張良橋，陳國良，許曉東，連達軍，王 睿

(1. 中國礦業(yè)大學環(huán)境與測繪學院，江蘇 徐州 221116； 2. 中國礦業(yè)大學國土環(huán)境與災害監(jiān)測國家測繪 地理信息局重點實驗室，江蘇 徐州 221116； 3. 蘇州科技大學環(huán)境學院，江蘇 蘇州 215009)

目前室內(nèi)定位技術(shù)主要有視覺導航定位、GPS定位、視覺SLAM定位、超聲波定位、WLAN定位[1]等方法。視覺導航定位技術(shù)圖像處理量比較大，要求計算機具有較高的性能，定位實時性效果較差，同時受光線環(huán)境條件限制大。超聲波導航定位由于超聲波容易受到鏡面反射等因素的影響，無法比較全面地獲取周邊環(huán)境信息。GPS導航定位在室內(nèi)環(huán)境下，接收到的信號弱，存在定位精度低、可靠性不高的問題。WLAN定位樓層定位準確度低，容易受到信號干擾，能耗較大。然而視覺SLAM技術(shù)具有性價比高、應用范圍廣、信息采集豐富等優(yōu)點，逐漸成為室內(nèi)定位技術(shù)的主流方法之一。

時定位與地圖構(gòu)建(simultaneous localization and mapping，SLAM)，也稱為(concurrent mapping and localization，CML)是指一個機器人放入未知環(huán)境中的未知位置，是否有辦法讓機器人在運動的同時描繪周圍的地圖與確定自身位置。視覺SLAM是以相機作為唯一傳感器的SLAM技術(shù)。視覺SLAM根據(jù)采用的相機種類不同可以分為：單目視覺SLAM[2-3](Mono SLAM)、雙目視覺SLAM[4](Binocular SLAM)、RGB-D SLAM[5]3類。這3類視覺SLAM各有優(yōu)劣，單目視覺SLAM應用具有靈活、簡單、價格便宜等優(yōu)點，但是它只能獲得單張相片，不能獲得距離深度信息，而且在應用時需要初始化地圖；雙目視覺SLAM應用廣泛，可以獲得距離深度信息，定位精度高，但是相機標定比較復雜，成本比較高且穩(wěn)健性低；RGB-D SLAM在獲得彩色圖像的同時獲得距離深度信息，但是其成本高，體積大，應用環(huán)境有限。由于在日常生活中，單目相機(手機、平板電腦、筆記本電腦等數(shù)碼電子產(chǎn)品的攝像頭均是單目相機)更常見，且應用靈活簡便、價格便宜，單目視覺SLAM[6]是最常見的視覺SLAM技術(shù)。

單目視覺SLAM流程包括前端和后端兩個部分[7]，前端主要是特征檢測與匹配和運動估計，后端包括后端優(yōu)化和回環(huán)檢測。主要技術(shù)路線如圖1所示。

特征檢測與匹配是SLAM關(guān)鍵步驟之一，檢測匹配結(jié)果直接影響到最終結(jié)果的精度。文獻[8]提出了一種在對象或場景的不同視圖之間提取圖像不變特征的方法，首次提出了尺度不變與特征變換(scale invariant feature transform，SIFT)算法。這種算法能夠保持旋轉(zhuǎn)、尺度縮放不變性，但是算法復雜度較高，計算量較大。文獻[9]首次提出了加速穩(wěn)健性特征(speed-up robust feature，SURF)算法，通過試驗證明了其在效率上的優(yōu)越性，該算法對于光照變化和仿射、透視變換具有較好的穩(wěn)健性，同時具有尺度不變性。文獻[10]于2011年首次提出由Oriented FAST關(guān)鍵點和Rotated BRIEF描述子兩部分組成的ORB方法。ORB方法很少受圖像噪聲影響，可以滿足實時性的要求，計算速度也比SIFT、SURF算法快。

