基于改進(jìn)ORB算法的視覺里程計(jì)定位方法

張?zhí)煊睿瑓菓延睿愔经h(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

視覺同時(shí)定位與地圖構(gòu)建(vision simultaneous localization and mapping，V-SLAM)是一種通過視覺傳感器來建立環(huán)境模型和估算自身位姿的系統(tǒng)。該系統(tǒng)中視覺里程計(jì)的實(shí)現(xiàn)方法主要有直接法[1]和特征點(diǎn)法[2-6]兩種。由于特征點(diǎn)法具有較高的穩(wěn)定性和較好的魯棒性，所以特征點(diǎn)法一直都是當(dāng)前SLAM系統(tǒng)的主流方案。ORB(oriented fast and rotated brief)算法是特征點(diǎn)法中表現(xiàn)較突出的一種方法。

因此很多學(xué)者為了提高視覺里程計(jì)的精度，圍繞ORB算法進(jìn)行研究和改進(jìn)。Xin等[7]利用PROSAC算法剔除ORB特征匹配中的誤匹配提高算法精度。姚海芳等[8]綜合SURF算法的魯棒性和ORB算法實(shí)時(shí)性，提出了一種S-ORB來改善算法的實(shí)時(shí)性和準(zhǔn)確性。李艷山等[9]在提取特征ORB點(diǎn)時(shí)，采用二分區(qū)域法對(duì)圖像進(jìn)行預(yù)處理，以縮短特征點(diǎn)提取的時(shí)間，較好改善匹配速度和精度。

以上研究者所提出的方法雖能較好完成特征提取、特征匹配和誤匹配剔除，提高視覺里程計(jì)的定位精度。但在上述方法大多采用固定閾值進(jìn)行特征提取，并未考慮到環(huán)境亮度變化對(duì)特征提取的影響。例如在一些實(shí)際環(huán)境中，由于窗戶和地面反光、陰雨天以及物體遮擋產(chǎn)生陰影等原因，會(huì)使得圖像亮度發(fā)生變化，導(dǎo)致特征提取和匹配的結(jié)果并不準(zhǔn)確，從而使視覺里程計(jì)的定位精度降低。本文針對(duì)灰度變化提出一種自適應(yīng)閾值ORB算法，并引入漸進(jìn)一致性算法剔除誤匹配，旨在提高視覺里程計(jì)的定位精度。

1 本文工作

1.1 視覺里程計(jì)框架介紹

視覺里程計(jì)目標(biāo)是根據(jù)相機(jī)拍攝的圖像信息對(duì)相機(jī)的運(yùn)動(dòng)(包括相機(jī)平移T和旋轉(zhuǎn)R)進(jìn)行估算，獲取實(shí)時(shí)的位姿信息。本文提出一種基于改進(jìn)ORB算法的視覺里程計(jì)定位方法，具體的視覺里程計(jì)框架如圖1所示，首先對(duì)Kinect相機(jī)采集的深度圖和彩色圖并進(jìn)行配準(zhǔn)，然后在特征匹配階段根據(jù)圖像的灰度變化設(shè)置ORB特征提取的閾值并使用漸進(jìn)一致性算法(PROSSAC)進(jìn)行誤匹配剔除，提高特征提取和匹配的準(zhǔn)確率，再結(jié)合Kinect相機(jī)的深度圖和彩色圖配準(zhǔn)的結(jié)果采用ICP算法來求解相機(jī)位姿，最后用光束法平差(bundle adjustment，BA)對(duì)位姿圖進(jìn)行優(yōu)化，獲取Kinect相機(jī)的實(shí)時(shí)位姿信息以及軌跡。

圖1 視覺里程計(jì)框架

1.2 三維點(diǎn)云生成

為了配合ICP求解位姿，需要將二維像素點(diǎn)轉(zhuǎn)化為三維空間點(diǎn)，生成三維點(diǎn)云。首先采用張正友標(biāo)定方法[10]對(duì)相機(jī)進(jìn)行標(biāo)定和配準(zhǔn)，獲取相機(jī)的內(nèi)參矩陣K，如式(1)所示

(1)

