室內(nèi)環(huán)境下深度相機(jī)V-SLAM的稠密建圖

洪運(yùn)志，吳懷宇，陳志環(huán)

(武漢科技大學(xué) 機(jī)器人與智能系統(tǒng)研究院，湖北 武漢 430081)

0 引 言

隨著移動(dòng)機(jī)器人行業(yè)飛速發(fā)展，視覺(jué)同步定位與建圖[1](V-SLAM)問(wèn)題成為了機(jī)器人領(lǐng)域的熱點(diǎn)研究。由于傳感器中的深度相機(jī)可以直接獲取環(huán)境的彩色及深度信息，使得SLAM數(shù)據(jù)處理相對(duì)直接，所以深度相機(jī)被廣泛應(yīng)用于V-SLAM的地圖構(gòu)建[2,3]。韋蘭等[4]利用深度相機(jī)采集到的數(shù)據(jù)，結(jié)合圖像特征進(jìn)行閉環(huán)檢測(cè)和優(yōu)化，得到質(zhì)量較高的點(diǎn)云后，再進(jìn)行室內(nèi)稠密地圖重建。還有些學(xué)者利用SFM[5]來(lái)解決場(chǎng)景的稠密建圖問(wèn)題，比如Kinect Fusion和Elastic Fusion，但其實(shí)現(xiàn)的平臺(tái)一般需要配置強(qiáng)大的GPU來(lái)確保系統(tǒng)的實(shí)時(shí)性。Felix Endres等[6]提出的SLAM系統(tǒng)利用深度相機(jī)從彩色圖像中提取視覺(jué)特征，并使用深度信息來(lái)確定物體的三維位置，該方案雖沒(méi)要求用GPU，但使用SIFT提取特征點(diǎn)和所有幀來(lái)建圖，導(dǎo)致其運(yùn)算消耗較大，重建的三維點(diǎn)云地圖冗余點(diǎn)較多，不夠緊湊。Mur-Artal和Tardós[7]開(kāi)發(fā)了ORB-SLAM2，該算法使用圖優(yōu)化，能夠高精度地實(shí)現(xiàn)機(jī)器人定位，但其地圖是由稀疏的環(huán)境特征點(diǎn)構(gòu)成，應(yīng)用性較差。

由以上研究現(xiàn)狀可知：雖然深度相機(jī)V-SLAM中建圖研究已經(jīng)取得了一定突破，但當(dāng)前針對(duì)輸入數(shù)據(jù)中的深度圖像的研究[8]并不多?？紤]到深度圖像作為V-SLAM的系統(tǒng)性誤差將直接影響系統(tǒng)的定位精度，因此，本文將對(duì)深度圖像去噪進(jìn)行研究。另外，作為SLAM建圖中的重要環(huán)節(jié)，圖像關(guān)鍵幀[9]提取并沒(méi)有具體規(guī)則，關(guān)鍵幀若能較好地提取，那對(duì)建圖的準(zhǔn)確性和快速性將會(huì)有著重要的意義。并且，當(dāng)前深度相機(jī)V-SLAM的地圖構(gòu)建，大多數(shù)都是關(guān)于無(wú)序三維空間點(diǎn)構(gòu)成的簡(jiǎn)單環(huán)境點(diǎn)云地圖，很少涉及點(diǎn)云圖生成之前的優(yōu)化處理環(huán)節(jié)，且點(diǎn)云地圖本身規(guī)模較大，如果應(yīng)用于移動(dòng)機(jī)器人導(dǎo)航[10]等應(yīng)用，則需要更加緊湊，應(yīng)用性更強(qiáng)的地圖來(lái)呈現(xiàn)。

基于以上分析，本文提出一種基于改進(jìn)關(guān)鍵幀選取和點(diǎn)云優(yōu)化的V-SLAM稠密建圖方法，實(shí)現(xiàn)室內(nèi)環(huán)境3D OctoMap 地圖快速構(gòu)建。方法理論充分，實(shí)踐可行，構(gòu)建的稠密地圖應(yīng)用性強(qiáng)，存儲(chǔ)代價(jià)小，滿足室內(nèi)環(huán)境下深度相機(jī)V-SLAM建圖的實(shí)際需求。

1 本文工作

1.1 方法流程和結(jié)構(gòu)

