改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法

(上海大學(xué) 機(jī)械制造及其自動(dòng)化系,上海 200072)

0 引言

同步定位和地圖構(gòu)建技術(shù)[1](SLAM)在過去二十年中一直是計(jì)算機(jī)視覺和機(jī)器人領(lǐng)域的熱門研究方向，被認(rèn)為是實(shí)現(xiàn)移動(dòng)機(jī)器人自主化的核心技術(shù)。視覺SLAM需要將觀測到的圖像信息同環(huán)境進(jìn)行數(shù)據(jù)關(guān)聯(lián)，其中點(diǎn)特征經(jīng)常被用于數(shù)據(jù)關(guān)聯(lián)。

基于點(diǎn)特征的典型算法有PTAM[2]，SIFT[3]和SURF[4]等。由于SIFT和SURF算法計(jì)算量太大，難以滿足實(shí)時(shí)計(jì)算要求，Mur-Artal等人在PTAM算法的基礎(chǔ)上提出ORB-SLAM算法[5]，通過快速連續(xù)地跟蹤ORB特征，以適應(yīng)實(shí)時(shí)計(jì)算。ORB-SLAM 在紋理豐富的場景中，有令人印象深刻的表現(xiàn)；但在處理低紋理場景時(shí)，由于點(diǎn)特征不足或者分布不均而導(dǎo)致算法性能下降。

與點(diǎn)特征相比，線特征承載更多的結(jié)構(gòu)信息。而且人造場景中具有豐富的邊緣和線性形狀的規(guī)則結(jié)構(gòu)，線特征尤為明顯。近年來，基于線特征的算法受到越來越多的關(guān)注。Albert Pumarola等人提出了單目點(diǎn)線結(jié)合的視覺PL-SLAM算法，通過端點(diǎn)來表示線段，并計(jì)算端點(diǎn)到線的投影距離來統(tǒng)計(jì)誤差[6]。Xiaojia Xie等人改進(jìn)了空間線的表示方法，首次采用正交表示作為最小化參數(shù)來模擬線特征以及視覺SLAM中的點(diǎn)特征，并分析得出了關(guān)于線參數(shù)的重新投影誤差的雅可比行列，改進(jìn)了SLAM的解決方案[7]。Ruben Gomez-Ojeda等人又將點(diǎn)線融合的SLAM系統(tǒng)擴(kuò)展到了雙目視覺[8]。

針對部分低紋理場景中點(diǎn)特征不足以及現(xiàn)有LSD線特征提取算法存在線段過分割[9]問題，本文提出一種改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法(ISSLAM- Improved Stereo SLAM)。通過梯度密度濾波，改進(jìn)LSD線特征提取算法；線段合并機(jī)制，優(yōu)化提取出的斷線；采用聯(lián)合點(diǎn)線特征的擴(kuò)展詞袋模型，提高了SLAM算法的精度和魯棒性。

1 改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法

本文所提的改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法(ISSLAM- Improved Stereo SLAM) 如圖1所示，主要包括特征跟蹤、局部建圖和閉環(huán)檢測3個(gè)步驟。首先對輸入的圖像序列進(jìn)行預(yù)處理，在此基礎(chǔ)上進(jìn)行點(diǎn)線特征提取，并通過線段合并來優(yōu)化點(diǎn)線特征。利用這些點(diǎn)線特征進(jìn)行特征匹配及相機(jī)位姿估計(jì)，并從中篩選出有價(jià)值的幀作為關(guān)鍵幀插入到局部地圖庫中。最后調(diào)用場景識別庫來進(jìn)行閉環(huán)檢測，優(yōu)化全局地圖。

局部建圖調(diào)用地圖庫通過增刪等操作進(jìn)行更新與優(yōu)化。地圖庫中的信息主要包括關(guān)鍵幀、地圖點(diǎn)和地圖直線。場景識別庫由點(diǎn)線視覺詞典和圖像數(shù)據(jù)庫組成，可以計(jì)算圖像間的相似程度，用于判斷場景是否形成閉環(huán)。

