劉 軍，柴宏旭，趙 威

(蘭州理工大學(xué) 機(jī)械電子工程學(xué)院，甘肅 蘭州 730050)

0 引 言

近年來，隨著自動化水平的提高，智能機(jī)器人已經(jīng)成為生產(chǎn)生活中的一部分，如掃地機(jī)器人、無人機(jī)等。無人設(shè)備在未知環(huán)境下執(zhí)行任務(wù)可通過自身攜帶的傳感器獲取環(huán)境信息從而完成構(gòu)建導(dǎo)航地圖、路徑規(guī)劃等相關(guān)任務(wù)。而視覺傳感器不僅能獲得豐富的圖像信息，且具有質(zhì)量輕、價格低、體積小等優(yōu)勢，在機(jī)器人導(dǎo)航方面得到了廣泛應(yīng)用。

視覺里程計(visual odometry，VO)是智能機(jī)器人同步定位與地圖構(gòu)建(simultaneous localization and mapping，SLAM)的關(guān)鍵技術(shù)之一[1-2]，可實(shí)現(xiàn)移動機(jī)器人在未知環(huán)境下的自主定位，為環(huán)境地圖模型的建立與機(jī)器人導(dǎo)航提供位置信息。該技術(shù)起源于二十世紀(jì)八十年代，自2004年David Nister發(fā)表了一篇以視覺里程計為標(biāo)題的論文[3]，并于同年成功應(yīng)用于美國國家航空航天局(NASA)主導(dǎo)的火星漫游者勇氣號和機(jī)遇號上后，掀起了新一輪的研究高潮。經(jīng)過眾多學(xué)者的努力，當(dāng)前其主流技術(shù)主要發(fā)展為三大類：直接法[4-5]、特征點(diǎn)法[6-7]、半直接法[8]。較典型且已開源的A.J.Davison所提MonoSLAM方案的視覺里程計技術(shù)[5]即屬于直接法，其技術(shù)特點(diǎn)是直接通過計算像素灰度值的差異來確定相機(jī)運(yùn)動。但直接法在過程中非常容易丟失特征點(diǎn)從而導(dǎo)致相機(jī)定位失敗。特征點(diǎn)法主要基于特征點(diǎn)進(jìn)行圖像匹配，相比于直接法更穩(wěn)定。較典型的如2015年Raul Mur-Artal所提出的ORB-SLAM[7]，以O(shè)RB特征點(diǎn)貫穿于系統(tǒng)的特征處理、匹配、回環(huán)檢測等方面，在全局優(yōu)化基礎(chǔ)之上可以獲得較準(zhǔn)確、全局一致的相機(jī)運(yùn)動軌跡。半直接法將特征點(diǎn)法和直接法相結(jié)合，在關(guān)鍵幀中提取特征點(diǎn)，但在普通幀上通過計算灰度值差異進(jìn)行特征跟蹤，如文獻(xiàn)[8]等。該技術(shù)雖具有較快的單幀處理速率以及良好的實(shí)時性，但在定位精度以及魯棒性上存在不足之處。

