[发明专利]基于熵加权图像梯度的半直接单目视觉SLAM方法

说明书

本发明公开了一种基于熵加权图像梯度的半直接单目视觉SLAM方法，包括以下步骤：S1、记录曝光时间，并读入下一帧图像；S2、将图像分成若干个图像块；S3、计算每个图像块的图像熵，根据图像熵分配权重；S4、计算每个图像块的图像梯度；S5、记录6次调整相机曝光时间后的图像熵加权图像梯度值，分别作为多项式拟合曲线的6个点的x坐标和y坐标，拟合曲线后用牛顿迭代法寻找曲线函数值最大值，其对应的x坐标即为最优曝光时间；S6、通过对应接口传入半直接法单目视觉SLAM的视觉里程计中；S7、判断相机获取的图片是否为最后一帧图像。本发明相比传统曝光算法下直接法的单目视觉SLAM方法，利用图像熵梯度寻找最佳曝光时间可以大大提高动态范围。

技术领域

本发明属于SLAM技术领域，具体涉及一种基于熵加权图像梯度的半直接单目视觉SLAM方法。

背景技术

随着机器人定位理论和计算机视觉技术的不断发展和进步，基于视觉的同步定位与地图构建技术(Visual Simultaneous Localization and Mapping，V-SLAM)的研究正在成为机器人技术领域新的研究热点。视觉SLAM技术通过摄像机获取视觉信息进行同时定位与地图创建，获得的机器人三维位姿信息和环境信息，是移动机器人执行其他任务的基础。

前端跟踪部分的计算方法主要有两种：特征法和直接法。特征法首先需要提取图像特征点和计算描述子，进行特征点匹配后通过最小化重投影误差计算出机器人位姿。然而，特征提取和匹配是耗时的，这使得基于特征法的前端跟踪比较慢。直接法利用光度不变性原理，通过最小化光度误差来获取机器人的位姿信息，计算像素深度，实现自身定位和建图。直接法相对于特征法，由于不需要提取图像特征，执行速度较快。

在高动态范围环境(HDR)中，如果没有适当的曝光控制，图像可能容易过度曝光或曝光不足，并且只能从这些图像中提取非常少的信息。为了克服动态范围窄的问题，许多相机会自动调整曝光时间。然而，直接法的跟踪都直接依赖于点的亮度，曝光时间的改变打破了连续帧的光度不变假设，这将会使得直接法在HDR环境中容易跟踪失败。因而为了保证更加准确的控制相机获取图像时的曝光时间，需要开发一种新的方法。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于熵加权图像梯度的半直接单目视觉SLAM方法，相比传统曝光算法下直接法的单目视觉SLAM方法，利用图像熵梯度寻找最佳曝光时间可以大大提高动态范围，同时加入图像分块的思想，代替原来计算每个像素的图像梯度大大减少计算量，可以有效提高系统鲁棒性。

为了达到上述目的，本发明采用以下技术方案：

基于熵加权图像梯度的半直接单目视觉SLAM方法，包括以下步骤：

S1、开启相机先通过调整光圈、曝光增益达到最佳的曝光效果，并记录曝光时间，并读入下一帧图像；

S2、若当前图像与上一帧图像的平均亮度差值的绝对值超过上一帧图像亮度平均值的15％，则将图像分成若干个图像块；

S3、计算每个图像块的图像熵，根据图像熵分配权重；

S4、计算每个图像块的图像梯度，根据步骤S3分配的权重，对所有图像块的梯度进行累加得到当前帧图像梯度；

S5、记录6次调整相机曝光时间后的图像熵加权图像梯度值，分别作为多项式拟合曲线的6个点的x坐标和y坐标，拟合曲线后用牛顿迭代法寻找曲线函数值最大值，其对应的x坐标即为最优曝光时间；

S6、通过对应接口传入半直接法单目视觉SLAM的视觉里程计中；

S7、判断相机获取的图片是否为最后一帧图像，若否，则对比上一帧图像的亮度平均值并返回到步骤S1，若是，则结束。

进一步的，所述图像块的图像熵具体由公式(1)计算得到，公式(1)如下：