圖1 改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法

2 特征跟蹤

當(dāng)下流行的特征跟蹤方式通常是基于ORB的特征點(diǎn)進(jìn)行相機(jī)運(yùn)動(dòng)軌跡的估計(jì)，然而在某些低紋理場景中，經(jīng)常由于特征點(diǎn)采集不足而導(dǎo)致跟蹤失效。因此我們將線特征加入進(jìn)來。在線檢測方法中，LSD[9](line segment detector)算法被認(rèn)為是最好和最流行的方法之一。它是按照梯度方向的一致性直接將鄰近像素編組為線段區(qū)域，能在線性時(shí)間內(nèi)得出亞像素級精度的檢測結(jié)果。

雖然LSD算法在速度和精度上都取得了不錯(cuò)的效果，但是也存在自身缺陷。由于它在采集特征時(shí)沒有篩選與合并機(jī)制，會在圖像中的局部密集區(qū)域采集大量相似線特征，且易發(fā)生線段過度分割的現(xiàn)象[9]。

有鑒于此，本文首先通過梯度密度濾波器[10]進(jìn)行圖像預(yù)處理，剔除局部密度過高的區(qū)域；然后采用LSD算法進(jìn)行線特征提取，并且將LSD提取出的線段進(jìn)行合并，以減少線特征檢測的數(shù)量，提高特征檢測的精度和效率。

2.1 基于梯度密度濾波器的圖像預(yù)處理

在我們所檢測的環(huán)境中，某些區(qū)域中過高的線段檢測密度(如圖2中所示的網(wǎng)格圖案)通常會導(dǎo)致線匹配的結(jié)果不正確且耗費(fèi)了很多時(shí)間。而且在同一密集區(qū)域中，大量相似的線條在匹配過程中也很容易出錯(cuò)。為此，我們設(shè)計(jì)了一個(gè)濾波器，利用局部像素梯度的密度值作為篩選準(zhǔn)則，對于特征過于稠密的區(qū)域，以輪廓檢測替代完整的線特征檢測，以避免出現(xiàn)大量的無效特征，從而提高特征提取與匹配的效率，降低算法的計(jì)算量與誤匹配率。

圖2 局部線特征密集區(qū)

圖像梯度反映了圖像中灰度變化的劇烈程度，線特征通常出現(xiàn)在梯度較高的區(qū)域。若某區(qū)域內(nèi)梯度較高的像素?cái)?shù)量過多時(shí)，意味著該區(qū)域高梯度的像素過于密集，預(yù)判為線特征密集區(qū)域，將其剔除以減小后期特征匹配的計(jì)算復(fù)雜度，提高匹配精度。

將單位區(qū)域內(nèi)梯度較高的像素點(diǎn)數(shù)所占的百分比定義為像素梯度密度，以衡量該區(qū)域是否為特征密集區(qū)域，作為濾波過程中剔除圖像中特征密集區(qū)域的依據(jù)。

設(shè)像素點(diǎn)(i,j)的梯度值為[11]，其強(qiáng)度的定義如式(1)所示，當(dāng)梯度值大于強(qiáng)度閾值時(shí)標(biāo)記為1，否則為0。

(1)

區(qū)域的梯度密度ρij定義為：以像素點(diǎn)(i,j)為中心的k×k區(qū)域內(nèi)，梯度大于閾值Gs的像素點(diǎn)數(shù)所占的百分比。

(2)

為了判別梯度密度過高的像素區(qū)域，以進(jìn)行濾波處理，減少圖像中特征稠密區(qū)域?qū)τ谔卣髌ヅ涞挠绊?。以像素區(qū)域梯度密度閾值ρDENSE為衡量標(biāo)準(zhǔn)，將梯度密度ρij大于ρDENSE的像素區(qū)域視為特征稠密區(qū)域，線段檢測時(shí)視為無效區(qū)域，不予處理。由此，線段檢測有效區(qū)域標(biāo)識定義為:

(3)

在濾波過程中，梯度密度閾值ρDENSE對濾波效果影響很大。閾值設(shè)置過大，無法濾除特征密集區(qū)域，濾波效果不顯著；閾值設(shè)置過小，則會濾除許多有效的檢測區(qū)域。在此設(shè)定ρDENSE=0.75。