其中，fx，fy分別是x，y軸上的焦距；cx，cy為像素坐標(biāo)系和成像平面的平移量。

結(jié)合相機(jī)內(nèi)參矩陣，利用針孔模型將二維像素點(diǎn)轉(zhuǎn)化為對(duì)應(yīng)的三維坐標(biāo)點(diǎn)，設(shè)一個(gè)圖像特征點(diǎn)的像素坐標(biāo) (u，v) 和相機(jī)的測量深度d，可以求得特征點(diǎn)在三維空間的位置坐標(biāo) (x，y，z)， 計(jì)算如式(2)～式(4)所示

x=(u-cx)·z/fx

(2)

y=(v-cx)·z/fy

(3)

z=d/s

(4)

其中，s為Kinect相機(jī)的縮放因子。

1.3 ORB特征提取和匹配

ORB算子是一種定向二進(jìn)制描述符，由FAST關(guān)鍵子和BRIEF描述子組成，該算子與SURF算子、SIFT算子相比，具有更快的特征提取速度，因此采用速度更快的ORB算子更符合里程計(jì)定位實(shí)時(shí)性要求。

1.3.1 ORB特征提取及其改進(jìn)

ORB算法的特征提取部分由FAST算法來完成，該方法主要檢測局部像素灰度變化明顯的位置，考慮中心像素點(diǎn)p，設(shè)中心像素點(diǎn)的灰度為Ip，如圖2所示。

圖2 FAST特征點(diǎn)

假設(shè)中心點(diǎn)附近的圓形區(qū)域上的16個(gè)像素，有12個(gè)連續(xù)點(diǎn)的灰度滿足條件如式(5)，若滿足，則為特征點(diǎn)，反正，不是特征點(diǎn)。其中T為閾值，Ix代表圓形區(qū)域上的16個(gè)點(diǎn)的像素

∑x∈circle(p)|Ix-Ip|>T

(5)

但是在特征提取時(shí)，傳統(tǒng)ORB提取算法所使用的閾值T是人為設(shè)定的固定值，當(dāng)環(huán)境亮度發(fā)生變化時(shí)，相機(jī)采集的圖片亮度也會(huì)變化，特征提取的數(shù)量會(huì)劇烈減少或者增加，這會(huì)導(dǎo)致特征提取錯(cuò)誤和特征匹配錯(cuò)誤，故本文采用一種自適應(yīng)閾值的方法，利用每個(gè)候選點(diǎn)周圍矩形區(qū)域的亮度來求取閾值，使得算法能在環(huán)境亮度變化的情況能提取到穩(wěn)定的特征點(diǎn)。

具體的自適應(yīng)閾值計(jì)算方法如下：設(shè)圖像上的p點(diǎn)(x0，y0)為候選特征點(diǎn)，取以(x0，y0)為中心且邊長為L方形區(qū)域，如圖2中矩形方框所示，定義特征閾值為T，計(jì)算公式如下

(6)

其中，Imax和Imin分別代表方形區(qū)域中最大的n個(gè)灰度值和最小的n個(gè)灰度值，Iarer為方形區(qū)域灰度的平均值，a為比例系數(shù)。文中a=3。

改進(jìn)后的ORB特征提取流程如下：

(1)首先計(jì)算圓形區(qū)域中心點(diǎn)p的像素灰度Ip，再根據(jù)式(6)計(jì)算特征提取的閾值T。

(2)對(duì)p像素點(diǎn)附近的圓形區(qū)域上的16個(gè)像素進(jìn)行采樣，每間隔3個(gè)像素點(diǎn)采樣一次，總共選取4個(gè)點(diǎn)，本文選取像素點(diǎn)分別為1，5，9，13(也可以取像素點(diǎn)2，6，10，14)，設(shè)這些點(diǎn)的像素灰度分別是I1、I5、I9、I13，判斷這些點(diǎn)的灰度是否滿足式(5)，若滿足，則p點(diǎn)為候選特征點(diǎn)，反之舍去。

(3)計(jì)算圓形區(qū)域上剩下的12個(gè)像素，設(shè)它們的像素灰度為Ix，判斷是否有9個(gè)點(diǎn)像素滿足式(5)，若存在，則p點(diǎn)為特征點(diǎn)，否則不是特征點(diǎn)。

為了實(shí)現(xiàn)特征點(diǎn)的旋轉(zhuǎn)不變性，通過灰度質(zhì)心法來確定特征點(diǎn)的方向。在以p點(diǎn)為圓心，半徑為3的圓形圖像塊內(nèi)，定義(x，y)為圖像塊內(nèi)的點(diǎn)相對(duì)于圓心的坐標(biāo)，質(zhì)心矩mab、質(zhì)心C和特征方向θ如式(7)～式(9)所示

(7)

C=(m10/m00,m01/m00)

(8)

