[发明专利]一种多特征融合的视觉SLAM方法

说明书

多特征融合的视觉SLAM方法，涉及机器人视觉定位与建图领域。本发明公开了一种基于深度相机的多特征融合视觉SLAM方法，通过充分使用从图像中提取的点线特征并根据点线特征构建平面特征，来解决纯点特征失效情况下的视觉定位问题。采用一种自适应阈值方法提取点特征，以获得更加均匀的点特征；提取线特征并删除短小线段、合并被分割的线段，以提高线特征匹配的准确率；点线特征用于帧间位姿的估计以及局部地图的构建；采用最小参数法来计算面特征，以减小计算量；通过构建融合特征的反投影误差函数，将点线面特征紧密耦合，并构建全局地图进行全局位姿优化。本发明是一种精度高、实时性好、鲁棒性强的视觉SLAM方法，解决了低纹理环境下基于特征点法的视觉SLAM精度下降甚至系统失效的问题。

技术领域：

本发明属于机器人同时定位与地图构建技术领域，具体涉及一种多特征融合的SLAM(同时定位与地图构建)方法。

背景技术：

随着视觉SLAM技术的发展，基于帧间的优化和图优化框架已经成为了视觉SLAM问题的主流框架，图优化框架将运动估计和光束平差法引入到视觉SLAM中来，运动估计是将机器人的位置和周围环境特征当作全局优化问题来求解，通过提取图像上的特征进行特征跟踪，建立误差函数，通过线性假设构建线性优化或直接进行非线性优化来求解使得误差函数取得最小值时的机器人位姿同时优化路标。早先的运动结构恢复(Structure fromMotion，SFM)在特征提取和匹配以及后续的优化环节消耗了太多时间，因此只能进行离线的位姿优化及三维重建，无法实时在线地完成自身的定位和地图构建。随着这些年光束平差法的稀疏性被发现以及计算机硬件的升级换代，各个环节消耗的时间大大降低，因此基于图优化框架的视觉SLAM能够实现实时定位与建图。

视觉SLAM主要分为基于灰度的直接法和基于特征的间接法两类。其中基于灰度的直接法在某些情况下表现良好，不需要进行特征提取与匹配，只需进行灰度梯度的跟踪，因此会节省大量的计算时间，并且这种方法在特征较少的区域能够增强视觉SLAM的连续性。但同时，由于直接法单单使用像素的梯度来进行帧间的匹配及运动跟踪，因此该方法受光照强度、噪声干扰等影响较为强烈。基于特征的间接法虽然会占用部分计算资源，但是由于硬件水平的提高，其占用的计算资源大大降低，且提取的特征为人工设计的，具有较为稳定的特性，并且能够进行特征跟踪、构图、闭环检测，能够完成机器人同时定位与地图构建的全过程，因此基于特征的视觉SLAM方法逐渐成为了SLAM技术研究的主流。

发明内容：

本发明是为了解决现有基于点特征的视觉SLAM算法在低纹理环境下计算的点特征无法进行稳定的跟踪，并且根据点特征产生的约束力下降，无法构建出准确的环境地图等问题，本发明提供了一种多特征融合的视觉SLAM方法。

首先将SLAM问题建模为：

是一个SE(3)上的六维向量，表示机器人从t到t+1时刻的运动，表示运动估计的协方差矩阵，由上次迭代中损失函数的黑塞矩阵来逆逼近。

本发明所采用的技术方案是：基于图像的点、线、面特征融合的视觉SLAM方法，其特征在于，包括以下步骤：

步骤1，进行深度相机的标定，确定相机的内参；

步骤2，针对移动机器人平台上相机获取的视频流数据，进行高斯滤波以减少噪声对后续步骤的影响；

步骤3，针对校正后的图像进行特征提取，在线提取每一帧的点特征和线特征，具体包括：针对每一帧图像提取FAST角点特征，用rBRIEF描述子进行描述，线特征采用LSD算法进行检测，并采用LBD描述子进行描述，利用线段提供的几何信息，筛选出方向和长度不同以及端点距离较大的线段；

步骤4，根据提取到的点、线特征构建面特征，通过以下三种方法构造出候选面特征：1)三个共面的特征点；2)一个特征点与一条特征线；3)两条共面的特征线；