實(shí)際濾波過程分檢測和標(biāo)記兩個(gè)步驟。首先將k值設(shè)為5，找到小范圍的高梯度密度區(qū)域；然后在此基礎(chǔ)上進(jìn)行區(qū)域擴(kuò)展，將k值設(shè)置為21，最終將的區(qū)域標(biāo)記為無效區(qū)域，并對該區(qū)域禁用線段檢測。

圖3(a)和3(b)分別為LSD算法檢測的結(jié)果和加入梯度密度濾波器后的效果對比，由此可知，加入濾波器后，密集區(qū)域內(nèi)部不再進(jìn)行線段檢測，而只是在其周圍輪廓區(qū)域提取部分線段，避免在后期匹配過程中過多細(xì)碎分段帶來的時(shí)間和精度上的影響，減小計(jì)算代價(jià)，提高系統(tǒng)精度。

利用梯度密度濾波器，剔除了局部的梯度較高的密集區(qū)域，最終得到圖像中有效的檢測區(qū)域，為后續(xù)點(diǎn)線特征的提取打下基礎(chǔ)。

2.2 基于LSD線段合并的線特征提取

在線特征提取階段，利用LSD算法提取線特征[9]，在此基礎(chǔ)上利用各線段的角度特性、空間位置特性和長度特性，進(jìn)行斷線的分組和合并，解決LSD算法過分割的弊端，減少線特征的數(shù)量。

LSD線段合并算法由線段分組和線段合并來完成。在線段分組階段，利用角度貼近度和空間接近度來判斷同一直線上的斷線?？紤]計(jì)算的復(fù)雜程度，依次利用角度貼近度、水平坐標(biāo)接近度和垂直坐標(biāo)接近度粗略篩選出可合并的同一直線上的候選斷線，分為一組。在線段合并階段，引入線段長度因素，以線段角度、歸一化后的長度和空間距離作為可合并性標(biāo)準(zhǔn)，精確判斷并完成斷線合并。

2.2.1 線段分組

首先，按線段長度的降序?qū)SD算法提取出的線段進(jìn)行排序，得到{L1,L2,L3,…,Ln}。線段分組從最長的線段L1開始進(jìn)行，因?yàn)檩^長的線段往往來自具有連續(xù)強(qiáng)梯度的圖像區(qū)域，所以更可靠。

線段Li的兩個(gè)端點(diǎn)為(Ai,Bi)，其坐標(biāo)分別為(xAi,yAi)和(xBi,yBi)。Li的長度為li，與水平方向的夾角為θi。

不失一般性，設(shè)當(dāng)前最長線段為L1，則線段集合L={L2,L3,…,Ln}中滿足角度篩選條件式(4)、水平距離篩選條件式(5)、垂直距離篩選條件式(6)的線段分為一組，構(gòu)成線段組。

線段分組流程如圖4所示。

圖4 線段分組流程

經(jīng)過角度篩選，得到候選線段組L1：

L1=[Li∈L:(|θi-θ1|<θs) ]

(4)

其中:θS為衡量線段特征角度相近程度的角度篩選閾值。

經(jīng)過水平距離篩選，得到候選線段組L2：

L2=

(5)

經(jīng)過垂直距離篩選,得到線段組PL1：

PL1=

(6)

其中:ds為衡量線段特征水平和垂直距離接近程度的距離篩選閾值。

依據(jù)3個(gè)篩選條件，將角度和空間上都與L1很接近的線段分為一組，最終得到候選線段集PL1={L2,L3,…，Ln}為后續(xù)線段合并打下基礎(chǔ)。值得注意的是3個(gè)篩選條件的順序很重要，因?yàn)榻嵌群Y選的計(jì)算最簡便，所以應(yīng)該最先使用。此外，以水平距離篩選和垂直距離篩選取代歐幾里德距離篩選，由于僅涉及絕對值的加減運(yùn)算，極大地提高篩選效率，減小計(jì)算代價(jià)。