θ=arctan(m01/m10)

(9)

其中，m00為0階質(zhì)心矩；m10和m01分別代表x軸和y軸方向的1階質(zhì)心矩。

1.3.2 ORB特征匹配與誤匹配剔除

特征匹配的作用主要是通過兩張圖片的空間位置關(guān)系求解，以獲取相機(jī)的位姿。通常采用FLANN方法來進(jìn)行粗匹配，然后繼續(xù)使用RANSAC(random sample consensus)對(duì)錯(cuò)誤匹配進(jìn)行剔除，提高匹配的準(zhǔn)確率。傳統(tǒng)RANSAC算法雖然能剔除誤匹配，但是該剔除誤匹配的過程具有隨機(jī)性，這會(huì)導(dǎo)致計(jì)算的迭代次數(shù)不穩(wěn)定，因此本文采用PROSAC(progressive sampling consensus)算法對(duì)誤匹配進(jìn)行剔除，相比RANSAC方法均勻地從整個(gè)集合中采樣，PROSAC則是先將數(shù)據(jù)排序，再按照質(zhì)量和的高低來選取數(shù)據(jù)，所以這種方法具有更高的效率和準(zhǔn)確性。該方法通常是將兩幅圖片的匹配結(jié)果作為一個(gè)采樣集合un，再根據(jù)匹配對(duì)的質(zhì)量方程進(jìn)行降序排序[11]，最后從質(zhì)量較高的匹配對(duì)中隨機(jī)抽取一部分匹配對(duì)計(jì)算參數(shù)模型和內(nèi)點(diǎn)數(shù)目，匹配質(zhì)量的判斷如式(10)

(10)

其中，βi和βj分別代表ui和uj樣本點(diǎn)的最小歐式距離和次小歐氏距離的比值，γ為質(zhì)量方程。

具體的PROSAC剔除誤匹配的流程如下：

(1)首先設(shè)置初始迭代次數(shù)為0，同時(shí)根據(jù)需求設(shè)置最大迭代次數(shù)和內(nèi)點(diǎn)數(shù)目閾值。

(2)將當(dāng)前的迭代次數(shù)和最大迭代次數(shù)進(jìn)行比較，若當(dāng)前迭代次數(shù)大于最大迭代次數(shù)，找不到對(duì)應(yīng)的模型參數(shù)，反之則繼續(xù)執(zhí)行步驟(3)。

(3)按照式(10)依次比較匹配對(duì)的質(zhì)量大小并進(jìn)行質(zhì)量降序排序，同時(shí)選取質(zhì)量最高的m個(gè)數(shù)據(jù)。

(4)從m個(gè)數(shù)據(jù)中隨機(jī)選取K個(gè)采樣點(diǎn)計(jì)算單應(yīng)矩陣H和內(nèi)點(diǎn)數(shù)目。同時(shí)判斷內(nèi)點(diǎn)數(shù)目是否大于設(shè)定的內(nèi)點(diǎn)數(shù)目閾值，若大于，則返回單應(yīng)矩陣以及內(nèi)點(diǎn)數(shù)目，反之，重復(fù)步驟(2)、步驟(3)更新內(nèi)點(diǎn)數(shù)目并且重新計(jì)算單應(yīng)矩陣H。

1.4 ICP位姿求解

剔除誤匹配之后得到較準(zhǔn)確的匹配對(duì)，需要對(duì)相機(jī)的位姿進(jìn)行求解。常用的位姿求解方法有PNP、ICP和對(duì)極幾何方法，由于使用的深度相機(jī)采集圖片信息深度是已知的，選擇ICP方法進(jìn)行位姿求解效率會(huì)更高。ICP方法是一種3D-3D的位姿估算方法，已知兩幀圖片分別為F1和F2，其中P={p1，…，p2}∈F1和Q={q1，…，q2}∈F2為一組匹配好的3D點(diǎn)，主要利用SVD[12]分解對(duì)相機(jī)位姿進(jìn)行求解，即求取旋轉(zhuǎn)矩陣R和平移矩陣T，使其滿足式(11)

?i,pi=Rqi+T

(11)

1.5 基于光速法平差的位姿圖優(yōu)化

因?yàn)橄鄼C(jī)初始估算的位姿存在未知噪聲和誤差，會(huì)導(dǎo)致定位不準(zhǔn)確。通常采用光速法平差將相機(jī)位姿最優(yōu)化處理，將路標(biāo)點(diǎn)和位姿作為代優(yōu)化的變量，運(yùn)動(dòng)模型和觀測模型作為約束條件。基于光速法平差的圖優(yōu)化模型可以表示為一個(gè)最小二乘問題，模型主要對(duì)位姿xk進(jìn)行優(yōu)化，那么目標(biāo)函數(shù)F(X)可以表示為

