汽車智能網(wǎng)聯(lián)化的重要前提是高精度的導(dǎo)航定位技術(shù),目前基于特征點法的視覺里程計技術(shù)是智能車輛導(dǎo)航定位領(lǐng)域最常用的技術(shù)之一。然而基于特征點法的視覺里程計通常存在實時性不夠好,容易出現(xiàn)特征誤匹配等問題。本文針對這兩個問題展開研究,完成的主要研究工作如下:介紹了特征點法視覺里程計的基本原理及關(guān)鍵理論基礎(chǔ),包括坐標系與車輛運動定義、投影相機模型及雙目深度估計等相關(guān)理論。重點介紹了先進的（Oriented FAST and Rotated BRIEF,ORB）特征點提取與匹配方法,以及3D-2D運動估計方法。針對基于特征點法的視覺里程計實時性較差的問題,提出了基于光流跟蹤和自適應(yīng)特征提取的視覺里程計加速方法。在絕大部分圖像中使用Lucas-Kanade光流跟蹤獲取特征對應(yīng)關(guān)系以提高特征點法視覺里程計的運行速度,并針對由此產(chǎn)生的特征點丟失問題,提出了自適應(yīng)特征點提取方法,其在特征點丟失較少時增大特征提取的幀間隔以保證視覺里程計的實時性,在特征點丟失較多時減小幀間隔以維持視覺里程計的正常運行。針對特征誤匹配的問題,提出了基于局部圖像相似度的特征誤匹配去除方法。在判斷一對匹配對是否正確時,分別提取特征點... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

FAST關(guān)鍵點示意圖[68]

江蘇大學(xué)碩士學(xué)位論文19量的可區(qū)分性不如原始的BRIEF描述向量。針對該問題，RotatedBRIEF進行了如下操作：RotatedBRIEF改變了選擇隨機像素a和b的方式：RotatedBRIEF在31×31的圖像塊中選取a和b，并且還要以a和b為中心選擇5×5的圖像塊，而31×31的圖像塊中共包含729個5×5的子塊，所以729個子塊任選兩個比較整體的灰度值的方案共有2729C=265356種，RotatedBRIEF使用基于統(tǒng)計學(xué)習的算法在這265356中方案中選出256種使得描述向量的可區(qū)分性最強。具體的選擇方法可參照文獻[54]的4.3。通過以上三點改進的RotatedBRIEF比BRIEF描述向量多了旋轉(zhuǎn)不變性且可區(qū)分性也與之相當。將OrientedFAST關(guān)鍵點與RotatedBRIEF描述向量相組合即為ORB特征點，其具有旋轉(zhuǎn)和尺度不變性且速度較快所以目前應(yīng)用廣泛。ORB特征點的效果如圖2.7所示，其中彩色圓圈即為提取出的ORB特征點。圖2.7ORB特征點示例Fig.2.7SchematicdiagramofORBfeaturepoint2.2.2特征點匹配算法根據(jù)公式(2.9)可知，要計算出車輛的運動參數(shù)，除了要利用特征點提取方法獲得二維像素信息.Tuv外，還需要獲得與這些二維像素信息相對應(yīng)的場景點在世界坐標系下的坐標,,TWWWXYZ。在特征點法視覺里程計中，,,TWWWXYZ的獲取主要依靠特征點匹配算法：特征點匹配算法可以在前一幀中找到與當前幀中的特征點對應(yīng)于同一個場景點的特征點。在前一幀中，由于.Tuv和運動參數(shù)R和t已知，根據(jù)公式(2.9)即可求出,,TWWWXYZ。ORB特征點的描述向量是256維的二進制向量，其使用漢明距離來進行描述向量之間的匹配：對于兩個RotatedBRIEF描述向量，計算這兩個向量之間不同元素的個數(shù)，個數(shù)越少，相似度越高，這兩個描述向量對應(yīng)的特征點就越可能匹配上。

智能車輛雙目立體視覺導(dǎo)航定位關(guān)鍵技術(shù)研究20假設(shè)當前幀中存在h個特征點1,....,hpp,前一幀中存在j個特征點1,...,jqq，現(xiàn)在需要將這兩幀圖像中所有對應(yīng)于同一場景點的特征點都匹配上。若h與j均不大，通�？梢允褂帽┝ζヅ洌簩Ξ斍皫械拿恳粋�特征點(1,...,)ipi=h都與前一幀中的所有特征點計算兩者描述向量之間的漢明距離，并取漢明距離最小的作為(1,...,)ipi=h的匹配點。暴力匹配的結(jié)果比較準確，但是耗時較久，不能滿足視覺里程計實時運行的要求。為了解決該問題，Lowe等人開源了快速近似最近鄰庫(FastLibraryforApproximateNearestNeighbors,FLANN)[74]。FLANN庫不再枚舉所有的匹配情況，對于當前幀中的某特征點p，假設(shè)在前一幀中已找到多個特征點可能與其匹配上(數(shù)量大于等于2)，若最小的漢明距離與次小的漢明距離的比值小于預(yù)先設(shè)置好的閾值，則此時最小漢明距離所對應(yīng)的特征點即可與特征點p匹配上。FLANN庫在匹配精度幾乎不降低的同時能夠減少計算量，提高特征匹配的實時性，目前獲得了廣泛的應(yīng)用。圖2.8為ORB特征匹配示意圖，圖中為兩幀圖像，其中彩色圓圈為這兩幀圖像中的ORB特征點，彩色線表示兩幀圖像中的特征點的匹配關(guān)系。其中比較平緩的線是正確的匹配關(guān)系，比較陡峭的線是錯誤的匹配關(guān)系，從圖中可以看出，存在大量錯誤匹配。特征點的誤匹配是特征點法視覺里程計存在的主要問題之一。圖2.8ORB特征匹配示意圖Fig.2.8SchematicdiagramofORBfeaturematching2.2.3運動估計算法當前后兩幀中的特征點匹配好后，即可估計當前幀的運動參數(shù)。估計運動參數(shù)主要依靠的是特征匹配所得到的特征對應(yīng)關(guān)系。根據(jù)特征對應(yīng)關(guān)系的不同形式可將運動估計算法分為三種：

【參考文獻】：
期刊論文
[1]基于單目視覺的移動機器人全局定位[J]. 厲茂海,洪炳镕,羅榮華,蔡則蘇.  機器人. 2007(02)

博士論文
[1]基于視差空間的自主車視覺導(dǎo)航[D]. 曹騰.浙江大學(xué) 2015
[2]車輛運動特性約束的智能車輛視覺里程計系統(tǒng)研究[D]. 江燕華.北京理工大學(xué) 2014

碩士論文
[1]無人車立體視覺里程計研究[D]. 陳紅巖.北京交通大學(xué) 2012
[2]基于視覺的室內(nèi)移動機器人里程計研究[D]. 李偉超.哈爾濱工業(yè)大學(xué) 2011
[3]基于視覺的機器人定位研究[D]. 李永佳.浙江大學(xué) 2011
[4]立體視覺里程計關(guān)鍵技術(shù)與應(yīng)用研究[D]. 彭勃.浙江大學(xué) 2008
[5]基于特征點提取的單目視覺里程計的研究[D]. 呂強.浙江大學(xué) 2007



本文編號：3064401