2.2.2 線段合并

經(jīng)過線段分組得到的候選線段集PL1，還需要經(jīng)過端點(diǎn)距離、角度修正值和夾角偏差的進(jìn)一步精確篩選，以完成線段合并，流程如圖5所示。

圖5 線段合并流程圖

如圖6所示，兩條線段Li(端點(diǎn)Ai,Bi)和Lj(端點(diǎn)Aj,Bj)的間距，用其最近端點(diǎn)的距離dij表示：

dij=min(|Ai-Aj|,|Ai-Bj|,

|Bi-Aj|,|Bi-Bj|)

(7)

圖6 兩線段最近端點(diǎn)距離表示

利用最近端點(diǎn)距離，篩選出兩條線段空間接近程度小于閾值ds的候選線段組L3：

L3=[?Li∈PL1:(dij

(8)

考慮到線段長度和間距的影響因素，需對候選線段組L3中的角度閾值做出修正。當(dāng)前較長線段為L1，與其相匹配的線段li∈{L2,L3,…，Ls}的閾值修正系數(shù)為λi為:

(9)

綜合考慮線段長度和兩條線段間距對角度篩選的影響，線段Li的自適應(yīng)角度閾值為：

(10)

(11)

其中:θM是預(yù)合并后的線段M的傾角。

線段分組及合并這兩個(gè)步驟，重復(fù)迭代地進(jìn)行，直到無法再合并為止。

圖7(a)為LSD算法檢測出的線段，白色框中表明線段存在斷線的情況；圖7(b)為改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法(ISSLAM)的檢測結(jié)果?？梢钥闯?，ISSLAM算法將LSD檢測出的斷線很好的合并在一起(如白線框中區(qū)域所示)，提升了系統(tǒng)的精度。

圖7 線段合并效果對比

根據(jù)濾波處理、線段檢測和合并后得到的線段特征，計(jì)算通用的LBD[12]描述子，用于線段間的特征匹配和運(yùn)動(dòng)估計(jì)。

2.3 運(yùn)動(dòng)估計(jì)

利用圖像中提取出的特征點(diǎn)、線的描述子進(jìn)行特征匹配，可以得到3D特征與2D特征的匹配關(guān)系。將當(dāng)前幀觀測到的3D特征點(diǎn)、線投影到下一幀的2D圖像平面上，然后根據(jù)相鄰幀間投影點(diǎn)線與匹配的點(diǎn)線之間的誤差關(guān)系，可以進(jìn)行相機(jī)姿態(tài)的初步估計(jì)[13]。具體方法不再贅述。

2.4 關(guān)鍵幀選擇

相機(jī)運(yùn)動(dòng)過程中會采集數(shù)據(jù)，連續(xù)運(yùn)動(dòng)一段時(shí)間后這些數(shù)據(jù)便組成了場景的地圖。但由于內(nèi)存資源有限，我們不可能將所有幀都插入地圖中，而是會從中選擇出一些有代表性的關(guān)鍵幀。

本文沿用ORB-SLAM中關(guān)鍵幀選擇的策略[5]，對于當(dāng)前幀，首先找到與之具有最多共同觀測的關(guān)鍵幀作為參考關(guān)鍵幀，滿足以下所有條件即可視為關(guān)鍵幀：

1)距離上一次關(guān)鍵幀的插入已經(jīng)過了20幀或者局部地圖構(gòu)建線程空閑

2)當(dāng)前幀至少跟蹤到了50個(gè)特征點(diǎn)和15條空間直線

3)當(dāng)前幀包含參考關(guān)鍵幀中的特征要少于75%

條件2保證了位姿估計(jì)的質(zhì)量，條件3保證了兩幀圖像之間具有一定的視覺變化。

3 局部建圖

當(dāng)篩選出的新關(guān)鍵幀插入地圖后，要建立當(dāng)前關(guān)鍵幀與其他關(guān)鍵幀之間的連接關(guān)系。在跟蹤線程中已經(jīng)獲得了相機(jī)位姿和環(huán)境地圖。在局部建圖線程中，要對位姿和路標(biāo)進(jìn)一步優(yōu)化。局部建圖線程主要包括兩部分：局部地圖管理及局部地圖優(yōu)化。