F(X)=∑(i,j)∈ce(xi,xj,zij)TΩije(xi,xj,zij)

(12)

X*=argminF(X)

(13)

其中，F(xiàn)(X) 為目標(biāo)函數(shù)，X是全部位姿變量的集合，xi，xj是i、j時(shí)刻估計(jì)出的機(jī)器人位姿，zij表示i、j時(shí)刻的觀測約束條件，e為實(shí)際的觀測值和計(jì)算出來的觀測值的誤差。Ωij代表約束信息矩陣，是對(duì)ei、ej誤差項(xiàng)相關(guān)性的預(yù)估。

由于文中的觀測方程是非線性函數(shù)，因此需要使用g2o[13]工具求解上述代價(jià)函數(shù)，該方法采用列文伯格-馬夸爾特方法作為非線性優(yōu)化的求解器，向求解器中添加當(dāng)前位姿和圖像特征點(diǎn)(路標(biāo)點(diǎn))，并將位姿和路標(biāo)點(diǎn)作為g2o圖的頂點(diǎn)，以位姿和路標(biāo)點(diǎn)的連線作為g2o圖的邊，對(duì)g2o圖的兩個(gè)頂點(diǎn)和一條邊進(jìn)行優(yōu)化，得到最優(yōu)位姿的集合和路標(biāo)點(diǎn)的空間位置集合。

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的可行性和準(zhǔn)確性，使用德國慕尼黑工業(yè)大學(xué)公開的TUM標(biāo)準(zhǔn)數(shù)據(jù)集的3個(gè)不同場景進(jìn)行測試。筆記本電腦的配置：內(nèi)存4 G、CPU為intel i5-4210U，2.5 GHZ，電腦操作系統(tǒng)為Ubuntu16.04。軟件平臺(tái)采用OpenCV3.2.0、PCL1.8.0和Eigen庫。本文首先測試改進(jìn)ORB特征提取和特征匹配算法的適應(yīng)性和精度，最后使用改進(jìn)后的ORB算法進(jìn)行跟蹤定位，并且與RGB-D SLAMv2算法和ORB-SLAM2算法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，最后使用JS-R移動(dòng)機(jī)器人驗(yàn)證改進(jìn)方法的可行性。

2.1 改進(jìn)ORB算法實(shí)驗(yàn)驗(yàn)證

2.1.1 特征提取和匹配實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)ORB提取算法的對(duì)圖像整體亮度變化的適應(yīng)性，實(shí)驗(yàn)分為A、B、C(亮度50%、亮度100%和亮度150%)3組進(jìn)行特征提取，并將傳統(tǒng)ORB算法與改進(jìn)的ORB算法進(jìn)行對(duì)比，特征提取結(jié)果如圖3所示。由于圖像在亮度增強(qiáng)時(shí)提取到的特征點(diǎn)會(huì)變多而亮度減弱時(shí)提取到的特征點(diǎn)會(huì)變少，傳統(tǒng)ORB算法在亮度變化時(shí)并不能提取穩(wěn)定的特征點(diǎn)數(shù)量，為了驗(yàn)證改進(jìn)的算法的特征提取效果，采用特征點(diǎn)數(shù)量作為判斷亮度適應(yīng)性好壞的標(biāo)準(zhǔn)。

圖3 不同亮度下特征提取結(jié)果

從表1可以看出改進(jìn)的ORB特征提取算法在光線變暗或者變亮的情況下，檢測到的特征點(diǎn)數(shù)量變化較小。而傳統(tǒng)的ORB特征提取算法在圖像亮度增強(qiáng)時(shí)，特征點(diǎn)重疊較為嚴(yán)重；在亮度減弱時(shí)，特征點(diǎn)的數(shù)量會(huì)劇烈減少，亮度的變化對(duì)其影響較大。實(shí)驗(yàn)結(jié)果表明，改進(jìn)ORB特征提取算法的在整體亮度的變化時(shí)能提取到更穩(wěn)定的特征點(diǎn)，具有更好的適應(yīng)性。