本文提出的室內(nèi)環(huán)境下深度相機(jī)V-SLAM的稠密建圖總體結(jié)構(gòu)如圖1所示，主要包括深度圖像去噪與彩色圖配準(zhǔn)，SLAM位姿估計(jì)與關(guān)鍵幀提取，SLAM地圖構(gòu)建與優(yōu)化3個(gè)部分，最后是實(shí)驗(yàn)設(shè)計(jì)與驗(yàn)證。

圖1 深度相機(jī)V-SLAM稠密建圖總體結(jié)構(gòu)

1.2 深度相機(jī)模型

(1)深度相機(jī)標(biāo)定

為提高深度相機(jī)數(shù)據(jù)的精度，在使用深度相機(jī)之前需要對(duì)其進(jìn)行標(biāo)定。以微軟公司生產(chǎn)的Kinect為例，需要經(jīng)過(guò)標(biāo)定得到其內(nèi)參矩陣K，如式(1)所示

(1)

式中：fx，fy為相機(jī)在X，Y兩個(gè)軸上的焦距；cx，cy為相機(jī)坐標(biāo)系下相機(jī)光圈中心。本文使用ROS自帶的Calibration標(biāo)定包對(duì)Kinect進(jìn)行攝像頭的標(biāo)定。

(2)從二維圖像到三維空間

根據(jù)針孔相機(jī)模型，設(shè)點(diǎn)云中的一個(gè)空間點(diǎn)(x，y，z)，已知其在圖像中坐標(biāo)為(u，v，d)，再采用式(2)進(jìn)行轉(zhuǎn)換，就可以確定空間點(diǎn)的位置

z=d/s
x=(u-cx)·z/fx
y=(v-cy)·z/fy

(2)

式中：s指深度相機(jī)的縮放因子，d為深度信息。

1.3 深度圖像去噪

深度相機(jī)在拍攝物體的邊緣或者顏色較深的位置時(shí)通常會(huì)產(chǎn)生空洞噪聲(圖2(a)中記號(hào)部分)，從而致使深度值缺失。

圖2 深度圖像去噪

文獻(xiàn)[11]介紹了一種基于FMM算法的深度圖像空洞修復(fù)方法，在深度圖的一個(gè)小的鄰域內(nèi)，深度值是連續(xù)的，故空洞像素點(diǎn)p可以由其領(lǐng)域內(nèi)的有效像素來(lái)估計(jì)，如式(3)所示

(3)

該方法雖能對(duì)空洞噪聲進(jìn)行去除，但其需要計(jì)算彩色圖像的結(jié)構(gòu)相似性(SSIM)來(lái)確定待修補(bǔ)空洞區(qū)域像素p(x，y)， 算法的復(fù)雜度較高，不易實(shí)現(xiàn)。

所以本文通過(guò)改進(jìn)FMM算法，根據(jù)深度圖像素閾值特點(diǎn)，設(shè)計(jì)一種基于反二值閾值化分割方法來(lái)確定修復(fù)區(qū)域Ω中的待修復(fù)像素p(x，y)。 改進(jìn)FMM算法偽代碼如下：

一種改進(jìn)的FMM算法

(1)δΩ=待修復(fù)區(qū)域的邊緣，p=待修補(bǔ)的空洞像素，Head函數(shù)中⊕為圖像的膨脹

(2)while(δΩ非空)

(3)p(x，y)←Head(dΩ⊕dΩ-dΩ)

(4) for(m，n) in (x+1，y)， (x，y+1)， (x-1，y)， (x，y-1)

(5) if flag(m，n)≠know

(6) if flag(m，n)=inside

(7) inpaint(m，n)

(8) end if

(9) end if

(10) end for

(11)end while

設(shè)定圖像的像素有3種：know表示δΩ外部不需要修復(fù)的像素，inside表示δΩ內(nèi)部等待修復(fù)的像素。其中，dΩ表示OpenCV中函數(shù)的修復(fù)掩膜，dΩ(x，y) 是確定待修復(fù)區(qū)域掩膜的反二值閾值化函數(shù)，如式(4)

(4)

式中：根據(jù)深度圖像空洞噪聲的閾值范圍將深度圖像二值化，即灰度值不大于閾值threshhold的像素設(shè)置為255，其余設(shè)置為0，得到圖像待修復(fù)區(qū)域的掩膜。然后，將其結(jié)合到FMM算法中對(duì)圖像進(jìn)行修復(fù)。

如圖3所示，經(jīng)過(guò)本文改進(jìn)的FMM算法處理后，深度圖的黑洞噪聲被明顯去除，驗(yàn)證了所提出方法的有效性。

圖3 深度圖像修復(fù)