本文從現(xiàn)有方法出發(fā)，對獲得的單目圖像運用不同算法進行提取同名點并進行特征匹配，通過隨機采樣一致性[11](random sample consensus，RANSAC)算法進行噪聲點剔除，求解基礎矩陣，獲得相機位姿。為了更好地體現(xiàn)估計結(jié)果，在算法中采用閾值思想，設置最小特征匹配數(shù)。

1 ORB-SLAM整體流程及算法原理

ORB-SLAM技術(shù)[12]由Mur-Artal R等提出，主要包括跟蹤、建圖和回環(huán)檢測3部分。在整個流程中，通過ORB算法進行特征點檢測與匹配，使用BA(bundle adjustment)非線性迭代優(yōu)化，獲得相機位姿與地圖數(shù)據(jù)。ORB-SLAM整體流程如圖2所示。

1.1 ORB算法

ORB(oriented FAST and rotated BRIEF)算法具有局部不變特征，ORB特征由關(guān)鍵點[13-14](oFAST，oriented FAST)和描述子(BRIEF，binary robust independent elementary feature)兩部分組成。該算法將FAST角點檢測與BRIEF特征描述符進行融合改進，針對FAST算法缺陷，加入了尺度與旋轉(zhuǎn)描述，同時計算了特征點的主方向，對于BRIEF算法，添加了旋轉(zhuǎn)不變性，同時執(zhí)行g(shù)reedy搜索，解決了特征描述子之間相關(guān)性較大的問題。為了更好地提取FAST關(guān)鍵點，本文提出一種設置閾值的FAST檢測方法，如圖3所示?；舅枷胧牵阂粋€像素與周圍像素亮度差別在超過一個閾值T，則該點為關(guān)鍵點。具體關(guān)鍵點檢測方法如下：

(1) 確定檢測范圍：在圖像中選取像素x，設該像素亮度值lx，選取x為圓心半徑為3個像素的圓上16個像素點。

(2) 與閾值大小比較：確定一個閾值T，假設圓上有連續(xù)12個像素點的亮度在lx-T與lx+T之間，該點x確定為特征點。重復上述步驟，直至所有特征點檢測完成。

(3) 非極大值抑制：計算特征點響應值M，x鄰域內(nèi)存在多個關(guān)鍵點時，比較M大小，M最大的保留，其余刪除。

(1)

式中，lxy為x鄰域圓上像素編號(y≤16)。

oFAST利用灰度質(zhì)心法，假設關(guān)鍵點與質(zhì)心之間存在偏移量，該向量可表示關(guān)鍵點主方向。局部區(qū)域中定義階矩

(2)

式中，I(u,v)為像素點(u,v)的灰度值。

圖像質(zhì)心為

(3)

方向角為

(4)

BRIEF是一種特征描述子，需要對圖像進行高斯平滑處理，以關(guān)鍵點為中心，在鄰域內(nèi)挑選n個點對，I(x,y)相互比較灰度值，x>y取1，反之取0，生成n維特征描述符。將n個點對(xi,yi)定義為2×n矩陣

(5)

利用θ對其進行旋轉(zhuǎn)

Sθ=RθS

(6)

式中，Rθ表示角度為θ的旋轉(zhuǎn)矩陣，Sθ為旋轉(zhuǎn)后對應的矩陣。這時BRIEF描述子具備了旋轉(zhuǎn)不變的性質(zhì)。

1.2 回環(huán)檢測

由于幀間估計誤差的存在[15]，機器人在移動過程中不可避免地存在相機位姿誤差漂移，運行時間越長，數(shù)據(jù)量越大漂移量也就越大，即誤差越大。為提高算法穩(wěn)健性，減小試驗誤差，本文采用一種基于關(guān)鍵幀的回環(huán)檢測方法，通過檢測閉環(huán)，建立當前時刻與之前時刻的約束關(guān)系為姿態(tài)優(yōu)化與地圖糾正，實現(xiàn)全局一致性估計。具體方法為：初始化關(guān)鍵幀序列，將第一張圖像作為關(guān)鍵幀添加到關(guān)鍵幀序列幀[16]，設置檢測間隔，處理間隔一定數(shù)量的關(guān)鍵幀，通過RANSAC算法去除噪聲點，計算匹配成功的內(nèi)點inliners，設置閾值，若inliner大于閾值舍棄，否則認為關(guān)鍵幀。關(guān)鍵幀與當前幀作比較，判斷是否形成閉環(huán)，建立約束關(guān)系。