進(jìn)一步測試改進(jìn)的ORB算法在亮度變化時(shí)的匹配情況，并且與傳統(tǒng)ORB特征匹配算法對(duì)比。在強(qiáng)光、弱光以及強(qiáng)弱光變化時(shí)，傳統(tǒng)ORB特征匹配會(huì)產(chǎn)生較多的誤匹配，因此實(shí)驗(yàn)主要在強(qiáng)光環(huán)境、弱光環(huán)境和強(qiáng)弱光變化3種環(huán)境中來驗(yàn)證改進(jìn)ORB特征提取的效果。測試結(jié)果如圖4所示。

表1 特征提取結(jié)果

圖4 改進(jìn)的ORB特征匹配結(jié)果對(duì)比

圖4是改進(jìn)的ORB特征匹配算法和傳統(tǒng)ORB特征匹配算法的實(shí)驗(yàn)結(jié)果，從圖4中可以看出傳統(tǒng)ORB算法匹配時(shí)，會(huì)出現(xiàn)明顯的交叉錯(cuò)誤匹配對(duì)，特別的在強(qiáng)弱光變化的情況下交叉誤匹配對(duì)更多，而改進(jìn)后的ORB算法在3種光照環(huán)境中均未出現(xiàn)明顯錯(cuò)誤的匹配對(duì)，說明改進(jìn)后ORB算法的特征匹配結(jié)果更為精確。

2.1.2 PROSAC誤匹配剔除實(shí)驗(yàn)

為了驗(yàn)證PROSAC算法剔除誤匹配的高效性，將ORB+PROSAC方法、傳統(tǒng)ORB+RANSAC方法以及未進(jìn)行誤匹配剔除的ORB進(jìn)行對(duì)比，測試結(jié)果如圖5，圖5中RANSAC算法和PROSAC算法都成功剔除了誤差，沒有出現(xiàn)圖5(a)中明顯的交叉匹配情況。為了更好評(píng)估PROSAC算法剔除誤匹配的性能，進(jìn)一步比較PROSAC算法和RANSAC算法的剔除情況，本文使用匹配總時(shí)間、剔除誤匹配時(shí)間以及內(nèi)點(diǎn)數(shù)作為評(píng)估指標(biāo)，實(shí)驗(yàn)結(jié)果見表2。

圖5 匹配效果對(duì)比

表2 RANSAC和PROSAC算法比較

從表2中可以看出來，PROSAC算法剔除誤匹配與RANSAC算法剔除誤匹配相比獲得的內(nèi)點(diǎn)數(shù)要更多，說明PROSAC算法獲得正確模型的成功率也較高，因此匹配的正確率也會(huì)更高，另一方面該算法剔除誤匹配時(shí)間和匹配總時(shí)間都較RANSAC算法要少，表明利用PROSAC算法剔除誤匹配會(huì)更加高效和準(zhǔn)確，進(jìn)一步提高了相機(jī)定位的實(shí)時(shí)性和精度。

2.2 定位實(shí)驗(yàn)結(jié)果和誤差分析

由于室內(nèi)環(huán)境中容易出現(xiàn)陰影、桌子遮擋和地面反光等情況，導(dǎo)致相機(jī)采集的圖片亮度發(fā)生變化，因此選擇TUM標(biāo)準(zhǔn)數(shù)據(jù)集中室內(nèi)場景fr1/desk、fr1/floor和fr1/room這3個(gè)序列來測試，并且與RGB-D SLAMv2算法和ORB_SLAM2算法進(jìn)行對(duì)比，最后使用evo工具畫出3種算法的軌跡圖，并且對(duì)3種算法進(jìn)行評(píng)估和分析。

為了對(duì)測試結(jié)果進(jìn)行量化評(píng)估，通常會(huì)采用絕對(duì)軌跡誤差(ATE)的均方根(root mean square error，RMSE)誤差作為相機(jī)定位效果的量化指標(biāo)。假設(shè)相機(jī)估算軌跡序列是X={X1，…，Xn}， 相機(jī)的實(shí)際運(yùn)動(dòng)軌跡序列Y={Y1，…，Yn}， 那么相機(jī)的絕對(duì)軌跡誤差的均方根誤差可表示為

(14)

圖6是在3種算法在不同場景下相機(jī)運(yùn)動(dòng)軌跡和真實(shí)軌跡對(duì)比結(jié)果，從圖6中可以看出改進(jìn)后的算法軌跡圖沒有明顯的偏離真實(shí)軌跡，與真實(shí)軌跡基本一致。通過絕對(duì)軌跡誤差的均方根誤差對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行量化評(píng)估，結(jié)果見表3，其中RMSE值越小，說明相機(jī)偏離真實(shí)軌跡的距離越大，相應(yīng)相機(jī)的定位精度越低，反之說明相機(jī)偏離真實(shí)軌跡距離越小，相機(jī)的定位精度越高。