1.4 彩色圖像特征提取與匹配

在基于特征點(diǎn)的SLAM過(guò)程中，常用的提取算子和特征描述有SIFT、SURF、和ORB等。ORB算子計(jì)算速度較快且保持了特征子的旋轉(zhuǎn)、尺度不變性，綜合考慮SLAM建圖對(duì)準(zhǔn)確性和快速性需求，本文選用ORB特征進(jìn)行特征提取。

特征提取完成后，為了實(shí)現(xiàn)較高效率的特征匹配，采用FLANN實(shí)現(xiàn)初步的特征匹配。同時(shí)，為了去除錯(cuò)誤的匹配，本文還結(jié)合RANSAC算法剔除特征匹配中的誤匹配。

1.5 位姿估計(jì)與優(yōu)化

匹配完成后，就是求解相機(jī)的位姿變換矩陣。深度相機(jī)V-SLAM中是由3D-2D點(diǎn)估計(jì)法來(lái)解決位姿估計(jì)與優(yōu)化問(wèn)題。

(1)PnP法估計(jì)相機(jī)位姿

PnP[12]算法是求解3D-2D點(diǎn)估計(jì)的算法。在PnP中，已知n個(gè)點(diǎn)的3D位置和圖像中的投影，需要估計(jì)出相機(jī)位姿。已知兩幀圖像F1和F2， 并且匹配到了一組對(duì)應(yīng)的特征點(diǎn)P={p1,p2,…,pN}∈F1，Q={q1,q2,…,qN}∈F2， 其中，p和q都是已經(jīng)求出的匹配好的特征點(diǎn)。然后需要求而出一個(gè)旋轉(zhuǎn)矩陣R和位移矢量t，使得式(5)成立

?i，pi=Rqi+t

(5)

(2)非線性優(yōu)化

因?yàn)橛形粗南鄼C(jī)位姿和來(lái)自觀測(cè)點(diǎn)的噪聲，所以式(5)必然存在一個(gè)誤差。為減小這個(gè)誤差，需構(gòu)建最小二乘問(wèn)題，然后調(diào)整相機(jī)位姿都是錯(cuò)的是使其達(dá)到最佳位姿，從而使誤差最小化，基于深度相機(jī)V-SLAM的誤差函數(shù)如式(6)

(6)

式(6)被稱作重投影誤差，它是計(jì)算3D點(diǎn)位姿估計(jì)與觀測(cè)值之間的誤差。其目的就是找到一對(duì) (R,t)， 使得誤差函數(shù)(R,t) 取得最小值。式(6)中，pi為相機(jī)當(dāng)前幀圖像中的匹配點(diǎn)，qi為當(dāng)前幀運(yùn)動(dòng)后一幀中圖像的匹配點(diǎn)。

1.6 關(guān)鍵幀篩選

在SLAM過(guò)程中，如果圖像的位移超過(guò)一定的值，就將其定義為一個(gè)關(guān)鍵幀，本文利用關(guān)鍵幀進(jìn)行地圖構(gòu)建。為了減少建圖中的點(diǎn)云拼接冗余、不必要的計(jì)算量以及存儲(chǔ)浪費(fèi)，需要對(duì)SLAM過(guò)程中的圖像關(guān)鍵幀進(jìn)行篩選和提取。

本文采用一種基于特征相關(guān)性篩選的關(guān)鍵幀選取機(jī)制，算法流程如圖4所示。

圖4 基于特征相關(guān)性的關(guān)鍵幀篩選算法

記當(dāng)前幀F(xiàn)C，新關(guān)鍵幀F(xiàn)K，上一關(guān)鍵幀F(xiàn)K-1，首先，定義一個(gè)度量幀間運(yùn)動(dòng)的量D，其定義如式(7)

(7)

D是用幀間位移量r和旋轉(zhuǎn)量t的范數(shù)之和表示，然后將其與一個(gè)標(biāo)準(zhǔn)量Dmax比較，當(dāng)幀間運(yùn)動(dòng)大于標(biāo)準(zhǔn)量閾值的時(shí)候，判斷此時(shí)的匹配誤差過(guò)大，從而舍棄該幀，重新開(kāi)始下一幀判斷。當(dāng)D≤Dmax時(shí)，定義一個(gè)兩幀之間特征點(diǎn)數(shù)量占比的量E，其定義式如式(8)

