優化ORB 特征的視覺SLAM

文/趙永達

同步定位與地圖構建(Simultaneous Localization And Mapping，即SLAM)最早在1988年被提出。隨著SLAM 技術的發展涌現了大量的優秀成果，如：基于半直接法的視覺slam 算法SVO 和基于特征點法的ORBSLAM。其中，SVO 在梯度變化不明顯的區域效果很差，且容易受到光照的影響。ORBSLAM 魯棒性相對較好，但誤匹配的存在依然對系統準確性有較大影響。因此，本文采用重定位的方法，優化關鍵特征。

1 算法簡介

基于深度相機ORB 重優化SLAM 方法：首先獲取視覺傳感器數據，包括顏色信息和深度信息，并對彩色圖像提取關鍵特征；然后，采用重定位的方式再次優化關鍵特征；最后，通過PNP 算法與g2o 重優化結合的方法估計相機的位姿變化，篩選關鍵幀，并進行閉環檢測，得到全局優化位姿，拼接點云形成地圖。

2 ORB特征研究

對圖像提取關鍵點以及跟蹤，依據跟蹤到的的特征點的變化，用于估計相機的位姿變化。目前常用的特征點提取算法有SIFT 算法、SUFT 算法、ORB 算法三種。SIFT 算法和SURF 算法在提取特征點時計算量大，影響系統的實時性，現在通常使用ORB 算法提取圖像特征，ORB 算法可以快速的提取特征。

使用ORB 算法提取關鍵特征，但由于提取ORB 特征的過程中，沒有考慮到關鍵點的灰度值以及深度信息，因此會產生以誤匹配。

3 位姿重迭代的研究

對關鍵特征，本文中采用兩次g2o 與PnP結合估計最優位姿，分別用于去除誤匹配特征和位姿優化。過程如下：

（1）構建誤差函數，其中K 為相機內參，ξ 為相機的位姿

（2）采用圖優化（g2o）的方式估計位姿，估計位姿的變化為ξ*；

圖1：位姿估計結果

（3）對于每一個特征點對，利用估計的位姿變化結果，與前后特征值信息，對于滿足的特征點對，丟棄。

（4）根據優化后的關鍵特征，采用g2o與PnP 結合的方法估計最優位姿。

4 實驗結果分析

本文實驗采用TUM 標準數據集中基于Kinect 視覺傳感器室內數據包進行測試。本實驗運行在Ubuntu14.04 系統上，配置為包括4核型號為Intel（R）Core(TM)i5-5200U 的處理器，以及8GB 的內存和Intel(R) HD Graphics 5500 的顯卡。

本文首先提取ORB 特征，并進行特征匹配。分別用ORB 關鍵特征、以及優化后的ORB 關鍵特征估計位姿變化，并記錄估計結果。部分估計結果如圖1所示，圖中藍色為相機的真實空間位置，紅色為使用沒有優化的關鍵特征的位姿估計結果，綠色的線是依據優化后關鍵特征估計的位姿結果。

5 結束語

通過實驗可以看出，使用優化后的ORB特征估計的位姿，更接近相機的真實位置。并且將關鍵特征重定位優化以后，再估計位姿的方法穩定性更好。