[发明专利]同时定位与建图技术中的特征点提取与匹配方法及系统

说明书

本发明涉及一种同时定位与建图技术中的特征点提取与匹配方法及系统。该方法对于视频中关键帧图像的第一帧提取n个FAST角点，并选取响应值前k大的FAST角点提取BRIEF特征；对于第二帧至最后一帧中的每一帧，提取k个FAST角点并提取BRIEF特征，将该k个FAST角点作为特征点和之前的帧已经重建出的三维点云或之前的帧所提取出的特征点进行匹配，计算相机位姿。该方法让一部分特征点匹配的过程用光流代替以提高运行速度，应用光流法跟踪未提取BRIEF特征的角点，节省了特征点提取描述子的时间。本发明在保证特征点提取速度的同时能够利于重建更加稠密的点云，并使得特征点的分布更加均匀。

技术领域

本发明属于信息技术领域，具体涉及一种同时定位与建图技术中的特征点提取与匹配方法及系统。

背景技术

同时定位与建图(SLAM)技术作为一种对未知场景快速建图和定位的算法近年来受到了学术界和工业界的广泛关注。该技术以拍摄的视频作为输入，能够在实时或者接近实时的时间内重建出视频场景的三维点云和相机参数。随着自动驾驶和增强现实等行业的发展，该技术的应用日益广泛。该技术利用视频的前后帧关系有效增加了特征点匹配的效率，在视频数据集上相比传统的运动恢复结构算法效率明显提高。同时定位与建图最早是机器人学提出的概念。研究机器人学的学者和工程师们希望在实时的条件下完成对机器人的定位，而对机器人所在场景的建图是实现定位不可或缺的条件。

在同时定位与建图(SLAM)的第一步，是对视频序列中的每一帧提取特征点，将这些特征点和点云地图或之前的帧匹配，利用多视图几何算法计算当前帧的相机位姿并三角化新的三维点。特征点提取和匹配的质量直接决定了是否能求出高质量的三维点云和精确的相机位姿。

图像特征点提取和前后帧之间图像特征点匹配的质量对于精确地计算相机位姿和场景的三维点云有关键的意义。在同时定位与建图算法中，FAST角点(Edward Rostenand Tom Drummond.“Machine learning for high-speed corner detection”.In:European conference on computer vision,2006:430–443.)及由角点改进而来的ORB特征(Ethan Rublee,Vincent Rabaud,KurtKonolige et al.“ORB:An efficientalternative to SIFT or SURF”.In:Computer Vision(ICCV),2011IEEE internationalconference on,2011:2564–2571.)的使用最为广泛。ORB特征将FAST角点检测到的点作为兴趣点，在兴趣点周围提取BRIEF描述子(Michael Calonder,Vincent Lepetit,ChristophStrecha et al.“Brief:Binary robust independent elementary features”.In:European conference on computer vision,2010:778–792.)作为特征描述符，并且在两种算法的基础上进行了改进。和在图像检索、运动恢复结构等算法中广泛使用的SIFT(David G Lowe.“Object recognition from local scale-invariant features”.In:Computer vision,1999.The proceedings of the seventh IEEE internationalconference on,1999:1150–1157.)、SURF(Herbert Bay,Tinne Tuytelaars and Luc VanGool.“Surf:Speeded up robust features”.In:European conference on computervision,2006:404–417.)等人工设计的特征点相比，FAST角点和BRIEF特征的提取速度十分迅速。BRIEF特征是一种二进制描述子，是一个二进制串，每个数字编码了关键点附近两个点例如p和q的信息，如果点p的亮度大于点q的亮度就编码成1，否则编码成0。BRIEF使用了随机选点的策略，速度很快。在传统的同时定位与建图算法中，一张图像提取特征点的数目一般较少。通行的做法是在图像上提取几百个到一千个特征点。较少的特征点能够保证整个系统运行的实时性，同时这个数目的特征点对于求解相机之间的转移矩阵已经足够了。