發(fā)布時(shí)間：2019-01-19 15:27

【摘要】：隨著機(jī)器人定位研究的不斷發(fā)展,同時(shí)定位測(cè)圖(SLAM)已成為計(jì)算機(jī)視覺的一個(gè)研究熱點(diǎn)。主要的研究?jī)?nèi)容是在未知的環(huán)境中,利用傳感器獲取的數(shù)據(jù)在實(shí)現(xiàn)場(chǎng)景地圖生成的同時(shí),完成定位。隨著RGB-D相機(jī)的發(fā)布,為SLAM問題提供了一種新的傳感器。Kinect作為RGB-D相機(jī)的一種,隨著微軟公司開發(fā)的Kinect不斷的更新升級(jí),利用Kinect設(shè)備實(shí)現(xiàn)未知環(huán)境定位也成為了一大研究熱點(diǎn)。現(xiàn)階段,利用Kinect相機(jī)進(jìn)行定位的方法有以下幾種:利用Kinect獲取的數(shù)據(jù)通過迭代近鄰點(diǎn)(ICP)實(shí)現(xiàn)定位。但是受到場(chǎng)景范圍以及Kinect深度影像自身精度不高的影響,導(dǎo)致最后通過ICP算法進(jìn)行配準(zhǔn)的結(jié)果的誤差累計(jì)比較大,定位精度比較低;利用SLAM的方法進(jìn)行室內(nèi)場(chǎng)景的定位及地圖的生成,但是當(dāng)場(chǎng)景不閉合或者閉合場(chǎng)景范圍較大時(shí),回環(huán)檢測(cè)的處理后的結(jié)果也不是很好。針對(duì)以上情況,本文以O(shè)RBSLAM系統(tǒng)為基礎(chǔ),通過ORB特征提取的方式,對(duì)Kinect獲取的序列影像中的彩色影像的特征點(diǎn)進(jìn)行提取利用,實(shí)現(xiàn)影像的跟蹤,獲取相鄰幀影像之間的相對(duì)轉(zhuǎn)換關(guān)系,對(duì)先驗(yàn)信息向量機(jī)信息矩陣進(jìn)行求解,完成多特征信息濾波中的信息向量更新及狀態(tài)增廣;針對(duì)深度影像,利用彩色影像和深度影像的標(biāo)定結(jié)果,對(duì)序列影像的彩色點(diǎn)云數(shù)據(jù)進(jìn)行生成,對(duì)生成的點(diǎn)云數(shù)據(jù),完成場(chǎng)景內(nèi)點(diǎn)特征及面特征的提取,依據(jù)提取的特征結(jié)果,完成對(duì)多特征觀測(cè)模型的構(gòu)建;依據(jù)觀測(cè)模型以及狀態(tài)增廣的結(jié)果,對(duì)狀態(tài)進(jìn)行更新,求解后驗(yàn)信息矩陣及信息向量。削弱在定位過程中誤差累計(jì)的影響,對(duì)更新后的狀態(tài)向量中的平移參數(shù)進(jìn)行求解,完成利用Kinect點(diǎn)云數(shù)據(jù)在未知環(huán)境中的自主定位。本文利用Kinect傳感器,選擇了2個(gè)實(shí)驗(yàn)場(chǎng)景進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)內(nèi)容包括:利用ORBSLAM系統(tǒng)模型對(duì)數(shù)據(jù)進(jìn)行獲取,實(shí)現(xiàn)影像跟蹤;在此基礎(chǔ)上,利用ICP獲取的點(diǎn)特征以及場(chǎng)景中的面特征構(gòu)建多特征擴(kuò)展信息濾波模型,對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理。實(shí)驗(yàn)結(jié)果表明:利用本文提出的方法能夠在很大程度上削弱誤差累計(jì)對(duì)Kinect數(shù)據(jù)的影響,針對(duì)實(shí)驗(yàn)場(chǎng)景1,與融合數(shù)據(jù)進(jìn)行比較,定位精度在0.2m范圍內(nèi),針對(duì)實(shí)驗(yàn)場(chǎng)景2,用ORBSLAM的方法和本文方法分別實(shí)現(xiàn)定位,定位精度分別為0~0.8m和0~0.5m,定位中誤差分別為0.48m和0.23m。
[Abstract]:With the development of robot localization research, simultaneous location mapping (SLAM) has become a hotspot in computer vision. The main research content is to complete the location of scene map while generating scene map by using the data obtained by sensor in unknown environment. With the release of the RGB-D camera, it provides a new sensor for the SLAM problem. As one of the RGB-D cameras, Kinect has been continuously updated and upgraded with the Kinect developed by Microsoft. Using Kinect equipment to realize unknown environment positioning has also become a research hotspot. At present, there are several methods for positioning by using Kinect camera: the data obtained by Kinect can be located by iterative nearest neighbor (ICP). However, due to the low precision of scene range and Kinect depth image, the result of registration through ICP algorithm has a large cumulative error and low positioning accuracy. The method of SLAM is used to locate the indoor scene and generate the map, but when the scene is not closed or the scope of the scene is large, the result of loop detection is not very good. In view of the above situation, based on the ORBSLAM system, this paper uses the ORB feature extraction method to extract and utilize the feature points of the color images obtained by Kinect, so as to realize the tracking of the images. The relative transformation relationship between adjacent frames is obtained and the information matrix of prior information vector machine is solved to update and expand the information vector in multi-feature information filtering. For the depth image, using the calibration results of color image and depth image, the color point cloud data of the sequence image is generated, and the point cloud data is extracted from the generated point cloud data. The construction of multi-feature observation model is completed. According to the observation model and the result of state expansion, the state is updated and the posterior information matrix and information vector are solved. By weakening the effect of error accumulation in the localization process, the translation parameters in the updated state vector are solved, and the autonomous localization in unknown environment using Kinect point cloud data is accomplished. In this paper, two experimental scenarios are selected and verified by using Kinect sensor. The experimental contents include: using the ORBSLAM system model to obtain the data and realize the image tracking; on this basis, using the point features acquired by ICP and the surface features in the scene to construct a multi-feature extended information filtering model to process the experimental data. The experimental results show that the method proposed in this paper can greatly weaken the effect of error accumulation on Kinect data. For experiment scenario 1, compared with fusion data, the positioning accuracy is within 0.2 m, and for experimental scenario 2. The method of ORBSLAM and the method of this paper are used to realize the positioning. The positioning accuracy is 0 0. 8 m and 0 0. 5 m, and the error in the positioning is 0. 48 m and 0. 23 m, respectively.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP212;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 康蘭;馮亞娟;陳正鳴;;多視點(diǎn)云數(shù)據(jù)快速對(duì)齊方法[J];機(jī)械設(shè)計(jì)與研究;2009年01期

