[发明专利]单目视觉和IMU融合的自适应室内定位方法

说明书

本发明涉及单目视觉和IMU融合的自适应室内定位方法，包含以下步骤：采集IMU的加速度和角速度以此来确定载体的运动模式；若载体处于慢速运动模式，对图像采用基于视觉SIFT特征点匹配算法得到相邻两帧图像中目标的偏移量；若载体处于快速运动模式，对图像采用基于视觉的稀疏光流算法得到相邻两帧图像中目标的偏移量；若载体处于超快速运动模式，采用基于IMU的扩展卡尔曼滤波算法得到目标的位置；本发明方法既能保证定位的精度，也能极大减少计算量，可广泛应用于行人的室内定位。

技术领域

本发明涉及计算机视觉技术和信息融合技术，具体是一种面向多运动模式的单目视觉和IMU融合的自适应室内定位方法。

背景技术

室内定位方法可用于视觉障碍人群的室内导航、商场内消费者的购物引导、机器人自主运动估计等领域。现有的主流室内定位方法包括基于惯性的定位方法、基于可穿戴相机的定位方法、基于Wi-Fi的定位方法等。但已有的方法过于依赖基础设施而无法应用于未知环境下的行人定位。随着MEMS(Micro-Electro-Mechanical System微机电系统)传感器的成本越来越低、体积越来越小，出现了加速计、陀螺仪和磁力计集成的IMU。IMU优势在于不依赖于某个特定的基础条件，也不受视线的限制；然而，1)方向估测容易受本地磁场的影响，而地球磁场却容易受到周围电子产品或者是铁制材料的影响；2)位置和方向测量是根据集成的双惯性传感器获得的，该方法在长时间对行人进行跟踪的时候会产生低频漂移以及错误积累的问题，无法对行人位置进行准确的定量评估。上述两个缺点阻碍了IMU在室内定位的推广应用。

为了克服IMU的局限性，大量学者提出了利用可穿戴的摄像机对IMU的漂移进行补偿，通过采集摄像机对周围环境的观测图像序列，得到基于视觉的位置估计值，再通过卡尔曼滤波的方法与IMU进行融合，从而实现更为准确的位置估计。然而这一补偿方法在图像处理过程中存在相邻帧特征点匹配耗时或者匹配数量不足的问题，大大制约了运算速度和计算精度。为此，有学者提出多状态约束的扩展卡尔曼滤波(Multi-State ConstraintKalman Filter,MSCKF)算法，用IMU采集的加速度和角速度来传播模型中的状态向量，再用单目视觉方法得到的观测值来更新状态向量。然而，MSCKF算法利用单目视觉解算出的位置估计存在尺度缺失的问题。还有学者为了解决尺度缺失问题，提出基于关键帧选择的双目视觉和IMU融合的优化方法。该方法采用双目摄像头，利用基线三角化的方法解决了尺度缺失的问题；该算法将视频序列关键帧的特征点引入到状态模型中，再逐步边缘化时间间隔较长的图像特征点序列，以保证实时状态向量估计的可行性。然而该算法运算量大，难以应用在计算资源受限的视觉IMU平台上。

针对上述视觉惯性融合的室内定位方法存在的问题，本发明提出一种基于自适应运动模式的单目视觉和IMU融合的自适应室内定位方法。

发明内容

本发明提出一种面向多运动模式的单目视觉和IMU(Inertial MeasurementUnit，IMU)融合的自适应室内定位方法。

本发明采用的技术方案如下：单目视觉和IMU融合的自适应室内定位方法，包含以下步骤：

步骤1：采集IMU的加速度和角速度确定载体的运动模式；

步骤2：若载体处于慢速运动模式，对采集的图像采用基于视觉SIFT特征点匹配算法得到相邻两帧图像间的偏移量，以此来确认目标的位置；

若载体处于快速运动模式，对采集的图像采用基于视觉的稀疏光流算法得到相邻两帧图像间的偏移量，以此来确认目标的位置；

若载体处于超快速运动模式，采用基于IMU的扩展卡尔曼滤波算法得到目标的位置。

所述确定载体的运动模式包括以下步骤：