(8)

式中：SFC，F(xiàn)K-1為當(dāng)前幀與上一關(guān)鍵幀匹配得到的特征點(diǎn)數(shù)量，SFK-1為上一關(guān)鍵幀的特征點(diǎn)數(shù)量，這兩者的比值表示兩幀之間的運(yùn)動(dòng)尺度E，若當(dāng)E>Emax時(shí)，說(shuō)明兩幀之間的運(yùn)動(dòng)尺度過(guò)小，不適合作為關(guān)鍵幀，返回到重新判斷；當(dāng)E≤Emax時(shí)，才判斷當(dāng)前幀適合作為關(guān)鍵幀保存。

然后，在SLAM過(guò)程中重復(fù)以上步驟，得到所有的關(guān)鍵幀，供點(diǎn)云拼接使用。

1.7 地圖構(gòu)建

(1)點(diǎn)云圖拼接

點(diǎn)云圖的拼接是由點(diǎn)云變換得來(lái)，這個(gè)變換是用變換矩陣T如式(9)來(lái)描述

(9)

式中：T為相機(jī)位姿的變換矩陣，包括1.5節(jié)求得的旋轉(zhuǎn)矩陣R和平移向量t。

設(shè)位姿變換前某空間點(diǎn)為(x1，x2，x3)，變換后空間點(diǎn)為(y1，y2，y3)，結(jié)合式(9)，利用式(10)變換關(guān)系對(duì)空間點(diǎn)進(jìn)行位姿變換，獲得變換后的點(diǎn)云信息

(10)

(2)點(diǎn)云濾波和下采樣

點(diǎn)云圖拼接完成后，考慮到圖中存在的冗余點(diǎn)和噪聲點(diǎn)，需對(duì)點(diǎn)云加一些濾波處理，以獲得更清晰緊湊的建圖效果。在本文的建圖方法中，基于PCL點(diǎn)云庫(kù)，采用了去外點(diǎn)濾波以及點(diǎn)云下采樣優(yōu)化方法。

1)由于Kinect 的量程有限，在生成點(diǎn)云時(shí)，去掉深度值d在5000-8000之外的點(diǎn)。

2)為了去掉孤立的噪聲點(diǎn)，利用統(tǒng)計(jì)濾波器方法去除地圖中每個(gè)點(diǎn)與它最近N個(gè)點(diǎn)之外的點(diǎn)，N值通常為 40-80 左右。

另外，體素濾波能保證在某個(gè)一定大小的立方體(體素格)內(nèi)僅有一個(gè)點(diǎn)，相當(dāng)于對(duì)三維點(diǎn)云進(jìn)行下采樣，從而能節(jié)省存儲(chǔ)空間。本文在建圖上還利用體素濾波器對(duì)點(diǎn)云下采樣。針對(duì)本文建圖方法，下采樣分辨率S一般取0.001-0.01。

(3)3D OctoMap轉(zhuǎn)換

點(diǎn)云圖有一些明顯的缺點(diǎn)：點(diǎn)云圖數(shù)據(jù)量通常很大而且不緊湊，需要大量的存儲(chǔ)資源；點(diǎn)云圖不能應(yīng)用于機(jī)器人導(dǎo)航和路徑規(guī)劃。而3D OctoMap[13]能夠更加直觀地表示環(huán)境中的占用、空閑，更有利于機(jī)器人導(dǎo)航和路徑規(guī)劃?；谝陨戏治?，本文采用一種3D柵格化處理方法，將點(diǎn)云圖轉(zhuǎn)換成應(yīng)用性更強(qiáng)、存儲(chǔ)代價(jià)更低的3D OctoMap地圖。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)平臺(tái)

本實(shí)驗(yàn)計(jì)算機(jī)配置為：CPU為Intel Core i5 5800U處理器，8 GB內(nèi)存，主頻2.5 GHz，系統(tǒng)是Ubuntu14.04。實(shí)際環(huán)境的數(shù)據(jù)來(lái)源于JS-R移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)，如圖5(a)所示，該移動(dòng)平臺(tái)搭載ROS，通過(guò)ROS采集圖像數(shù)據(jù)。軟件開(kāi)發(fā)環(huán)境主要采用OpenCV2.4.8、Eigen庫(kù)以及點(diǎn)云庫(kù)PCL1.7。本文實(shí)際場(chǎng)地實(shí)驗(yàn)數(shù)據(jù)取自武漢科技大學(xué)如圖5(b)所示。