上述視覺里程計方案主要基于2D圖像模型，因此容易受到環(huán)境因素的影響，如相機(jī)旋轉(zhuǎn)、圖像模糊、弱紋理區(qū)域等等，易導(dǎo)致定位失敗，因而難以處理復(fù)雜環(huán)境或難以滿足復(fù)雜任務(wù)要求場景的建模要求。而深度相機(jī)近年來得到了廣泛關(guān)注與應(yīng)用[9]，其除圖像信息之外也提供深度信息，可較好地彌補(bǔ)和解決上述問題[10]。目前基于深度相機(jī)的視覺里程計有兩種技術(shù)模型：一種為3D-2D點(diǎn)位姿求解，如PnP(perspective-n-point)模型，通過已知三維空間點(diǎn)和圖像中所對應(yīng)投影點(diǎn)的位置關(guān)系來估計相機(jī)位姿；另一種為3D-3D點(diǎn)云位姿求解，即通過在不同坐標(biāo)系下觀測到的同一三維空間點(diǎn)集信息來估計相機(jī)位姿，例如Besl、Mckay等人[11]提出的迭代最近點(diǎn)算法等，其算法是基于四元數(shù)來定義相機(jī)位置，從測量點(diǎn)確定其對應(yīng)就近點(diǎn)的點(diǎn)集后，通過構(gòu)建代價函數(shù)(cost function)進(jìn)行迭代計算，直至達(dá)到允許誤差從而結(jié)束迭代過程。因此，為提高處理效率，許多學(xué)者結(jié)合深度相機(jī)的特點(diǎn)提出了諸多改進(jìn)算法，例如，Siemiatkowska等人在2D圖像上提取特征點(diǎn)進(jìn)行粗配準(zhǔn)，然后將粗配準(zhǔn)得到的變換矩陣作為精配準(zhǔn)的初始值，通過改進(jìn)算法初始值的方式減小迭代次數(shù)以提高效率[12]。Ji H等人提出了一種ColorICP算法，利用三維點(diǎn)的顏色信息，在尋找最近點(diǎn)的時候，只在顏色相近的區(qū)域?qū)ふ易罱c(diǎn)作為匹配點(diǎn)，可有效減少計算量，提高匹配效率[13]。其他圍繞提高計算效率方面的努力如文獻(xiàn)[14-16]等，但上述改進(jìn)要么效率提升有限，要么往往都以犧牲精度為代價，存在不同的技術(shù)缺陷，如光照變化影響大、空間旋轉(zhuǎn)尺度難以保證等等，很難兼顧精度與效率，在此不再一一贅述。

基于此，為兼顧精度與效率，受文獻(xiàn)[17]啟發(fā)，該文提出了一種新的視覺里程計技術(shù)。該技術(shù)將SURF特征點(diǎn)提取方式與FREAK描述子相結(jié)合，在粗配準(zhǔn)確定特征點(diǎn)時，為保證精度，采納SURF特征點(diǎn)提取方式以保持空間尺度不變性，同時采用FREAK描述子，即以先行檢查前128位描述信息而非對全部描述信息進(jìn)行檢查的方式提高檢查效率。同時在精配準(zhǔn)時，在概率與統(tǒng)計學(xué)意義下，不同于傳統(tǒng)采納歐氏距離對特征點(diǎn)距離進(jìn)行度量的方式，而是結(jié)合實(shí)際情況將所有特征點(diǎn)的位置誤差也引入到距離函數(shù)中，即提出了一種歐氏、馬氏距離相混合的距離函數(shù)對特征點(diǎn)距離進(jìn)行度量，該種方式更符合實(shí)際情況，既有效度量了特征點(diǎn)的概率位置，也考慮了其位置方差的影響；并且，為進(jìn)一步增強(qiáng)特征點(diǎn)空間位置準(zhǔn)確性與降低視覺里程計累計誤差，在精匹配后采用卡爾曼濾波對特征點(diǎn)空間位置進(jìn)行更新，以提高特征點(diǎn)位置與相機(jī)位姿精度。尤其不同于傳統(tǒng)視覺里程計技術(shù)僅給出相機(jī)概率位置期望，該文在上述改進(jìn)的基礎(chǔ)上，給出了相機(jī)位置的方差計算公式。標(biāo)準(zhǔn)數(shù)據(jù)集測試實(shí)驗(yàn)表明，該技術(shù)能有效兼顧實(shí)時性和準(zhǔn)確性，并能較好地對相機(jī)運(yùn)動軌跡進(jìn)行估計。

