[发明专利]一种基于ORB特征点的运动估计方法

说明书

本发明公开了一种基于ORB特征点的运动估计方法，包括如下步骤：步骤1，采用oFAST特征点与rBRIEF描述子相结合的方式分别提取两帧图像的ORB特征点；步骤2，对两帧图像的ORB特征点进行基于暴力匹配BF和PROSAC的特征匹配，得到最优拟合模型；步骤3，基于所述最优拟合模型，并混合GICP与ICP算法进行运动估计。本发明建立了混合ICP与GICP的运动估计算法估算出机器人的运动轨迹，并在其中采用了基于暴力匹配BF与渐进采样一致性算法PROSAC的从粗到精的特征匹配方法，能够减少因受到干扰而出现的误匹配现象。

技术领域

本发明涉及移动机器人运动估计的技术领域，尤其是一种基于ORB特征点的运动估计方法。

背景技术

在过去的十五年里，室外定位技术随着全球定位系统(Global PositioningSystem，GPS)为代表的卫星定位技术获得了快速的发展和广泛的应用。但在GPS覆盖不佳的位置以及室内环境下，定位技术也具有巨大的研究价值和应用价值。

同步定位与地图构建(Simultaneous Localization And Mapping，SLAM)是指搭载特定传感器的移动机器人或者其他运动主体，在没有先验环境信息的条件下，在实时运动过程中建立周边环境模型并估计自身的实时运动状态的一种方法。SLAM是解决移动机器人在陌生环境中，依靠对各种传感器采集到的数据进行算法处理后达到实时定位与地图构建，是实现移动机器人路径规划、运动控制等的自主性技术的关键技术之一。移动机器人采集相机传感器数据，通过相应算法计算当前的位姿估计和运动估计，在GPS信号不佳甚至不能使用的环境中，SLAM也可以作为一种有效的替代方案以实现在未知非结构化环境中的实时导航。

图像中的特征点是能表现图像某方面的特征。全局特征是对整个图像进行描述，全局特征通常受到环境影响较大，会随着外部条件变化而受影响，并且也无法显著地区分图像。局部特征是从图像中的某一局部进行描述，在某些局部出现与周围部分呈现显著不同，通常表现在灰度值、色彩表现或者纹理上有着剧烈的变化。局部特征是大多数图像都具有的特征，且对外部环境变化造成的影响较小，与全局特征相比，局部特征能更好地描述图像在某一局部的差异性，且图像中包含大量这类局部特征，具有更高的鲁棒性。在大多数视觉SLAM算法中，通常使用角点、边缘和斑点等特征点类型作为特征点进行提取。

在进行特征点提取之后，还需要通过特征匹配对两幅图像中的特征点进行匹配计算，确定图像间的关联性和相似性。特征点匹配就是要精确地判断两幅图像之间的相似性，相似性将会影响后续运动估计判断与建图结果。对于图像相似性，通常计算两个特征点之间的欧氏距离或者汉明距离来判断。特征点匹配的方法分为特征追踪和特征识别。特征追踪是在一幅图像中直接尝试追踪另一幅图像的特征点，特征追踪的优点是速度快、稳定性好、追踪成功后准确度高，但是特征追踪只有在帧间运动变化相对较小的场景下才会有较快的成功效果。特征识别则是直接将两幅图像进行特征点检测并尝试匹配，特征识别对每个特征都会进行全局图像范围查找，能够在帧间运动变化较大的场景下使用，但由于进行了全局范围的查找，速度较慢也容易出现误匹配现象。在实际的视觉SLAM系统中，通常采用特征识别进行特征匹配，对于误匹配再进行约束条件判断剔除误匹配，这样就能获得更加精准的匹配结果。得到特征点匹配结果后，可以通过匹配点对进行相机的运动估计。

在视觉SLAM系统中，运动估计常用迭代最近点法(Iterative Closest Point，ICP)和随机采样一致性算法(Random Sample Consensus，RANSAC)。运动估计的目的是为了通过计算相机从前一帧到当前帧的位姿变换矩阵T来描述相机的运动，位姿变换矩阵T一般通过旋转矩阵R和平移向量t构造得来。

发明内容

本发明所要解决的技术问题是：针对因受到干扰而出现的误匹配现象的问题，提供一种基于ORB特征点的运动估计方法。

本发明采用的技术方案如下：

一种基于ORB特征点的运动估计方法，包括如下步骤：