圖5 實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)室環(huán)境

進(jìn)一步的，為了說(shuō)明本文建圖方法的有效性與一般性，實(shí)驗(yàn)還選取了來(lái)自德國(guó)弗萊堡大學(xué)著名的開(kāi)源TUM 數(shù)據(jù)集中的FR1/XYZ室內(nèi)環(huán)境。針對(duì)此數(shù)據(jù)集，將本文方法建圖結(jié)果與ORBSLAM2和RGB-D SLAM v2的建圖結(jié)果進(jìn)行對(duì)比實(shí)驗(yàn)。

2.2 特征提取與配準(zhǔn)

針對(duì)輸入數(shù)據(jù)中彩色圖像，提取其ORB特征點(diǎn)，并計(jì)算關(guān)鍵點(diǎn)和描述子，利用FLANN算法得到初次匹配如圖6所示，此時(shí)產(chǎn)生了391個(gè)匹配特征點(diǎn)。

圖6 初次特征匹配獲取的匹配

接著，使用RANSAC算法對(duì)上述匹配結(jié)果進(jìn)行進(jìn)一步的篩選，得到的有效匹配數(shù)量為52，其匹配結(jié)果如圖7所示。

圖7 經(jīng)過(guò)FLANN及RANSAC算法后的匹配

2.3 實(shí)際室內(nèi)環(huán)境稠密建圖

(1)位姿估計(jì)與關(guān)鍵幀提取

根據(jù)PnP匹配算法和最小化重投影誤差函數(shù)對(duì)估計(jì)出的位姿進(jìn)行優(yōu)化，求解出圖像幀之間的相機(jī)旋轉(zhuǎn)向量r和位移t。同時(shí)，根據(jù)采用的關(guān)鍵幀提取方法，對(duì)機(jī)器人在圖5中的室內(nèi)環(huán)境1中采集到的117幀彩色、深度數(shù)據(jù)幀，進(jìn)行了關(guān)鍵幀提取與位姿估計(jì)，設(shè)置Dmax=0.4，Emax=0.8， 得到了31幀關(guān)鍵幀及其位姿信息。為了使位姿估計(jì)更加直觀展示，實(shí)驗(yàn)將相機(jī)的關(guān)鍵幀運(yùn)動(dòng)在X/Y平面上進(jìn)行投影，由于實(shí)驗(yàn)室無(wú)法捕捉機(jī)器人運(yùn)動(dòng)真實(shí)值，所以本文僅將得到的位姿用MATLAB在X/Y平面上表示，如圖8所示。

圖8 室內(nèi)環(huán)境1中機(jī)器人在X/Y平面移動(dòng)軌跡

圖8所表現(xiàn)的是，START點(diǎn)設(shè)置的為JS-R機(jī)器人在室內(nèi)環(huán)境1中運(yùn)動(dòng)的起點(diǎn)，箭頭為機(jī)器人實(shí)際的運(yùn)動(dòng)方向，小圓圈代表所選取機(jī)器人相機(jī)關(guān)鍵幀所處的位置，END點(diǎn)為捕捉機(jī)器人最后一幀關(guān)鍵幀時(shí)刻的位置點(diǎn)。從軌跡形狀看，整體運(yùn)動(dòng)穩(wěn)定且沒(méi)有出現(xiàn)奇點(diǎn)，運(yùn)動(dòng)路徑平穩(wěn)，說(shuō)明位姿估計(jì)較為準(zhǔn)確。

(2)點(diǎn)云生成與濾波優(yōu)化

實(shí)驗(yàn)數(shù)據(jù)選取的是室內(nèi)環(huán)境2下拍攝獲取的20幀彩色、深度圖像。圖9顯示了武科大某室內(nèi)環(huán)境2的點(diǎn)云地圖經(jīng)過(guò)濾波優(yōu)化處理的過(guò)程：原始點(diǎn)云圖顯示在圖9(a)、圖9(b)的左側(cè)，而經(jīng)過(guò)本文方法的點(diǎn)云優(yōu)化圖如圖9(c)所示。

圖9 室內(nèi)環(huán)境2點(diǎn)云圖構(gòu)建與優(yōu)化

從圖9(b)中圓圈標(biāo)注部分可以看到，點(diǎn)云拼接后的圖存在大量離群點(diǎn)和冗余點(diǎn)；而經(jīng)過(guò)本文濾波方法處理后(圖9(c))，這些噪聲點(diǎn)明顯大量地被去除，得到的點(diǎn)云圖效果更平滑和清晰，說(shuō)明本文濾波優(yōu)化方法對(duì)點(diǎn)云噪聲處理效果出色，實(shí)際作用明顯。