局部地圖管理的主要任務(wù)包括：(1)把當(dāng)前處理的關(guān)鍵幀中提取的 2D 點(diǎn)、線特征3D 參數(shù)化到地圖數(shù)據(jù)庫中；(2)對地圖中重復(fù)的點(diǎn)、線特征進(jìn)行融合；(3)對地圖中跟蹤質(zhì)量不佳的點(diǎn)、線特征進(jìn)行剔除；(4)對地圖中的冗余關(guān)鍵幀進(jìn)行剔除。

局部地圖優(yōu)化就是指從環(huán)境中抽取一部分位姿和路標(biāo)進(jìn)行優(yōu)化。因?yàn)槊恳粠际峭ㄟ^幀之間的相對運(yùn)動(dòng)得到的，所以不可避免的會有誤差積累，故需要優(yōu)化，減少誤差。

其具體計(jì)算方式如下，首先定義變量，用ψ表示總的投影誤差，由點(diǎn)的投影誤差eij和線的投影誤差eik組成:

(12)

投影誤差eij為3D點(diǎn)Xωj投影到第i幀圖像上的2D點(diǎn)π(ξiω,Xωj)與實(shí)際像素位置xij之差：

eij=xij-π(ξiω,Xωj)

(13)

其中:π為投影函數(shù)，ξiω為關(guān)鍵幀i的位姿。

線的投影誤差eik由線段k的端點(diǎn)的3D位置(Pωk,Qωk)在第i幀圖像上的投影與實(shí)際線段所在直線lik計(jì)算而得：

(14)

采用Levenberg-Marquardt方法[14]優(yōu)化投影誤差ψ，誤差的增量為:

Δψ=[H+λdiag(H) ]-1JTWe

(15)

其中的J、H代表了雅可比矩陣和海瑟矩陣，e是包含了點(diǎn)和線的總誤差，λ是變量因子，λ較小時(shí)，接近于高斯牛頓法，當(dāng)λ較大時(shí)，接近于最速下降法。

ψ(k+1)=ψ(k)·Δψ

(16)

通過迭代計(jì)算式(16)直到收斂，求得最小化投影誤差ψ。

有別于運(yùn)動(dòng)估計(jì)階段僅考慮相鄰幀間的投影誤差，在局部地圖優(yōu)化階段，需要綜合考慮局部地圖內(nèi)一系列關(guān)鍵幀間的投影誤差和，通過求解多幀間誤差和的最小值，以調(diào)整局部地圖中的相機(jī)位姿和路標(biāo)點(diǎn)位置，從而得到更精確的結(jié)果。

4 閉環(huán)檢測

視覺SLAM系統(tǒng)在缺少外部控制信息時(shí)，系統(tǒng)的累積誤差會不斷增大，長期積累后會造成定位失效。在實(shí)際應(yīng)用中，相機(jī)會運(yùn)動(dòng)至先前經(jīng)過的地方從而形成閉環(huán)。閉環(huán)的引入可有效的修正累積誤差，對長時(shí)間遠(yuǎn)距離運(yùn)動(dòng)的視覺SLAM有重要意義。閉環(huán)檢測實(shí)質(zhì)是判斷當(dāng)前圖像與歷史較早圖像之間是否存在關(guān)聯(lián)，若兩圖像相似度達(dá)到一定程度，則認(rèn)為形成了閉環(huán)?；贐oW的詞袋模型[15]方法是應(yīng)用最廣泛的閉環(huán)檢測方法之一，它從圖像中提取特征點(diǎn)，矢量化成視覺單詞，然后建立詞匯樹用于圖像間相似度的判別。

本文對原有的基于特征點(diǎn)的詞袋模型方法進(jìn)行擴(kuò)展，將線特征也考慮進(jìn)來，提出了一種新的詞匯樹構(gòu)造方式，提升了回環(huán)檢測的精度和魯棒性。

