征點(diǎn)，所以時(shí)間略有增長(zhǎng)，但避免了大量的誤匹配，使算法精度與對(duì)紋理特殊場(chǎng)景的適用性得以提高。而PL-SLAM由于增加了線(xiàn)特征的提取與匹配，時(shí)間增長(zhǎng)較大；Dynaslam對(duì)場(chǎng)景進(jìn)行動(dòng)態(tài)目標(biāo)檢測(cè)與背景修復(fù)，并且沒(méi)有對(duì)實(shí)時(shí)操作進(jìn)行優(yōu)化，所以沒(méi)有達(dá)到實(shí)時(shí)運(yùn)行。表3為改進(jìn)的ORB-SLAM與ORB-SLAM、PL-SLAM、DynaSLAM的平均跟蹤時(shí)間對(duì)比。

3.2 實(shí)際場(chǎng)景數(shù)據(jù)集

本數(shù)據(jù)集是由手機(jī)內(nèi)置單目攝像頭在室內(nèi)與室外的紋理缺失或重復(fù)場(chǎng)景采集的數(shù)據(jù)，處理為分辨率640×480像素，每秒30幀的圖像序列，評(píng)估改進(jìn)的ORB-SLAM算法對(duì)紋理特殊場(chǎng)景的適用性。

如圖8所示，為兩者在紋理缺失的室內(nèi)小場(chǎng)景的表現(xiàn)，ORB-SLAM無(wú)法提取到足夠的匹配點(diǎn)進(jìn)行初始化，而改進(jìn)的ORB-SLAM可以順利恢復(fù)大量特征點(diǎn)的世界坐標(biāo)構(gòu)建地圖。

圖9-圖10所示為兩者在紋理缺失的室外大場(chǎng)景和紋理重復(fù)的室外小場(chǎng)景的表現(xiàn)，雖然存在大量角點(diǎn)，但由于角點(diǎn)的相似性，ORB-SLAM即使提取到足夠的特征點(diǎn)，也由于大量誤匹配使初始化時(shí)間大幅度增長(zhǎng)，并且在初始化成功后，常常出現(xiàn)跟蹤失敗的現(xiàn)象；而改進(jìn)的ORB-SLAM憑借更高的特征點(diǎn)精度使算法在正常時(shí)間順利初始化從而成功建圖。兩者在三個(gè)場(chǎng)景的特征點(diǎn)精度對(duì)比如表4所示，初始化時(shí)間與跟蹤失敗次數(shù)對(duì)比如表5所示。

圖9 場(chǎng)景2

圖10 場(chǎng)景3

表5 初始化時(shí)間與跟蹤失敗次數(shù)對(duì)比

4 結(jié) 語(yǔ)

針對(duì)基于特征匹配的單目視覺(jué)SLAM算法對(duì)場(chǎng)景紋理敏感的問(wèn)題，本文在ORB-SLAM算法的基礎(chǔ)上提出一種綜合考慮特征點(diǎn)灰度值與其鄰域梯度值的描述子對(duì)其改進(jìn)，并根據(jù)改進(jìn)的特征點(diǎn)精度與相機(jī)運(yùn)動(dòng)模型得分優(yōu)化了模型選擇算法。標(biāo)準(zhǔn)數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，本文算法的相機(jī)軌跡與特征點(diǎn)精度明顯優(yōu)于ORB-SLAM，在某些特征點(diǎn)缺失的弱紋理場(chǎng)景中能夠順利初始化；實(shí)際數(shù)據(jù)集實(shí)驗(yàn)結(jié)果表明，無(wú)論是紋理缺失還是紋理重復(fù)的場(chǎng)景，本文算法都有較高的適用性，并且在提高算法精度的同時(shí)保證了較好的計(jì)算效率。