(3)稠密地圖構(gòu)建

為驗(yàn)證本文建圖方法在實(shí)際室內(nèi)環(huán)境中的有效性，實(shí)驗(yàn)借助JS-R機(jī)器人移動(dòng)平臺(tái)，對(duì)室內(nèi)環(huán)境1進(jìn)行實(shí)際場(chǎng)地的建圖實(shí)驗(yàn)。同時(shí)，使用3D OctoMap來(lái)實(shí)現(xiàn)緊湊的三維地圖轉(zhuǎn)換。本文將室內(nèi)環(huán)境1和環(huán)境2的點(diǎn)云圖最終轉(zhuǎn)換成3D OctoMap地圖形式，效果如圖10所示。

圖10 某室內(nèi)環(huán)境1和環(huán)境2的稠密建圖

圖10(b)是從室內(nèi)環(huán)境2構(gòu)建的3D OctoMap，圖10(d)和圖10(e)是從圖室內(nèi)環(huán)境1構(gòu)建的3D OctoMap。從建圖效果可以看出，轉(zhuǎn)換后的地圖更加具體和直觀，這對(duì)于SLAM應(yīng)用于機(jī)器人導(dǎo)航和避障具有直接的現(xiàn)實(shí)意義，同時(shí)，所構(gòu)建的稠密地圖比點(diǎn)云圖更加緊湊和準(zhǔn)確，說(shuō)明了本文稠密建圖方法的準(zhǔn)確性和實(shí)用性。

2.4 與經(jīng)典開(kāi)源方案的建圖對(duì)比實(shí)驗(yàn)

針對(duì)TUM-RGB-D中的FR1/XYZ數(shù)據(jù)集，進(jìn)行了建圖對(duì)比實(shí)驗(yàn)。結(jié)果如圖11所示。

圖11(a)是ORB SLAM2室內(nèi)環(huán)境重建圖，其地圖形式為稀疏的點(diǎn)云，對(duì)室內(nèi)環(huán)境的描述效果較差，不能判斷環(huán)境中的物體的類別屬性。圖11(b)是RGB-D SLAM v2的重建地圖，其對(duì)室內(nèi)環(huán)境的描述比較豐富，各個(gè)物體模樣基本可以知道，但其重疊點(diǎn)云以及冗余性數(shù)據(jù)比較多。圖11(c)是本文方法得到的點(diǎn)云地圖，其對(duì)室內(nèi)物體的描述相較于ORB SLAM2要豐富得多，與RGB-D SLAM v2對(duì)比，如圖11(b)、圖11(c)中圓圈部分所示，電腦上邊緣處和桌面書(shū)本處等細(xì)節(jié)地方重疊和冗余明顯減少，整體處理地更清晰，效果較好。圖11(d)是經(jīng)過(guò)3D OctoMap轉(zhuǎn)換后的地圖，該地圖形式較于點(diǎn)云圖，能更清楚直觀地反映所處環(huán)境的具體情況，同時(shí)還能大大減少存儲(chǔ)空間，進(jìn)一步地說(shuō)明了本文稠密建圖方法較于一般SLAM建圖方法的有效性和高效性。

圖11 FR1/XYZ數(shù)據(jù)集稠密建圖

2.5 結(jié)果分析

為了說(shuō)明本文稠密建圖質(zhì)量和效率的綜合表現(xiàn)，將1201實(shí)驗(yàn)室室內(nèi)環(huán)境1、環(huán)境2以及FR1/XYZ數(shù)據(jù)集建圖的數(shù)據(jù)進(jìn)行對(duì)比。其中，一些參數(shù)設(shè)置為：深度誤差去除的參數(shù)d=7000，離群點(diǎn)濾波參數(shù)N=50，體素濾波體素格大小為0.01。室內(nèi)環(huán)境2八叉樹(shù)葉子節(jié)點(diǎn)大小(分辨率)設(shè)為0.01，室內(nèi)環(huán)境1和FR1/XYZ的葉子節(jié)點(diǎn)大小設(shè)為0.04，稠密建圖的點(diǎn)云和存儲(chǔ)空間變化見(jiàn)表1。