1 視覺里程計問題描述

視覺里程計是通過視覺方式還原出相機(jī)運(yùn)動軌跡。該文在考慮視覺深度信息誤差的基礎(chǔ)之上，提出了一種新型視覺里程計技術(shù)，以解決當(dāng)前基于深度相機(jī)的視覺里程計技術(shù)在小型自主移動設(shè)備上使用時的精度與效率協(xié)調(diào)問題。通過對相機(jī)采集到的圖像進(jìn)行處理，計算出相機(jī)每一時刻運(yùn)動位姿，即公式(1)，從而構(gòu)建出相機(jī)運(yùn)動軌跡。

令世界坐標(biāo)系(用上標(biāo)w表示)是一個固定的參照坐標(biāo)用來描述相機(jī)和物體的位置；相機(jī)坐標(biāo)系(用上標(biāo)c表示)是相機(jī)視角下建立的坐標(biāo)系；像素坐標(biāo)(u,v)是在相機(jī)采集的圖像上建立的二維坐標(biāo)。相機(jī)初始位姿坐標(biāo)定義為世界坐標(biāo)，相機(jī)坐標(biāo)后續(xù)不斷變化。相機(jī)間后續(xù)位姿變化用一個4×4的變換矩陣表示：

(1)

每一時刻在不同位姿處，空間特征點(diǎn)與相機(jī)特征點(diǎn)的轉(zhuǎn)換關(guān)系通過公式(2)呈現(xiàn)。設(shè)相機(jī)坐標(biāo)系下的特征點(diǎn)為PC，采集圖像投影點(diǎn)為p，像素坐標(biāo)記為ui，此坐標(biāo)可由變換矩陣T轉(zhuǎn)換到世界坐標(biāo)系下：

(2)

2 一種融合SURF-FREAK特征點(diǎn)誤差模型視覺里程計技術(shù)

傳統(tǒng)的視覺里程計建立圖像噪聲擾動模型，但未考慮Kinetic相機(jī)采集深度數(shù)據(jù)時存在噪聲，會導(dǎo)致深度值d存在誤差，對位姿估計的準(zhǔn)確性有較大的影響，甚至?xí)?dǎo)致機(jī)器定位失敗。因此，受文獻(xiàn)[17]啟發(fā)，該文在其基礎(chǔ)上采取高斯誤差模型描述Kinect深度值的誤差；并且為了快速獲得準(zhǔn)確的相機(jī)位姿，先行通過圖像配準(zhǔn)環(huán)節(jié)進(jìn)行粗配準(zhǔn)，為后續(xù)精配準(zhǔn)環(huán)節(jié)提供初始值，減少精配準(zhǔn)目標(biāo)函數(shù)迭代次數(shù)，提高效率。

2.1 基于SURF-FREAK圖像特征匹配

在粗配準(zhǔn)環(huán)節(jié)，該文結(jié)合SURF特征點(diǎn)提取方式和FREAK描述信息的優(yōu)勢，提高特征點(diǎn)準(zhǔn)確性和效率。相較于傳統(tǒng)的FAST提取方式，因通過不同尺度的盒式濾波(box filter，BF)與圖像卷積構(gòu)建出多尺度空間，在圖像中穩(wěn)定的特征點(diǎn)進(jìn)行檢測篩選；并且SURF特征點(diǎn)描述子在匹配時計算量大，結(jié)合FREAK描述子通過二進(jìn)制描述符，以先行匹配128位描述信息而非對全部描述信息進(jìn)行檢查的方式提高檢查效率。