4.1 擴(kuò)展詞匯樹的構(gòu)造方法

傳統(tǒng)的詞匯樹構(gòu)建方法是基于點(diǎn)特征進(jìn)行創(chuàng)建的，需使用大量的點(diǎn)特征描述子進(jìn)行訓(xùn)練，以構(gòu)建視覺詞典，然后不斷用k均值聚類算法[16]建立詞匯樹。

圖8 融合點(diǎn)線特征的詞袋模型

盡管已經(jīng)證明這種方法具有可擴(kuò)展性和高效性，但它并不適用于同時(shí)具有點(diǎn)線特征類型的詞匯樹。因此，本文提出圖8所示的改進(jìn)的詞匯樹。首先將訓(xùn)練的ORB點(diǎn)特征描述子和LBD線特征描述子放在同一個(gè)視覺詞典中，然后將訓(xùn)練的描述符劃分為點(diǎn)、線2個(gè)組，再分別對點(diǎn)、線特征描述符進(jìn)行分層k均值聚類過程，最終構(gòu)造擴(kuò)展的樹結(jié)構(gòu)。

為區(qū)分詞匯樹中不同的特征類型，在每個(gè)特征描述符的末尾附加一個(gè)額外字節(jié)(點(diǎn)描述子添加標(biāo)志位0，線描述子添加標(biāo)志位1)，以區(qū)分其所屬的特征類型。在此示例中，實(shí)心填充的是點(diǎn)特征詞匯，線條填充的是線特征詞匯，虛線包圍的葉子節(jié)點(diǎn)為視覺詞典中的視覺詞匯。

4.2 融合點(diǎn)線的詞包向量

改進(jìn)后的詞包VPLi：

VPLi={α1(VP1,VP2,…,VPm),α2(VL1,VL2,…,VLm)}

(17)

其中，既包含了點(diǎn)特征詞包VPi=(VP1,VP2,…，VPm)，又包含了線特征詞包VLi=(VL1,VL2,…,VLm)。α1、α2分別代表點(diǎn)特征和線特征詞包所占的權(quán)重。針對不同場景的實(shí)際特點(diǎn)，合理設(shè)置權(quán)值，調(diào)整二者比重。例如紋理豐富的場景中點(diǎn)特征權(quán)重值大一些，在低紋理的環(huán)境中讓線特征的權(quán)重大一些。通常，權(quán)值默認(rèn)為0.5。

4.3 詞包向量的相似度計(jì)算

由于不同詞匯的重要程度不同，需對每個(gè)單詞賦予不同權(quán)重值，在本文中采用TF-IDF[17]進(jìn)行加權(quán)判斷。

VPLi和VPLj分別代表第i幀和第j詞包向量，其相似度得分計(jì)算如下：

(18)

在此，采用L1范數(shù)進(jìn)行距離計(jì)算。

在進(jìn)行圖像相似度判斷時(shí)，可直接比較圖像詞包向量間的相似度得分，降低了計(jì)算復(fù)雜度提升了檢測效率。同時(shí)為了避免將相似度較高的鄰近幀誤判為閉環(huán)，設(shè)置了閾值k，只有當(dāng)時(shí)j>i+k，才進(jìn)行閉環(huán)檢測。

5 實(shí)驗(yàn)與分析

實(shí)驗(yàn)數(shù)據(jù)集來源于EuRoc微型飛行器(MAV)采集的兩個(gè)室內(nèi)場景，其中包含來自20FPS的全局快門相機(jī)的立體圖像。每個(gè)數(shù)據(jù)集提供由VICON運(yùn)動(dòng)捕捉系統(tǒng)給出的地面實(shí)況軌跡。所有外在和內(nèi)在參數(shù)也由數(shù)據(jù)平臺獲取[18]。

測試平臺為華碩K550D@2.10 Ghz ，12 GB內(nèi)存，64位Linux操作系統(tǒng)。

圖9(a)～(d)展示由MAV采集的室內(nèi)實(shí)景以及提取出的特征點(diǎn)線。

圖9 V1_02_medium數(shù)據(jù)集實(shí)景

圖10是由V1_02_medium圖像序列重建出的地圖。圖10(a)為基于點(diǎn)特征的ORB-SLAM2算法創(chuàng)建的地圖，圖10(b)為聯(lián)合點(diǎn)線特征的文本算法創(chuàng)建的地圖。