表1 稠密地圖節(jié)點(diǎn)數(shù)和存儲(chǔ)大小

表1中的數(shù)據(jù)顯示，3種室內(nèi)環(huán)境的點(diǎn)云圖在經(jīng)過(guò)本文的濾波優(yōu)化以及八叉樹(shù)轉(zhuǎn)換后，稠密圖中的稀疏異常值都得到了明顯去除，地圖數(shù)據(jù)質(zhì)量得到了很大的改善，同時(shí)，也減少了存儲(chǔ)消耗。圖12展示了3種室內(nèi)環(huán)境下稠密建圖的地圖數(shù)據(jù)量的平均變化率。

圖12中可知，如將處理前的點(diǎn)云圖數(shù)據(jù)點(diǎn)數(shù)量和存儲(chǔ)大小都設(shè)置為100%，那么經(jīng)過(guò)濾波優(yōu)化處理后的點(diǎn)云數(shù)據(jù)點(diǎn)下降了接近10%，存儲(chǔ)占用下降了68.53%。經(jīng)過(guò)3D OctoMap地圖轉(zhuǎn)換后的地圖數(shù)據(jù)點(diǎn)數(shù)量下降了接近97%，存儲(chǔ)規(guī)模下降了98%左右。再次驗(yàn)證，根據(jù)本文的建圖方法，可以構(gòu)建一個(gè)更準(zhǔn)確和緊湊的地圖。

圖12 室內(nèi)環(huán)境地圖平均數(shù)據(jù)變化(百分率)

同時(shí)，為說(shuō)明本文建圖效率，對(duì)TUM中的FR1_XYZ數(shù)據(jù)集，從建圖的幀數(shù)和建圖時(shí)間來(lái)比較RGB-D SLAM v2、ORB SLAM2以及本文方法的差異，表2為這3種方法的關(guān)鍵幀數(shù)量以及耗時(shí)。

表2 本文建圖方法與RGB-D SLAM v2、ORBSLAM方案對(duì)比

由表2可知，ORB SLAM2的運(yùn)行效率最好，平均幀率和建圖耗時(shí)也是最優(yōu)的，但其地圖為稀疏點(diǎn)云圖，對(duì)室內(nèi)環(huán)境的描述太弱，缺乏實(shí)際應(yīng)用性。

使用本文建圖方法的FR1/XYZ數(shù)據(jù)集的關(guān)鍵幀提取數(shù)為65幀，平均幀率為8.35 Hz，幀率比RGB-D SLAM v2提高了26.1%，點(diǎn)云建圖耗時(shí)則下降了48.7%，從實(shí)時(shí)性方面本文方法表現(xiàn)更好。綜上所述，本文稠密建圖方法能夠較為快速、準(zhǔn)確地實(shí)現(xiàn)室內(nèi)環(huán)境三維地圖構(gòu)建，構(gòu)建的3D OctoMap也更符合實(shí)際應(yīng)用需求。

3 結(jié)束語(yǔ)

本文設(shè)計(jì)的室內(nèi)環(huán)境下深度相機(jī)V-SLAM的稠密建圖方法，該方法首先改進(jìn)FMM算法并對(duì)深度圖進(jìn)行去噪修復(fù)，對(duì)彩色圖提取ORB特征；然后利用PnP算法和最小化重投影誤差估計(jì)相機(jī)位姿，并設(shè)計(jì)了一種關(guān)鍵幀選取機(jī)制提取關(guān)鍵幀；最后，采用一種結(jié)合濾波和下采樣的點(diǎn)云圖優(yōu)化方法，并將優(yōu)化后的點(diǎn)云圖轉(zhuǎn)換為3D OctoMap地圖，最終實(shí)現(xiàn)三維稠密地圖構(gòu)建。實(shí)驗(yàn)2.3說(shuō)明了本文建圖方法的有效性以及能較好地滿足實(shí)際應(yīng)用性需求，實(shí)驗(yàn)2.4驗(yàn)證了方法的快速性和準(zhǔn)確性，所提出的方法能夠較為簡(jiǎn)便、高效地實(shí)現(xiàn)室內(nèi)環(huán)境稠密地圖構(gòu)建，具有較好的實(shí)際應(yīng)用價(jià)值。

另外，本文后續(xù)重點(diǎn)工作將考慮引入基于外觀的回環(huán)檢測(cè)部分，以減小累積誤差從而使建圖結(jié)果更精確。