[发明专利]基于跟踪时间预测的特征选择方法

说明书

技术领域

本发明涉及机器人同时定位与地图重建领域，具体来说是一种关于机器人如何从环境中选取特征的方法。

背景技术

移动机器人在未知环境中工作时，需要创建一份关于环境的地图，同时利用这份地图来决定自身的位置。在基于特征的同时定位与地图重建算法中，地图通常由环境中的特征来表示，因此，对环境中的特征进行选择是一个首先需要解决的问题。广义上的特征选择包含了对图像中的特征进行提取和从提取到的特征中进行选择两个过程。然而，在基于视觉的同时定位与地图重建算法中，特征的选择通常仅被看成是特征提取的过程。

目前，对各种特征提取算法在同时定位与地图重建算法中的应用的研究非常之多，但是在不同的场景和不同的衡量指标下，各种特征提取算法的表现有着明显差异，因而需要结合具体的应用来选择相应的特征提取算法。在基于扩展卡尔曼滤波的算法框架下，计算的复杂度是与特征数量的平方成正比的；而常用的点特征提取算法往往能从一幅图像中提取出成百上千个特征，这就对定位的实时性形成了巨大的挑战。通过从提取到的特征点集合里选取出一个特征子集来表示地图，则可以起到降低计算复杂度的目的。因此，对特征进行选择是非常重要而且有意义的。G.Dissanayake等最早对同时定位与地图重建算法的计算效率与特征选择之间的关系做了研究，提出可以通过删除地图中的大部分特征来大幅提高计算的效率，并且不会影响到重建地图的一致性，但是这种方法会对机器人定位的精度会带来轻微的影响。在基于熵的特征选择方法中，根据特征的熵值来决定该特征是否参与扩展卡尔曼滤波更新阶段，其中所需要选取的特征的数目则由系统的计算资源和机器人位姿估计的效果来决定。在基于后验协方差敏感的特征选择方法中，通过在扩展卡尔曼滤波的更新阶段选择后验协方差敏感的特征进行更新，可以使得扩展卡尔曼滤波算法能够以更快的速度收敛。而组合式特征选择方法则可以显著减少Harris角点特征的数目，同时可以提高特征点跟踪的效果，但是这种组合式的特征选择方法比单一的harris特征提取算法在特征的提取阶段显然要占用更多的计算资源。对基于特征的同时定位与地图重建算法而言，如果不能保证特征的选择算法足够实时，那么也就无法保证整个算法的实时性。为实现实时的定位与地图重建算法，特征的选择通常以一种随机的方式进行：随机选择一个图像子区域，然后从中提取特征。选择出来的特征应当满足以下的条件：特征应尽可能均匀地分布在整个图像上；任何时候都应有相当一部分数量的特征处于被跟踪状态；如果处于被跟踪状态的特征数量不足，则需要从环境中提取新的特征。随机特征选择算法的主要出发点是为了提高同时定位与地图重建算法的计算效率，因此并没有进一步考虑特征选择对移动机器人定位估计的影响。

发明内容

本发明提供了一种基于跟踪时间预测的特征选择方法，在用于机器人从环境中选取特征时可以有效减少其自身定位估计的不确定性。

一种基于跟踪时间预测的特征选择方法，包括以下步骤：

(1)随机选择一帧二维图像的n个特征进行特征跟踪，获得特征匹配的结果，并利用所述的特征匹配的结果估计二维图像的运动信息；

(2)对二维图像进行分割，得到一组互相不重叠的图像子区域，将每个子区域的中心像素作为特征点，根据二维图像的运动信息和特征点的当前所在位置，通过前向迭代算法来预测特征点的跟踪时间，并以此作为特征点所在子区域内任一特征的预测跟踪时间，即作为每个子区域的预测跟踪时间；

(3)比较所有子区域的预测跟踪时间，在具有最大预测跟踪时间的子区域内进行特征提取。

进一步，所述的步骤(1)中，利用所述的特征匹配的结果估计二维图像的运动信息的过程如下：

采用如式(I)所示的六参数仿射模型表示二维图像的运动：

u₂＝a₁×u₁+a₂×v₁+a₃

(I)

v₂＝a₄×u₁+a₅×v₁+a₆