2.1.1 SURF特征提取

SURF特征檢測是通過計算Hessian矩陣行列式，以局部曲率極大值來檢測特征點(diǎn)的區(qū)域，并通過盒式濾波(box filter)構(gòu)建多尺度空間，對特征點(diǎn)和原始圖像做卷積，進(jìn)行不同尺度空間的極值檢測，從而生成圖像穩(wěn)定的邊緣點(diǎn)(突變點(diǎn))，用于特征點(diǎn)提取，使其具備多尺度不變性。經(jīng)過Hessian矩陣處理的每個像素點(diǎn)與其圖像域和尺度域的所有相鄰點(diǎn)進(jìn)行比較尋找極值點(diǎn)，再通過盒式濾波器構(gòu)建多尺度空間，濾除掉不具備多尺度不變性的極值點(diǎn)，篩選出最終穩(wěn)定的特征點(diǎn)。傳統(tǒng)SURF特征點(diǎn)在匹配時，建立特征點(diǎn)主方向，通過在特征點(diǎn)周圍選取一個正方形框，框的邊長為20倍特征點(diǎn)像素大小。然后將該框平分為16個子區(qū)域，在每個子區(qū)域計算25個像素的水平方向和垂直方向的haar小波特征，并對水平方向和垂直方向計算絕對值之和，構(gòu)造描述向量。以此作為圖像特征區(qū)域描述信息，對圖像進(jìn)行匹配。

SURF特征點(diǎn)匹配如圖1所示。

圖1 SURF特征點(diǎn)匹配

SURF特征點(diǎn)可以通過提高閾值來提高匹配準(zhǔn)確性，但SURF特征需要計算每個尺寸的haar小波響應(yīng)，計算量較大；此外圖像配準(zhǔn)時，通過計算特征點(diǎn)周圍描述向量間的歐氏距離，確定特征點(diǎn)匹配度。SURF特征點(diǎn)描述子雖然精度高，但存在計算量大、效率低等問題?；诖?，該文通過FREAK二進(jìn)制描述代替SURF特征描述的方式來提高效率。

2.1.2 FREAK描述子及匹配

圖像通過SURF完成特征提取，通過二進(jìn)制描述符FREAK描述子代替SURF描述子，以降低計算量，提高效率。相較于SURF特征描述子，一方面通過二進(jìn)制編碼來代替haar小波響應(yīng)，以提高運(yùn)算速度；另一方面FREAK描述子模擬人眼，根據(jù)采樣點(diǎn)與特征點(diǎn)的距離遠(yuǎn)近，采用了不同大小的高斯核函數(shù)進(jìn)行平滑處理，通過重疊的感受野，可以獲得更多的信息，使最終的描述符更具獨(dú)特性和可辨識性。

圖2 FREAK描述子

FREAK描述子[18]是通過模擬人眼視網(wǎng)膜對特征點(diǎn)周圍的圖像信息進(jìn)行處理。如圖2(a)所示，人眼的視網(wǎng)膜根據(jù)感光細(xì)胞的密度分成了三個區(qū)域，即中央凹(fovea)、旁中央凹(parafoveal)、周邊區(qū)(perifoveal)。fovea區(qū)域感光細(xì)胞密度大，能夠獲得較高的分辨率，主要用于細(xì)節(jié)識別；perifoveal區(qū)域感光細(xì)胞密度較少可獲得低分辨率的圖像，可用于輪廓識別。FREAK描述子就是借鑒了人類視覺分區(qū)獲取信息而提出的一種算法，F(xiàn)REAK描述子采樣像素分布在多個同心圓，采樣像素的分布是按照指數(shù)形式的分布密度分布的，越接近同心圓的分布密度越大，如圖2(b)所示。

二進(jìn)制編碼FREAK特征描述算法，編碼過程見公式(3):

(3)

最終，根據(jù)計算得到了512 bit的二進(jìn)制描述符，該描述符的列是方差由高到低的排列，而高方差表征了模糊信息，低方差表征了細(xì)節(jié)信息。因此，選取前128 bit即16 bytes進(jìn)行匹配，若兩個待匹配的特征點(diǎn)前16 bytes距離小于設(shè)定的閾值，則再用剩余的比特位進(jìn)行匹配。第一步匹配可以剔除掉90%的不相關(guān)匹配點(diǎn)，很大程度上提高了匹配的速度。通過融合SURF-FREAK特征提取描述算法，對室內(nèi)區(qū)域進(jìn)行環(huán)境匹配，如圖3所示。

