基于運動狀態的特征點選擇策略

任緒龍 范涵奇

摘要：在本文中提出了一種新穎的適用于雙目視覺里程計的特征點篩選策略，即通過特征點的運動狀態來對已有的匹配點進行進一步篩選，以此來獲取更加穩定的特征點。通過在KITTI數據集上進行試驗，該方法相較于傳統的視覺里程計具有更高的精度。

關鍵詞：雙目視覺里程計;特征點;運動狀態;KITTI

中圖分類號：TP391 文獻標識碼：A 文章編號：1007-9416（2019）04-0069-02

0 引言

近年來，slam[1]技術被廣泛應用于機器人，增強現實，路徑規劃，無人駕駛以及三維重建等方面，slam主要分為兩個部分：前端和后端，而VO（visual odometry）作為slam前端的重要組成部分，其主要是根據圖像的信息粗略的估計出相機的運動，從而給后端提供較好的初始值。而在現有的應用技術中VO的實現主要分為兩個方面，一種是基于濾波的，另一種是基于關鍵幀的實現。對于基于濾波的方法，受地圖的影響其復雜度高且計算量大。因此，本文中采用基于關鍵幀的方法求解VO問題。對于采用關鍵幀解決VO的問題主要分為兩種，一種是直接法，另一種是基于特征點的方法。而在本文中采用的利用關鍵幀解決VO問題的方法是基于特征點的方法。對于基于特征點的方法而言，如何選擇穩定魯棒的特征點則是VO中所要解決的主要問題。

本文則是基于上述問題提出了一種比較新穎的特征點選擇策略，即采用特征點的匹配和特征點的運動狀態相結合的方法來篩選穩定魯棒的特征點，以此來提高VO的精度，進而提高slam系統的精度。

slam系統包括前端和后端，VO作為slam的前端采用相機獲取圖像并求取當前幀的位姿以及當前幀的特征點，后端則是對前端獲取的位姿進行優化。而在整個過程中，前端中的每幀圖像中獲取的特征點的質量高低將對后續的位姿估計以及關鍵幀的獲取具有很重要的影響。特征點質量的好壞將會影響系統最終的定位與建圖的精確度。

1 特征點篩選

本節主要描述了本文的核心方法，即在雙目的視覺里程計中如何通過特征點的運動狀態來篩選出穩定的特征點，從而進一步使得系統獲取高精度的定位與重建結果。

本文采用的方法主要分為以下兩個步驟：

（1）對檢測到的每個特征點附加age[2-3]屬性，age屬性的描述為：如果該特征點為第一次檢測，則將其age設為0;若在后續的圖像中仍能連續的檢測到該特征點，則將該特征點的age值加1。后續新檢測的特征點依次按照上述的方式進行設置。

（2）利用光流對檢測到的每個特征點計算其速度及其加速度。首先，在計算速度時需要保證檢測到的每個特征點的age值需大于1，而計算加速度時則需要保證每個特征點的age值應當大于2。同時，在獲取了每個特征點對應的速度及加速度之后，本文中采用設定的閾值，對滿足一定條件的匹配點的進行篩選，若特征點的運動結果與匹配結果之間的距離滿足閾值條件，則將該特征點進行保留，不滿足的則進行舍棄。而在這里的判斷條件則是指：在獲取了當前幀中特征點的速度或加速度后，首先將當前幀中的特征點經過特征匹配獲得其在下一幀中的位置，并且通過運動方式獲取該特征點在下一幀中的位置，然后計算兩個像素點位置之間的歐式距離，之后通過計算獲取的歐式距離與預先設定的閾值進行比較，若大于該閾值則舍去否則將該點進行保留。從而最終通過這種方式來達到對每幅圖像中匹配的特征點進行進一步篩選的目的。

如圖1所示，為該過程中一個特征點對應的匹配及運動結果描述圖，其中前一幀中的紅色點表示第一次檢測到的特征點位置，當前幀的紅色點表示初始特征點經過特征匹配獲取的特征店在當前幀的位置，下一幀中的紅色點表示當前幀中的紅色點經過特征匹配獲取的特征點位置;而當前幀和下一幀中綠色的點表示初始檢測的特征點（前一幀中的紅色點）經過運動在當前幀以及下一幀中的位置。

2 實驗與分析

為了充分說明本文中提取方法的有效性，將本文中的方法在KITTI數據集上進行測試。同時進行本實驗時所采用的計算機的處理器為i7-4770，CPU為2.4GHz以及內存為4GB，其實驗結果如表1所示。

3 結語

本文提出了一種新穎的特征點篩選策略，即采用特征點的運動狀態來對已檢測的特征點進行篩選，從而進一步提高了雙目視覺里程計的精度，同時通過在KITTI數據集中進行實驗測試說明了本文的方法的適用性以及精度。

參考文獻

[1] Geiger A，Ziegler J，Stiller C.StereoScan：Dense 3d reconstruction in real-time[C]// Intelligent Vehicles Symposium （IV），2011 IEEE.IEEE，2011.

[2] Bailey T ， Durrant-Whyte H . Simultaneous localization and mapping （SLAM）： part II[J]. IEEE Robotics & Automation Magazine，2006，13.

[3] Cvisic I ， Petrovic I . Stereo odometry based on careful feature selection and tracking[C]//2015 European Conference on Mobile Robots （ECMR）.IEEE，2015.