[发明专利]一种基于语义路标的摄像机重定位方法

说明书

本发明涉及重定位技术领域，提供一种基于语义路标的摄像机重定位方法，包括：布置语义路标，构造场景地图；初始化地面预选区域；利用摄像机对场景进行实时摄像，形成场景图像库，提取场景图像中的角点，估计摄像机的当前位姿，若能估计出当前位姿，则构建场景的三维点云；若不能估计出当前位姿，则摄像机丢失定位，对摄像机进行重定位：提取当前帧与候选帧中的角点；对当前帧与候选帧进行角点匹配，计算角点间相似度；计算当前帧与候选帧之间的帧间相似度；将最大帧间相似度对应的候选帧下摄像机的位姿作为当前帧下摄像机的位姿。本发明能够减少光照和地形变化对重定位的影响，提高重定位的精度和效率，增强定位系统的鲁棒性并减少计算量。

技术领域

本发明涉及重定位技术领域，特别是涉及一种基于语义路标的摄像机重定位方法。

背景技术

重定位是SLAM(simultaneous localization and mapping，即时定位与地图构建)中最常见的问题之一，它解决机器人或无人机等机器由于某些原因在运动的过程中丢失了定位、从而无法继续工作的问题。SLAM的重定位定义为：在已知环境地图的情况下，如何依据机器当前的传感器观测数据，找出自身定位。导致定位丢失发生的情况主要有这几种：1)机器在停止工作后被移动了；2)由于地形、移动物体等环境因素，机器观测到相差过大的环境。这些情况导致机器认为自身处于新的环境中，然而实际上它身处先前已观测的区域。借助重定位技术，可以克服这些困难，实现更鲁棒的系统功能。

现有的重定位方法大多采用vins-mono方法，该方法是基于特征点的方法进行重定位，当受到光照或者地形剧烈变化的时候，其定位精度和定位效率都较低，定位系统的鲁棒性较差，且计算量较大。

此外，现有的重定位方法中，还有采用相关语义SLAM系统的方法。其中一个典型的就是帝国理工学院Andrew Davison的课题组，他们建立的SLAM系统首先用RGBD相机构建点云地图，然后把这些点云地图和之前存储到库中的物体原型进行对比，当检测到匹配物体就把存储的点云部分放到地图中，根据点云地图中物体的初始位姿，加入了地平面方程，使得所有地图中的东西都在同一个平面上，可以提升地图的精确率；当地图的准确率提高之后，机器人自身的定位准确率也就会得到提高。还有一些其他的单目摄像机相关的语义SLAM，也是采用类似的方法和思路。然而，这些相关语义SLAM系统受到了计算速度和SLAM本身的定位精度的影响，这些采用相关语义SLAM系统的方法基本都是在理想场景下进行的，物体区分度高，重定位的精度和效率都比较低，定位系统的鲁棒性也不够高。

发明内容

针对现有技术存在的问题，本发明提供一种基于语义路标的摄像机重定位方法，能够减少光照和地形变化对重定位的影响，提高重定位的精度和效率，增强定位系统的鲁棒性并减少计算量。

本发明的技术方案为：

一种基于语义路标的摄像机重定位方法，其特征在于，包括下述步骤：

步骤1：在摄像机的工作场景的地面上布置语义路标，将每个语义路标中心点的坐标存储在SLAM系统中，形成场景地图；

步骤2：初始化地面预选区域；

步骤3：利用摄像机对场景进行实时摄像，获取并存储实时的场景图像，形成场景图像库，提取场景图像中的角点，利用当前帧与上一帧估计摄像机的当前位姿，若能估计出当前位姿，则构建场景的三维点云；若不能估计出当前位姿，则摄像机丢失定位，进入步骤4；

步骤4：对摄像机进行重定位：

步骤4.1：将场景图像库中除当前帧之外的所有帧作为候选帧，提取当前帧与候选帧中的角点，得到每个角点的特征向量；

步骤4.2：对当前帧与每个候选帧进行角点匹配：计算当前帧中每个角点p与该候选帧中每个角点q之间的角点间相似度r_pq，若r_pq小于预设的阈值，则角点p与角点q构成角点对，得到角点对集合；