圖3 SURF-FREAK圖像匹配

至此相機(jī)通過圖像匹配技術(shù)完成粗匹配，結(jié)合圖像間對極幾何約束預(yù)估相機(jī)初始位姿，為后續(xù)精匹配環(huán)節(jié)提供了一個較好的初值，有效縮短了迭代次數(shù)，降低了計算復(fù)雜度。

2.2 基于高斯分布的特征點(diǎn)云幀間配準(zhǔn)模型

傳統(tǒng)的視覺里程計只考慮圖像噪聲擾動模型，但未考慮RGB-D相機(jī)采集深度數(shù)據(jù)時存在噪聲，導(dǎo)致深度值d存在誤差，對位姿估計的準(zhǔn)確性有較大的影響。因此，該文采取高斯誤差模型描述RGB-D相機(jī)深度采集圖像的誤差，以便更好地估計相機(jī)的位姿變化。由于深度相機(jī)采集的數(shù)據(jù)存在噪聲，會導(dǎo)致像素坐標(biāo)(u,v)及深度值d存在誤差，現(xiàn)作如下假設(shè)：

(1)u、v相互獨(dú)立，且服從正態(tài)分布，即u～N(μu,σu)，v～N(μv,σv)；

(2)相機(jī)相鄰時刻觀測值相互獨(dú)立；

(3)同一時刻圖像提取不同特征點(diǎn)相互獨(dú)立；

像素(u,v)處z的均值和方差為：

i∈[μu-1,μu+1],j∈[μv-1,μv+1]

(4)

空間點(diǎn)P(x,y,z)的位置期望為：

μ=(μx,μy,μz)T

(5)

且μz滿足協(xié)方差矩陣，可表示為：

(6)

將圖像特征點(diǎn)誤差模型通過高斯表達(dá)，位置期望μ表示特征點(diǎn)位置理想情況，而協(xié)方差矩陣表達(dá)特征點(diǎn)位置在期望附近分布模型。在精配準(zhǔn)環(huán)節(jié)，通過建立累積誤差模型，并對其優(yōu)化降低協(xié)方差矩陣數(shù)值，提高位置準(zhǔn)確性。

3 點(diǎn)云圖像幀間精配準(zhǔn)模型

本節(jié)根據(jù)圖像局部特征匹配為精配準(zhǔn)環(huán)節(jié)中ICP算法提供初值，結(jié)合RGB-D相機(jī)圖像高斯誤差模型，改進(jìn)傳統(tǒng)ICP算法的距離函數(shù)，構(gòu)建出新型的ICP算法目標(biāo)函數(shù)，并推導(dǎo)出相機(jī)運(yùn)動位置的期望和協(xié)方差。

3.1 ICP算法幀間配準(zhǔn)計算

首先，將已配準(zhǔn)特征點(diǎn)帶入ICP模型計算。使用特征描述向量x，匹配到新一幀與歷史模型集中的相似特征點(diǎn)，進(jìn)行狀態(tài)估計。

該文結(jié)合2.2節(jié)世界坐標(biāo)系下特征點(diǎn)位置方差的描述，引入Kinect相機(jī)位姿方差，使其局部特征點(diǎn)位置不確定性模型具有更加完整的描述：

(7)

然后，將相鄰關(guān)鍵幀的特征匹配點(diǎn)集帶入ICP算法進(jìn)行配準(zhǔn)。其中ICP匹配算法中的傳統(tǒng)歐氏距離不能體現(xiàn)特征點(diǎn)位置的空間方差，而馬氏距離是一種有效計算相互匹配的未知樣本集合之間的相似度計算方法。用馬氏距離作為ICP算法配準(zhǔn)準(zhǔn)則時，對微小的擾動非常敏感，會夸大擾動或誤匹配帶來的影響，且缺乏描述空間距離的幾何意義和直觀性。因此，ICP算法的配準(zhǔn)特征點(diǎn)之間的距離函數(shù)為：

(8)

