基于视觉的单目SLAM方法研究

摘要

定位与地图构建是自主移动机器人的核心技术,但由于单纯码盘、惯导等航迹推演的定位方法存在累积误差,使得生成的地图一致性遭到破坏,给机器人自主移动带来严重隐患。机器人的精确定位往往需要地图尤其是路标位置信息,而路标的绝对位置与机器人轨迹又紧密相关。因此,机器人定位与地图构建变为一互斥问题。同时解决定位与地图构建(SLAM)是希望利用环境路标的多次观测具有高度相关性这一特点,同时估计机器人状态和路标位置,以期获得最小的一致性误差,提高定位与地图构建精度。视觉传感器具有获得信息量大、特征易于提取、价格低廉等优势,在SLAM中得到广泛研究与应用。单目较双目或多目视觉SLAM系统更易于实现,且能够更好的适应不同环境,是目前机器人视觉SLAM研究的热点。
　　 本文采用单摄像头作为视觉传感器来获取环境信息,在扩展卡尔曼滤波算法框架下进行单目视觉SLAM方法的研究。主要研究工作分为:
　　 (1)基于扩展卡尔曼滤波器(EKF)的视觉SLAM系统整体实现方案的研究,其中包括运动模型及观测模型的建立、状态更新、环境路标的增广等。
　　 (2)基于视觉的特征点提取方法,分别介绍了Harris角点和SIFT特征点的两种不同提取方法,并重点分析了用做SLAM路标点的SIFT特征点的详细提取方法,并结合实验进行了特征分析。
　　 (3)帧间运动参数估计部分是在立体几何成像的理论基础上,结合极线几何来求解帧间运动参数,恢复得出像机的旋转和平移变化量。
　　 (4)最后一部分在SIFT特征点提取基础上,创新提出了一种基于概率选取随机特征点的单目视觉SLAM方法,结合帧间运动参数估计方法,发展了一种应用范围更广、路标点收敛效果更加明显的单目视觉SLAM方法。

目录

文摘

英文文摘

第一章 绪论

1.1 引言

1.2 机器人SLAM的历史与发展现状

1.3 视觉SLAM研究的目的与意义

1.4 当前SLAM解决方案

1.5 论文内容和组织结构

第二章 卡尔曼滤波器基础

2.1 SLAM问题:贝叶斯滤波基础

2.2 卡尔曼滤波

2.2.1 离散卡尔曼滤波算法

2.2.2 扩展卡尔曼滤波算法

2.3 基于EKF的视觉SLAM算法

2.4 本章小结

第三章 视觉图像特征点提取

3.1 Harris角点检测

3.1.1 Harris角点提取方法

3.1.2 Harris角点提取实验

3.2 SIFT特征点提取

3.2.1 尺度空间极值点检测

3.2.2 精确定位

3.2.3 候选点筛选

3.2.4 计算主梯度方向

3.2.5 计算特征描述符

3.3 SIFT特征点提取与匹配实验

3.3.1 SIFT特征点旋转不变性实验

3.3.2 SIFT特征点局部仿射不变性

3.3.3 SIFT特征点尺度比例缩放不变性

3.3.4 连续视频序列SIFT特征点匹配实验

3.4 本章小结

第四章 基于视觉几何的帧间运动估计方法

4.1 射影变换与仿射变换

4.2 立体视觉中的光学成像系统

4.2.1 景物成像模型

4.2.2 摄像机标定方法

4.2.3 摄像机标定实验

4.3 帧间运动估计

4.3.1 极线方程

4.3.2 本质矩阵求解

4.3.3 由本质矩阵求运动参数

4.3.4 帧间运动参数估计实验研究

4.4 本章小结

第五章 基于概率选取随机特征点的单目视觉SLAM方法

5.1 引言

5.2 随机特征点选取

5.3 基于反向深度的单目视觉EKF-SLAM方法

5.3.1 像机运动模型

5.3.2 观测模型

5.3.3 状态更新

5.4 实验研究

5.4.1 提取特征点实验及分析

5.4.2 SLAM实验及分析

5.5 本章小结

第六章 总结与展望

致谢

参考文献

附录