2 閆龍;;攝影測(cè)量點(diǎn)云數(shù)據(jù)精簡(jiǎn)研究[J];制造技術(shù)與機(jī)床;2010年07期

3 鄭德華;;點(diǎn)云數(shù)據(jù)直接縮減方法及縮減效果研究[J];測(cè)繪工程;2006年04期

4 張量;王敏;;基于k鄰域離散擴(kuò)張的點(diǎn)云數(shù)據(jù)分割[J];軟件導(dǎo)刊;2009年12期

5 周怡;周顧盛;;三維GIS數(shù)據(jù)的處理與提取方法的研究—以點(diǎn)云數(shù)據(jù)中提取樹木為例[J];計(jì)算機(jī)應(yīng)用與軟件;2010年10期

6 李鳳霞;饒永輝;劉陳;介飛;;基于法向夾角的點(diǎn)云數(shù)據(jù)精簡(jiǎn)算法[J];系統(tǒng)仿真學(xué)報(bào);2012年09期

7 嵇俊;云挺;薛聯(lián)鳳;張浩平;;基于激光點(diǎn)云數(shù)據(jù)的復(fù)雜植物葉片重建方法[J];西北林學(xué)院學(xué)報(bào);2014年05期

8 吳福生,丁玉成,盧秉恒;基于點(diǎn)云數(shù)據(jù)復(fù)雜曲面產(chǎn)品的快速開發(fā)[J];西安交通大學(xué)學(xué)報(bào);2002年11期

9 胡雪芬,陳愛萍,童水光,單新潮;基于點(diǎn)云數(shù)據(jù)的鞋楦數(shù)控編程及其仿真[J];組合機(jī)床與自動(dòng)化加工技術(shù);2004年07期

10 陳飛舟;陳志楊;丁展;葉修梓;張三元;;基于徑向基函數(shù)的殘缺點(diǎn)云數(shù)據(jù)修復(fù)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2006年09期

相關(guān)會(huì)議論文 前10條

1 閆龍;;攝影測(cè)量點(diǎn)云數(shù)據(jù)精簡(jiǎn)研究[A];第二十九屆中國控制會(huì)議論文集[C];2010年

2 吳美金;;基于薄壁構(gòu)件的點(diǎn)云數(shù)據(jù)提取[A];全國射線數(shù)字成像與CT新技術(shù)研討會(huì)論文集[C];2009年

3 段文國;張愛武;蔡廣杰;;基于VTK的點(diǎn)云數(shù)據(jù)繪制研究與實(shí)現(xiàn)[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

