現(xiàn)今,基于視覺的定位與建圖算法成為SLAM(Simultaneous Localization and Mapping,SLAM)領(lǐng)域研究的主流研究方向。視覺SLAM即機器人搭載視覺傳感器,在沒有先驗信息的情況下,通過運動過程建立環(huán)境地圖的同時估計運動軌跡�；谝曈X的機器人定位與建圖算法具有傳感器成本低廉、累計漂移誤差小、可建立三維地圖等優(yōu)勢,但是定位精度容易受到光照變化的影響。為了提高視覺SLAM算法在環(huán)境光照變化下的魯棒性,獲得更好的建圖與定位性能,本文將從如下方面對視覺SLAM算法進行研究和改進。首先,本文介紹了稀疏直接法視覺里程計DSO(Direct Sparse Odometry,DSO)的定位、建圖原理和基于詞袋模型的閉環(huán)檢測算法,給出了相應(yīng)的公式推導(dǎo)和求解過程。為了提高閉環(huán)檢測中訓(xùn)練字典的視覺特征分布的合理性和紋理的魯棒性,本文提出了一種視覺特征的篩選策略。本文在數(shù)據(jù)集上設(shè)計仿真實驗,分析驗證了所提改進的特征提取算法的性能。其次,本文介紹了基于相機光度成像模型的實時曝光補償算法,講解了光度參數(shù)中響應(yīng)函數(shù)、曝光時間和光暈系數(shù)對相機成像的影響,引入了基于上述參數(shù)的曝光補償算法...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１?ＬＳＤ－ＳＬＡＭ實驗效果??［５］

?山東大學(xué)碩土學(xué)位論文???失、匹配失效等問題，使算法的性能下降。因此，本文主要圍繞如何提??升視覺ＳＬＡＭ算法的光照魯棒性開展第一章的研究。??１．２國內(nèi)外研究現(xiàn)狀??Ｄａｖｉｓｏｎ?Ａ等人［２］在２００７年提出的Ｍｏｎｏ－ＳＬＡＭ，追蹤前端稀疏的??特征點，采用擴展卡爾曼濾波....

圖１－２?ＳＶＯ實驗效果??為了提高系統(tǒng)的魯棒性，Ｋｉｍ?Ｐ等人［７］在２０１５年提出Ｐａｔｃｈ－ｂａｓｅｄ??ＶＯ，使用線性照明模型來補償?shù)木植苛炼茸兓�，增強了系統(tǒng)在光照突變??

?山東大學(xué)碩士學(xué)位論文???ｍｉ??ｍ￥－＾??圖１－２?ＳＶＯ實驗效果??為了提高系統(tǒng)的魯棒性，Ｋｉｍ?Ｐ等人［７］在２０１５年提出Ｐａｔｃｈ－ｂａｓｅｄ??ＶＯ，使用線性照明模型來補償?shù)木植苛炼茸兓�，增強了系統(tǒng)在光照突變??時的魯棒性，但是對場景紋理特征具有較高的依賴性。??....

圖１－３?ＯＲＢ－ＳＬＡＭ實驗效果??ｎｌ．丨［１＜）］２０１６ＤＳＯ，

?山東大學(xué)碩士學(xué)位論文???ｍｉ??ｍ￥－＾??圖１－２?ＳＶＯ實驗效果??為了提高系統(tǒng)的魯棒性，Ｋｉｍ?Ｐ等人［７］在２０１５年提出Ｐａｔｃｈ－ｂａｓｅｄ??ＶＯ，使用線性照明模型來補償?shù)木植苛炼茸兓�，增強了系統(tǒng)在光照突變??時的魯棒性，但是對場景紋理特征具有較高的依賴性。??....

圖１－４?ＤＳＯ實驗效果??Ｒｕｂｅｎ等人［１１］在２０１７年提出的ＰＬ－ＳＬＡＭ，前端采用ＬＳＤ線段檢??測算法［１２］提取并跟蹤場景中的線段信息，實現(xiàn)了視覺里程計的定位和建??

?山東太學(xué)碩上學(xué)位論文???度和魯棒性，但是沒有閉環(huán)檢測與重定位功能。ＤＳＯ部分實驗效果如圖??１－４所示。?????Ｉ?／?．１?ｉｒ??圖１－４?ＤＳＯ實驗效果??Ｒｕｂｅｎ等人［１１］在２０１７年提出的ＰＬ－ＳＬＡＭ，前端采用ＬＳＤ線段檢??測算法［１２］提取并跟蹤場景中的....

本文編號：3931739