其中，

3.2 視覺里程計累計誤差優(yōu)化模型

根據(jù)公式(8)，構(gòu)造世界坐標(biāo)系下相機(jī)位姿累計誤差模型，并求出最優(yōu)的相機(jī)位置期望及協(xié)方差。

設(shè)當(dāng)前場景和模型集中參與ICP配準(zhǔn)的特征點(diǎn)一共為n對，其中k時刻的第i個特征點(diǎn)的位置期望和協(xié)方差矩陣分別用μPi,k、ΣPi,k表示。

根據(jù)ICP算法，相機(jī)位置期望μPi,k應(yīng)滿足：

(9)

通過對上式用μtk求偏導(dǎo)，計算期望極值點(diǎn)：

(10)

整理可得，相機(jī)位置期望μtk應(yīng)滿足：

(11)

根據(jù)協(xié)方差的定義，相機(jī)位置協(xié)方差陣Σtk應(yīng)滿足：

Σtk=E[(tk-μtk)(tk-μtk)T]

(12)

(13)

3.3 基于EKF的特征點(diǎn)位置一致化更新

考慮到觀測噪聲的存在，采用卡爾曼濾波更新特征點(diǎn)空間位置的一致性，降低視覺里程計的累計誤差。首先，k-1時刻W坐標(biāo)系下的坐標(biāo)表示k時刻特征點(diǎn)位置的預(yù)測值，即：

(14)

(15)

當(dāng)用以表示特征點(diǎn)空間位置誤差的協(xié)方差矩陣較小時，可以用式(16)對相機(jī)位姿的期望及協(xié)方差進(jìn)行近似，相對于原式(11)、(13)一定程度上降低了算法的運(yùn)算量：

(16)

至此，通過公式(16)可以得到相機(jī)當(dāng)前時刻的位置期望及協(xié)方差，通過記錄每一時刻相機(jī)位置期望，可以得到相機(jī)運(yùn)動軌跡。

4 實(shí)驗(yàn)與分析

實(shí)驗(yàn)軟硬件配置如下：

深度相機(jī)：Kinect v2；

計算機(jī)硬件配置：AMD A8處理器，3.0 GHz主頻，不使用GPU加速，4 G內(nèi)存；

計算機(jī)系統(tǒng)為Ubuntu16.04，運(yùn)行平臺ROS kinetic。

為了驗(yàn)證算法的有效性和可對比性，采用TUM標(biāo)準(zhǔn)數(shù)據(jù)集，通過對辦公桌前相機(jī)簡單平行運(yùn)動frg1_xyz數(shù)據(jù)集在保證精度的基礎(chǔ)上測試算法實(shí)時性；此外在復(fù)雜室內(nèi)辦公室場景frg1_room數(shù)據(jù)集測試其準(zhǔn)確性。同時作為比較，使用基于非線性PnP模型BA算法、基于SVD-ICP算法作為對比。

4.1 算法實(shí)時性測試

測試數(shù)據(jù)集frg1_xyz，主要用于程序?qū)崟r性測試?；诖?，該數(shù)據(jù)集將著重測試程序?qū)崟r性，其中真實(shí)軌跡與估計軌跡對比見圖4，非線性PnP-BA算法、SVD-ICP算法與文中算法的實(shí)時性對比見圖5，表1記錄了不同算法下的誤差數(shù)據(jù)。

圖4 真實(shí)軌跡與估計軌跡對比

圖5 不同算法實(shí)時性圖像

表1 不同算法誤差 mm

從圖4可以看出真實(shí)軌跡與估計軌跡的誤差情況，相機(jī)在做直線運(yùn)動的情況下，沒有產(chǎn)生誤差，但在旋轉(zhuǎn)過程中產(chǎn)生少許誤差。圖5所展示的是不同算法處理采集圖像所使用的時間，PNP-BA模型算法處理精度最高但時間最慢，原因是PNP-BA算法采用了全局非線性優(yōu)化，通過構(gòu)造全局誤差模型并對其優(yōu)化，降低了整體誤差；文中算法通過圖像匹配技術(shù)結(jié)合對極幾何約束提供初值，相較于SVD-ICP算法不但提高了精度而且縮短了時間。可以代替ICP算法在輕量級設(shè)備上計算相機(jī)運(yùn)動軌跡。表1中數(shù)據(jù)表明，文中方法誤差不超25 mm，雖然PNP-BA算法誤差很小，但是實(shí)時性較差，對處理器有較高的要求，不適用于小型化設(shè)備。

