[发明专利]一种基于闭环直接稀疏视觉里程计的移动位姿估计方法

说明书

本发明公开了一种基于闭环直接稀疏视觉里程计的移动位姿估计方法，包括以下步骤：采集机器人周边图像序列；视觉里程计前端基于图像序列前两帧进行初始化，确定参考帧；视觉里程计前端基于最小化光度误差的直接法解算图像序列帧间的相对位姿变化并判断是否为关键帧；新关键帧加入视觉里程计后端进行优化，同时将所有关键帧位姿和激活点全部联合起来优化一个总的光度误差函数；对旧关键帧进行边缘化处理，并基于全局位姿图进行闭环检测，确定各帧间最优运动位姿估计。本发明能使得机器人可在复杂环境中准确快速的解算运动位姿，且通过位姿图优化显著减少旋转，平移与尺度漂移等累积误差，耗时更少，实时性更佳，在缺乏角点区域具有较强的鲁棒性。

技术领域

本发明涉及机器视觉与即时定位技术领域，具体涉及一种基于闭环直接稀疏视觉里程计的移动位姿估计方法。

背景技术

移动机器人研究领域包含很多子问题，其中定位与建图问题是实现机器人自主运动和避障功能所必须解决的关键问题。机器人在室外运动可在很大程度上依赖全球定位系统(GPS)提供的信息，但受限于GPS的精度与覆盖范围，室内场景的定位和建图往往依靠同时定位与建图(Simultaneous Localization and Mapping，SLAM)算法，自20世纪80年代以来，即时定位与建图(SLAM) 系统已经成为计算机视觉和机器人技术中的一个活跃研究领域，SLAM系统已成为许多如移动机器人，自动驾驶，虚拟与增强现实等需要实时定位的应用的基础模块。视觉SLAM受欢迎的部分原因是因为相机在消费产品中很容易获得并被动的获取有关环境的丰富信息。

SLAM系统由视觉里程计前端和后端优化组成，后端创建并维护关键帧映射，并通过循环闭环检测和地图优化减少全局漂移。前端可以根据当前视频帧全局解算帧间运动位姿，视觉里程计位姿解算方法可以分为两类：间接(基于特征) 方法，通过帧间特征点之间的配对关系来最小化重投影误差，以及直接法是通过最小化帧间光度误差来联合估计位姿。

虽然基于特征的方法长期以来一直是主流，但直接法的最新进展已经表现出更好的准确性和鲁棒性，尤其是当图像不包含足够的明确角点特征时，直接法表现的更为鲁棒。而闭环检测通常使用的是传统的基于特征的词袋法(Bag-of- word,Bow)。

目前视觉惯性里程计大多基于特征点法，其存在以下问题：

特征点法需要在每一幅图像中都提取大量的特征点，在相邻的图像帧之间进行特征点匹配，再根据匹配好的特征点对进行位姿估计。由于在每一帧都要提取大量的特征点并进行匹配，所以系统的计算量比较大，对实时性有一定影响。并且非常依赖于环境信息，在采集到的图像没有很好的纹理特征时几乎无法工作。

相比于特征点法，本发明应用的稀疏直接法节省了后续特征点提取和特征点匹配的时间，具有更好的实时性。在缺乏角点的弱纹理区域具有更良好的表现，同时应用闭环检测显著减少了旋转，平移与尺度漂移等累积误差。

发明内容

本发明的目的是在节省成本且保证可靠的前提下，提供了一种基于闭环直接稀疏视觉里程计的移动位姿估计方法，提出应用直接视觉里程计算法进行室内机器人视觉定位实现机器人在复杂环境中准确快速的位姿态解算。

本发明至少通过如下技术方案之一实现。

一种基于闭环直接稀疏视觉里程计的移动位姿估计方法，包括以下步骤：

步骤S1、采集机器人周边图像序列；

步骤S2、基于前两帧图像进行初始化，构建后续图像序列的参考帧；

步骤S3、获取帧间相对位姿变化并判断是否为关键帧；

步骤S4、新关键帧加入后端滑动窗口，同窗口中所有关键帧位姿与其中提取出的关键点联合构建总的光度误差函数，优化前端估计中的相对位姿初值；

步骤S5、旧关键帧边缘化，同时基于全部关键帧的描述子构建全局位姿图进行闭环检测，估计机器人的位姿。