[发明专利]用于膜式壁低纹理结构点线特征提取的SLAM改进算法

说明书

本发明公开用于膜式壁低纹理结构点线特征提取的SLAM改进算法，包括以下步骤：S1分割图像，根据图像信息熵将空间中低纹理结构化场景中的图像信息区分为高熵区域和低熵区域；S2对高熵区域使用严格的点特征进行特征提取；S3对低熵区域的图像中的线特征进行特征提取，并设定线几何约束规则对线特征进行筛选；S4图像融合：将高熵区域的点特征和低熵区域的线特征一起加入位姿优化。本发明算法特别适用于以火电厂锅炉水冷壁为代表的一类膜式壁环境，这类场景普遍具有低纹理结构化特征；相较标准PL‑SLAM算法，在该场景下本发明平均可减少30％多的数据处理量，定位速度提高20％。

技术领域

本发明属于移动机器人研究领域，具体是用于膜式壁低纹理结构点线特征提取的SLAM改进算法。

背景技术

SLAM(Simultaneous Localization and Mapping,同步定位与建图)是指:机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置和地图进行自身定位，同时在自身定位的基础上建造增量式地图，实现机器人的自主定位和导航。

现阶段，传统的SLAM算法具有一些问题，例如一种系统搭载在轮式机器人上，使用线段的端点来表示线特征，在基于EKF的框架上优化相机的位姿并建立场景的2D地图。由于该系统的线特征由两端点表示，然而端点在场景视角变化下容易受到遮挡或者消失，从而不能稳定的检测出线特征，因此该系统不适用于大场景下工作。

又或者，在基于图优化的特征线段的提取方法的研究方面，提出了基于关键帧的点线slam系统，克服了因快速运动图像产生模糊而跟踪失败的情况，该系统对相机运动过快导致定位失败具有一定的鲁棒性；由于无法通过线段在两视图几何的匹配关系恢复出相机的运动和空间直线，需要加上第三视图计算三焦点张量，而外参已标定的双目相机则可以立即对空间直线进行初始化。

又或者，基于线特征的数据SLAM的一个重要环节就是构建点线综合的视觉词典，文献提出MSLD线段描述子，算法对直线段上每个像素定义像素支持区域，并将其划分为不重叠的字区域，进而构建线性地图描述矩阵(GDM)，通过计算GDM列向量的均值和标准差建立MSLD算子，构建视觉词典用于回环优化，在室内室外场景中该方法都能实时进行回环检测。

又或者，在ORB-SLAM的框架上搭建了基于线特征的SLAM系统，该系统在前端中追踪ORB点特征和LSD(line segment detector线段检测器)线特征，同时利用LBD(line banddescriptor线带描述符)算法计算线特征描述子。在后端优化中构建基于点线的视觉词典来提高回环检测的精度。该算法系统也被称之为PL-SLAM(SLAM with Points and Lines)，它完善了机器人在低纹理结构化场景之中的线特征提取，但其在特征提取的速度和相机位姿估计的精度、闭环准确率上还是有待提高的，且该算法在所有的线程(位姿跟踪、局部建图、闭环检测)之中同时使用点线特征，存在数据冗余的同时增大了特征误匹配的风险。

发明内容

为了弥补现有技术的不足，本发明提供一种数据处理量少，定位速度快的用于膜式壁低纹理结构点线特征提取的SLAM改进算法的技术方案。

所述的用于膜式壁低纹理结构点线特征提取的SLAM改进算法，包括以下步骤：

S1分割图像，根据图像信息熵将空间中低纹理结构化场景中的图像信息区分为高熵区域和低熵区域；

S2对高熵区域使用严格的点特征进行特征提取；

S3对低熵区域的图像中的线特征进行特征提取，并设定线几何约束规则对线特征进行筛选；

S4图像融合：将高熵区域的点特征和低熵区域的线特征一起加入位姿优化。

进一步的，所述步骤S1中，图像信息熵的计算规则为：