[发明专利]视觉里程计方法、装置和计算机可读存储介质

说明书

提供了用于估计目标状态的视觉里程计方法、装置和计算机可读存储介质。该方法可以包括：获得待估计目标姿态的第一数量的当前帧、就在该当前帧中的第一帧之前的已经进行了姿态估计的第二数量的历史帧、以及就在该当前帧中的最后一帧之后的一个后续帧；根据所述历史帧的姿态估计结果推断所述当前帧中的目标姿态；计算所述历史帧中的一帧的目标姿态与所述后续帧的目标姿态之间的姿态变化，作为约束条件；以及基于所述约束条件优化当前帧中的目标姿态。

技术领域

本公开涉及视觉里程计，更具体地，涉及用于估计目标姿态的视觉里程计方法、装置和计算机可读存储介质。

背景技术

在移动机器人领域，同步定位与建图(SLAM)技术已经有较多年的研究和发展，而视觉里程计是SLAM问题的一部分，其基于视觉增量式地估计目标的位置与姿态。

视觉里程计最主要的问题是如何从几个相邻图像中估计目标的运动。基于特征的方法是当前视觉里程计的主流方式，有很长时间的研究历史。特征方法认为，对于两张图像，应该首先选取一些具有代表性的点，称为特征点。之后，仅针对这些特征点估计目标的运动，同时估计特征点的空间位置。图像里其他非特征点的信息，则被丢弃了。由此，特征点方法把一个对图像的运动估计转换为对两组点之间的运动估计。

目前视觉里程计技术已经逐步应用于自动驾驶领域，相比于室内机器人，自动驾驶具有巨大的应用市场，但同时，自动驾驶环境下车辆的移动速度往往较快，同时室外环境下的光照、天气等因素变化无常，这些因素导致获取的图像质量发生变化，有时很难从一些图像中提取有效的特征点并进行特征点匹配，使得对应帧的姿态难以估计，因而给视觉里程计技术带来了一定的挑战。

在现有的视觉里程计方法中，为了能够更加准确的估计车辆的位姿，一些方法通过引入IMU或GPS等传感器数据来提高准确性，但是，这样做将提升成本。

采用SLAM框架的方法主要通过地点识别技术和路标识别技术来定位。对于自动驾驶领域，车辆经过的重复道路较少，因此可能存在复杂场景下一部分图像帧因为较低的图像质量而导致姿态估计失败后，无法利用重定位恢复出临近的姿态的情况。而且，SLAM方法通过将路标点不断向前传播来进行姿态约束，但是，当图像上的特征数量较少时，路标的传递存在困难，因此并不能很好的解决这种部分帧的姿态难以估计的问题。

发明内容

有鉴于上述情况，本公开提出了用于估计目标姿态的视觉里程计方法、装置以及计算机可读存储介质。

根据本公开的一个方面，提供了用于估计目标姿态的视觉里程计方法，该方法可以包括：获得待估计目标姿态的第一数量的当前帧、就在该当前帧中的第一帧之前的已经进行了姿态估计的第二数量的历史帧、以及就在该当前帧中的最后一帧之后的一个后续帧；根据所述历史帧的姿态估计结果推断所述当前帧中的目标姿态；计算所述历史帧中的一帧的目标姿态与所述后续帧的目标姿态之间的姿态变化，作为约束条件；以及基于所述约束条件优化当前帧中的目标姿态。

在一个可选的实施例中，根据所述历史帧的姿态估计结果推断所述当前帧中的目标姿态的步骤可以包括：根据所述历史帧的姿态估计结果获得局部运动模型；以及基于所述局部运动模型计算当前帧中的目标姿态。

在一个可选的实施例中，根据所述历史帧中的姿态估计结果获得局部运动模型的步骤可以包括：根据所述历史帧中的相邻帧之间的特征点匹配，计算运动向量；利用预先训练的分类器，根据所述运动向量获得局部运动方向类别；基于所述局部运动方向类别，选择对应的局部运动模型；以及利用所述历史帧的姿态估计结果求解所述局部运动模型的参数。

在一个可选的实施例中，根据所述历史帧中的相邻帧之间的特征点匹配计算运动向量的步骤可以包括：获得所述历史帧中的相邻帧之间相互匹配的特征点；根据相机参数以及相互匹配的特征点所在帧的目标姿态将相互匹配的特征点变换到世界坐标系中；以及在世界坐标系中计算相互匹配的特征点之间的运动向量。