2 試驗設計與分析

2.1 特征檢測與匹配試驗

試驗數(shù)據(jù)與平臺：試驗采用OPPO手機單目相機獲取的圖像數(shù)據(jù)，TUM數(shù)據(jù)中rgbd_dataset_freiburg1_room數(shù)據(jù)集圖像數(shù)據(jù)，Linux系統(tǒng)Ubuntu16.04處理系統(tǒng)。

通過張正友棋盤標定法對攝像頭進行相機標定，標定完成后，在室內(nèi)環(huán)境下采集圖像數(shù)據(jù)。使用開源數(shù)據(jù)集TUM數(shù)據(jù)rgbd_dataset_freiburg1_room數(shù)據(jù)集任意連續(xù)兩幀圖像和手機攝像頭拍攝實驗室室內(nèi)課桌上臺燈圖像，利用SIFT、SURF、ORB進行特征檢測與匹配，兩種來源圖像數(shù)據(jù)3種算法試驗結(jié)果統(tǒng)計見表1、表2，關(guān)鍵點檢測、圖像匹配、篩選后正確匹配結(jié)果如圖4、圖5所示。

表1 rgbd_dataset_freiburg1_room圖像匹配統(tǒng)計結(jié)果

表2 手機拍攝圖像匹配統(tǒng)計結(jié)果

表1和表2給出了不同圖像數(shù)據(jù)源通過SIFT、SURF、ORB 3種算法進行特征檢測與匹配的結(jié)果。試驗證明SURF算法檢測關(guān)鍵點數(shù)量最多且分布密集，SIFT次之，ORB算法關(guān)鍵點分布均勻且數(shù)量較少，正確匹配率高。關(guān)鍵點太多不利于提高算法處理效率與實時性，運用ORB算法計算量較小且匹配精度較其他兩種算法較高，因此ORB算法具有較好的穩(wěn)健性和實用性。

2.2 軌跡跟蹤試驗

采用提供機器人真實軌跡的TUM數(shù)據(jù)中的rgbd_dataset_freiburg1_room數(shù)據(jù)集，數(shù)據(jù)集中提供機器人真實軌跡，通過估計軌跡與真實軌跡對比，能夠清晰地驗證基于圖像特征檢測與匹配的ORB-SLAM算法有效性。試驗結(jié)果如圖6、圖7所示。

圖6和圖7分別描述了運用基于圖像特征檢測技術(shù)的ORB-SLAM算法跟蹤得到的機器人軌跡與真實軌跡，通過計算相對位姿誤差(relative pose error，RPE)為0.144 8 m，可以發(fā)現(xiàn)通過基于圖像特征檢測與匹配技術(shù)的ORB-SLAM算法得到的機器人軌跡基本與真實軌跡重合，滿足一定精度下的工作需求。

3 結(jié) 語

本文運用SIFT、SURF、ORB 3種特征提取匹配算法對不同來源的室內(nèi)圖像進行處理比較，驗證了ORB算法的穩(wěn)健性與實時性?；诖怂惴ǖ膬?yōu)良性質(zhì)提出了一種基于圖像特征提取與檢測的改進ORB-SLAM算法，運用閾值的思想剔除噪聲關(guān)鍵點，在后端工作中引入閉環(huán)檢測策略優(yōu)化位姿獲得較精確的相機軌跡圖。試驗證明，與傳統(tǒng)視覺SLAM軌跡跟蹤算法相比，該算法提高了軌跡跟蹤穩(wěn)定性與精度。