[发明专利]一种结合SuperPoint网络特征提取的单目SLAM方法

说明书

本发明公开了一种结合SuperPoint网络特征提取的单目SLAM方法，包括步骤：步骤1)，输入单目相机视频图像，以每帧的格式输入并进行预处理；步骤2)，读取每帧图像，将每帧图像输入到SuperPoint网络中，输出的是图像特征点和描述子；步骤3)，进入跟踪模式，将满足特征点数目的帧作为参考帧，继续读取下一帧进行特征匹配，根据匹配的特征点计算相机位姿轨迹，同时不断加入下一帧；步骤4)，根据计算的相机位姿轨迹绘制局部地图，并不断更新，直至读取完所有的图像帧。本发明针对GCN‑SLAM系统中只适用于深度相机的缺陷，在保证精度的同时，将GCN‑SLAM系统拓展适用于单目相机，降低设备成本，同时由于采用单目相机不采集深度信息，改进之后的系统可以在室外和室内环境中运行。

技术领域

本发明涉及实时SLAM(同步定位与绘制地图)领域，特别涉及机器人在未知环境中一边移动一边得到周围环境地图以及移动路线的技术，具体地指一种结合SuperPoint网络特征提取的单目SLAM方法。

背景技术

SLAM(Simultaneous Localization and Mapping)，同步定位与绘制地图。利用SLAM功能，机器人可以在未知的环境中找到自己的位置，并且得到周围环境地图。在机器人的移动和感知环境得到路径的过程中，SLAM常常扮演着重要的角色。到现在，SLAM技术经历了三十多年的发展，其在无人驾驶、机器人、AR/VR等领域都有了一定的发展应用。

当前SLAM方法主要分为特征点法和直接法，其中伴随着深度学习的不断发展，借助神经网络进行特征提取从而替换掉SLAM系统中的特征提取部分也逐渐成为新的研究热点。

GCN-SLAM系统借鉴了SuperPoint网络中使用单个网络自我监督策略预测关键点和描述符的思想，简化网络结构。SuperPoint网络不是端到端的估计位姿，而是专注于提取特征点和描述子，再利用特征点的几何投影计算位姿。SuperPoint网络首先通过编码网络对输入图片降维，然后分别通过特征点检测网络和描述子检测网络得到特征点和描述子。通过构建与ORBSLAM2系统相同的二进制描述子来加速匹配，并结合ORBSLAM2系统，替换掉特征提取部分，构建了Jetson TX2上实时的GCN-SLAM。

GCN-SLAM系统的目标平台是在室内环境中运行的无人机，因此GCN-SLAM系统仅使用深度相机(RGB-D)传感器估计运动，使用深度相机传感器可直接观察尺度，无需视觉惯性聚变或使用神经网络推断深度的计算成本。但是深度相机在室外环境会受到光照的影响，得到的深度信息具有很大误差，从而大大降低GCN-SLAM系统的精度，同时深度相机往往价格昂贵，导致设备成本上升。

发明内容

本发明的目的是为了解决上述背景技术存在的不足，而提出的一种结合SuperPoint网络特征提取的单目SLAM方法，能够将GCN-SLAM系统拓展适用于单目相机。

为实现上述目的，本发明所设计的一种结合SuperPoint网络特征提取的单目SLAM方法，其特殊之处在于，所述方法包括如下步骤：

步骤1)，输入单目相机视频图像，将单目相机视频图像划分为以每帧的格式输入并进行预处理；

步骤2)，读取每帧图像，将每帧图像输入到SuperPoint网络中，输出的是图像特征点和描述子；

步骤3)，进入跟踪模式，将满足特征点数目的帧作为参考帧，继续读取下一帧进行特征匹配，根据匹配的特征点计算相机位姿轨迹，同时不断加入下一帧；

步骤4)，根据计算的相机位姿轨迹绘制局部地图，并不断更新，直至读取完所有的图像帧。

优选地，所述步骤1)的具体步骤包括：

步骤1.1)，将连续视频图像以每帧图像循环读入；

步骤1.2)，对每帧图像进行处理，将每帧图像转为灰度图。