圖10 由V1_02_medium重建出的地圖

由10(a)和10(b)的對比可見，單純基于點(diǎn)特征所創(chuàng)建出來的地圖缺少結(jié)構(gòu)信息，因此比較雜亂；而將線特征引入進(jìn)來后，所創(chuàng)建的地圖結(jié)構(gòu)化信息更多，從圖中的空間直線可以辨別出墻面，地面和墻的邊角等信息。更好地還原了場景結(jié)構(gòu)。表明ISSLAM算法在結(jié)構(gòu)化邊緣線特征多的人造場景中適用性更高。

由V1_02_medium圖像序列計(jì)算得到的相機(jī)運(yùn)行軌跡分別顯示在圖11(a)和11(b)中。

圖11 ORB-SLAM2算法和ISSLAM算法軌跡圖對比

圖中，軌跡點(diǎn)上的顏色信息反映了誤差大小，通過顏色與誤差數(shù)值的對應(yīng)關(guān)系(圖形右側(cè)誤差色帶)可以看出，ORB-SLAM2算法(圖11(a))的誤差區(qū)間為(0.017～0.106)，而本文所提出算法(圖11(b))的誤差區(qū)間僅為(0.003～0.081)。由此可知，本文所提出的算法運(yùn)行結(jié)果的誤差更小，準(zhǔn)確率更高。

為了說明ISSLAM算法在不同場景下的有效性與適應(yīng)性，分別以EuRoc中的多組圖像序列(V1_01_easy、V1_02_medium、V2_03_difficult、MH_02_easy、MH_03_medium、MH_04_difficult)為實(shí)驗(yàn)對象。這些序列分成，簡單、中等、和困難，這取決于MAV(微型飛行器)的速度，照明和場景的紋理。表1為ORB-SLAM2算法、點(diǎn)線聯(lián)合的PL-SLAM算法、ISSLAM算法得到的RMSE值[19](均方根誤差)。

表1 基于EuRoc MAV數(shù)據(jù)集的運(yùn)動(dòng)估計(jì)誤差

從表1中可以看出，對于結(jié)構(gòu)化線條較為豐富的室內(nèi)場景，聯(lián)合點(diǎn)線特征的SLAM算法魯棒性更好，即使在快速運(yùn)動(dòng)場景(V2_03_difficult 測試集)，不會出現(xiàn)ORB算法所面臨的特征跟蹤失敗的情況(表中X所示)。而且所提的ISSLAM算法比傳統(tǒng)的聯(lián)合點(diǎn)線特征的PL-SLAM算法測試的誤差更小，精確度更高。

綜上所述，本文提出的ISSLAM算法在精度和魯棒性上都表現(xiàn)出良好的優(yōu)勢。

6 結(jié)語

本文提出一種改進(jìn)點(diǎn)線特征的雙目視覺SLAM算法(ISSLAM)來進(jìn)行位姿估計(jì)和地圖創(chuàng)建。在特征提取過程中，利用梯度密度濾波器進(jìn)行圖像預(yù)處理，以剔除局部梯度密度過高的區(qū)域；然后采用LSD算法進(jìn)行線特征提取，并且將LSD提取出的線段進(jìn)行合并，以減少線特征檢測的數(shù)量，提高檢測精度。在閉環(huán)檢測線程中，對原有基于點(diǎn)特征的詞袋模型進(jìn)行了擴(kuò)展，將線特征也引入進(jìn)來，提高了算法的精度及魯棒性。最后，以EuRoc公共數(shù)據(jù)集為實(shí)驗(yàn)對象，通過與基于點(diǎn)特征的ORB-SLAM2算法和基于點(diǎn)線特征的PL-SLAM算法比較，表明了ISSLAM算法的有效性。

線特征的引入，雖然提高了算法精度，但增加了特征提取與匹配階段的計(jì)算代價(jià)，耗時(shí)更長，不利于算法的實(shí)時(shí)性，需要做進(jìn)一步改進(jìn)以提高算法效率。