4.2 準(zhǔn)確性對比實(shí)驗(yàn)

使用測試數(shù)據(jù)集frg1_room，對文中算法進(jìn)行測試。文中算法真實(shí)軌跡與估計軌跡對比見圖6，SVD-ICP算法真實(shí)軌跡與估計軌跡對比見圖7，表2記錄了不同算法模型下的誤差。

圖6 文中算法真實(shí)軌跡與估計軌跡對比

圖7 SVD-ICP算法真實(shí)軌跡與估計軌跡對比

表2 算法誤差對比 mm

用TUM的測試數(shù)據(jù)集frg1_room，測試室內(nèi)環(huán)境下相機(jī)定位準(zhǔn)確性。從圖6可以看出，在相機(jī)進(jìn)行直線運(yùn)動時產(chǎn)生的誤差較小，但當(dāng)相機(jī)出現(xiàn)旋轉(zhuǎn)運(yùn)動時會出現(xiàn)一定的誤差，因?yàn)樾D(zhuǎn)運(yùn)動時相機(jī)采集的圖像信息會發(fā)生劇烈的變化，所提取的特征點(diǎn)會有一部分失效，此時深度圖像估計運(yùn)動軌跡比重增大，所以程序主要的誤差都是從相機(jī)旋轉(zhuǎn)運(yùn)動中產(chǎn)生。

相較于SVD-ICP算法，圖7展示的真實(shí)軌跡與估計軌跡存在較大差異，一方面SVD-ICP算法未對其建立高斯分布的特征點(diǎn)誤差模型，會存在深度圖的噪音干擾；另一方面，文中設(shè)計的距離函數(shù)，既有效度量了特征點(diǎn)的概率位置，也考慮了其位置方差的影響，因而提高了軌跡精度。表2可以通過數(shù)據(jù)展示不同算法估計軌跡產(chǎn)生的誤差值，其中室內(nèi)環(huán)境下相機(jī)定位誤差不超過30 mm。文中算法可以滿足相機(jī)定位精度和實(shí)時性需求，能夠較好地實(shí)現(xiàn)嵌入式機(jī)器視覺定位的需求。

5 結(jié)束語

視覺里程計作為SLAM重要環(huán)節(jié)之一，對減少機(jī)器運(yùn)動軌跡誤差、提高地圖精度至關(guān)重要。該文提出一種基于FREAK-SURF特征點(diǎn)深度誤差視覺里程計算法，旨在輕量級設(shè)備滿足實(shí)時性要求的基礎(chǔ)上提高相機(jī)運(yùn)動軌跡精度，為構(gòu)造地圖提供準(zhǔn)確的位置信息。首先，融合SURF特征提取算法和FREAK描述子完成特征匹配，提高匹配效率；其次，ICP配準(zhǔn)環(huán)節(jié)設(shè)計出一種新型的距離代價函數(shù)，融合馬氏距離和歐氏距離的特點(diǎn)；然后，根據(jù)特征點(diǎn)和相機(jī)空間位置誤差模型，建立視覺里程計累計誤差并通過擴(kuò)展卡爾曼濾波器優(yōu)化。對比實(shí)驗(yàn)表明，該算法在實(shí)時性上強(qiáng)于非線性PNP模型BA優(yōu)化算法和SVD-ICP算法，在精度上高于傳統(tǒng)的SVD-ICP算法。