4 宋碧波;盧小平;盧遙;;基于點(diǎn)云數(shù)據(jù)的建筑物三維重建[A];第二屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

5 張偉忠;張順海;于德敏;;點(diǎn)云數(shù)據(jù)與建模軟件的接口設(shè)計(jì)[A];全國第13屆計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)（CAD/CG）學(xué)術(shù)會(huì)議論文集[C];2004年

6 呂瓊瓊;楊曉暉;楊唐文;韓建達(dá);莊嚴(yán);;激光雷達(dá)點(diǎn)云數(shù)據(jù)的三維建模技術(shù)[A];2009年中國智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

7 劉佳;張愛武;楊麗萍;;室內(nèi)場(chǎng)景激光點(diǎn)云數(shù)據(jù)的三維建模[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

8 隋立春;張熠斌;趙旦;;基于MicroStation的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)分類處理軟件[A];第二屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2010年

9 黃承亮;吳侃;劉虎;;基于三維TIN的格網(wǎng)化點(diǎn)云數(shù)據(jù)特征提取[A];數(shù)字測(cè)繪與GIS技術(shù)應(yīng)用研討交流會(huì)論文集[C];2008年

10 楊銘;陳建峰;;基于CUDA的海量點(diǎn)云數(shù)據(jù)kNN查詢算法[A];第四屆“測(cè)繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

相關(guān)重要報(bào)紙文章 前1條

1 姚強(qiáng);GPS“2.0版”:自主定位180天[N];中國航天報(bào);2014年

相關(guān)博士學(xué)位論文 前10條

1 趙江洪;古建筑散亂點(diǎn)云基準(zhǔn)面的提取與擬合[D];武漢大學(xué);2012年

2 谷曉英;三維重建中點(diǎn)云數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];燕山大學(xué);2015年

3 胡峰俊;三維離散點(diǎn)云數(shù)據(jù)的預(yù)處理和配準(zhǔn)技術(shù)研究[D];浙江工業(yè)大學(xué);2015年

4 董秀軍;三維空間影像技術(shù)在地質(zhì)工程中的綜合應(yīng)用研究[D];成都理工大學(xué);2015年

5 李曉捷;基于深度相機(jī)的三維人體重建及在服裝展示方面的技術(shù)研究[D];天津工業(yè)大學(xué);2016年

6 張坤;基于三維激光掃描的點(diǎn)云數(shù)據(jù)逆向重建算法研究[D];燕山大學(xué);2016年

7 王巖;陣列激光三維成像點(diǎn)云數(shù)據(jù)配準(zhǔn)技術(shù)研究[D];中國科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所;2016年

8 金娟鳳;基于特征距離的腰腹臀部體型分析與個(gè)性化女褲樣板生成[D];浙江理工大學(xué);2017年

9 石宏斌;地面激光點(diǎn)云模型自動(dòng)構(gòu)建方法研究[D];武漢大學(xué);2014年

10 張學(xué)昌;基于點(diǎn)云數(shù)據(jù)的復(fù)雜型面數(shù)字化檢測(cè)關(guān)鍵技術(shù)研究及其系統(tǒng)開發(fā)[D];上海交通大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 張磊;大型鋼結(jié)構(gòu)建筑安裝質(zhì)量檢測(cè)與變形監(jiān)測(cè)軟件系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京建筑大學(xué);2015年

2 饒杰;基于激光點(diǎn)云數(shù)據(jù)的建筑物快速三維建模[D];中國地質(zhì)大學(xué)(北京);2015年

3 李俊寶;TLS在古建筑物測(cè)繪及建模中的應(yīng)用研究[D];長(zhǎng)安大學(xué);2015年

4 謝金坤;基于事故車輛車身變形的碰撞速度研究[D];長(zhǎng)安大學(xué);2015年

5 顧品熒;基于點(diǎn)云數(shù)據(jù)的基本款女西裝樣板生成系統(tǒng)研究[D];蘇州大學(xué);2015年

6 李國瑞;車載LiDAR點(diǎn)云中的車輛自動(dòng)檢測(cè)技術(shù)[D];長(zhǎng)安大學(xué);2015年

7 江靜;建筑物L(fēng)iDAR點(diǎn)云數(shù)據(jù)特征檢測(cè)及配準(zhǔn)關(guān)鍵技術(shù)研究[D];集美大學(xué);2015年

8 梁子瑜;基于TLS點(diǎn)云數(shù)據(jù)的林分調(diào)查因子測(cè)定及收獲估計(jì)[D];南京林業(yè)大學(xué);2015年

9 喻W毶，

本文編號(hào)：2411496