表3 不同場景下的RMSE對(duì)比

從表3中可以看出，在fr1/desk和fr1/floor場景下，改進(jìn)算法的絕對(duì)軌跡均方根誤差僅為0.0161 m和0.0154 m，且均低于ORB_SLAM2和RGB-D SLAMva。特別的在fr1/floor場景其絕對(duì)軌跡誤差的均方根誤差較其它兩種算法分別降低了26.6%和15.2%。而在fr1/room場景下其絕對(duì)軌跡的均方根誤差為0.0583 m，雖略大于ORB_SLAM2算法絕對(duì)軌跡均方根誤差，但是誤差小于RGB-D SLAMva算法的絕對(duì)軌跡均方根誤差。實(shí)驗(yàn)結(jié)果表明，在大部分情況下本文提出的方法的絕對(duì)軌跡均方根誤差都要小于另外兩種方法，說明改進(jìn)后的視覺里程計(jì)的定位精度更高。

2.3 實(shí)際場景測試

為驗(yàn)證改進(jìn)后的算法在實(shí)際場景中的可行性，實(shí)驗(yàn)借助JS-R移動(dòng)機(jī)器人來測試算法性能，JS-R移動(dòng)機(jī)器人搭載Kinectv1相機(jī)，如圖7(b)所示。圖7(a)是實(shí)驗(yàn)室測試場地，控制機(jī)器人沿著標(biāo)記線方向運(yùn)動(dòng)，用evo工具畫出JS-R移動(dòng)機(jī)器人的運(yùn)動(dòng)軌跡，測試的結(jié)果如圖8所示，軌跡圖的兩端點(diǎn)分別是JS-R移動(dòng)機(jī)器人的起點(diǎn)和終點(diǎn)，用START和END來表示。

圖6 不同場景下各種算法軌跡

圖7 實(shí)驗(yàn)場景和實(shí)驗(yàn)平臺(tái)

圖8 相機(jī)軌跡

由于實(shí)際groundtruth數(shù)據(jù)需要專業(yè)設(shè)備獲取，本文無法獲取移動(dòng)機(jī)器人的真實(shí)軌跡，故選擇圖7(a)黑色線作為參考軌跡，圖8的START和END分別對(duì)應(yīng)圖7(a)中的START和END，通過對(duì)比相機(jī)軌跡和紅色參考軌跡發(fā)現(xiàn)相機(jī)運(yùn)動(dòng)較為穩(wěn)定，其軌跡較為平滑并未出現(xiàn)異常的偏離現(xiàn)象，表明改進(jìn)后的視覺里程計(jì)定位較為準(zhǔn)確，滿足實(shí)際工程中的需求。

3 結(jié)束語

本文提出一種基于改進(jìn)ORB算法的視覺里程計(jì)定位方法，主要針對(duì)光照變化對(duì)特征提取和匹配的影響，提出一種基于自適應(yīng)閾值的ORB算法，提高特征提取的穩(wěn)定性和特征匹配的精度，同時(shí)為解決傳統(tǒng)誤匹配剔除方法(RANSAC)迭代次數(shù)不穩(wěn)定的問題，使用PROSAC來剔除誤匹配，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的ORB算法具有較強(qiáng)的光照魯棒性，并且在誤匹配剔除階段效率得到大幅提升。最后通過改進(jìn)的ORB算法進(jìn)行跟蹤和定位，實(shí)驗(yàn)數(shù)據(jù)表明，在大部分場景本文提出的方法絕對(duì)軌跡誤差的均方根誤差(RMSE)比其它算法更小，最后通過JS-R移動(dòng)機(jī)器人在實(shí)際場景中進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法較為穩(wěn)定滿足實(shí)際需求。綜上所述，本文所提出的方法能夠較準(zhǔn)確的進(jìn)行定位，具有良好的實(shí)際應(yīng)用價(jià)值。另外，本文只對(duì)定位結(jié)果進(jìn)行測試和比較，并未測試基于改進(jìn)ORB算法的地圖構(gòu)建效果，為了進(jìn)一步測試改進(jìn)的視覺里程計(jì)的性能，下一步主要工作將針對(duì)地圖構(gòu)建效果進(jìn)行測試和分析。