原文传递
智能车视觉SLAM多特征融合与闭环检测定位方法研究
| 论文题名： | 智能车视觉SLAM多特征融合与闭环检测定位方法研究 |
| 关键词： | 智能车辆;点-边缘特征;闭环检测;SLAM多特征融合 |
| 摘要： | 在智能车辆自主定位技术中，视觉SLAM(SimultaneousLocalizationandMapping)定位技术占据着重要的地位。但在部分道路环境（如冰雪路面、雨雾天气等）中，即使应用最先进的视觉SLAM方法，车辆定位性能仍然表现不佳。本文提出一种基于点-边缘特征融合的闭环视觉SLAM方法，以提高SLAM系统的综合定位性能。主要研究内容如下： （1）针对视觉SLAM在含有弱纹理区域的环境中不能产生可靠的相机运动估计，易出现跟踪丢失或定位失败的现象，本文基于ORB-SLAM2系统框架进行改进，提出一种基于点-边缘特征自适应融合的视觉SLAM方法。在视觉SLAM前端，通过评估图像中特征点的质量判断当前车辆的行驶环境是否为弱纹理环境，若为弱纹理环境，则引入边缘特征，联合特征点的重投影误差和边缘特征的距离构建误差约束项以优化相机位姿。同时，改进了关键帧选择策略，并在边缘特征的位姿优化时使用DT方法，有效提高迭代优化的速度。 （2）针对基于词袋模型的闭环检测方法在相似度高的环境中检测闭环的准确率变低的情况，本文提出一种融合词袋模型和全局描述符的闭环检测方法。主要通过引入图像的全局描述符增强图像信息约束性，提高闭环检测的准确率。首先通过图像间的灰度直方图相似性筛选候选帧，然后联合图像间的灰度直方图和词袋向量相似性分数获取加权的相似性分数，过滤到未通过相似度阈值的候选帧，最后将筛选出的候选帧通过几何验证，检验是否符合要求。 （3）基于KITTI、TUM数据集对本文提出的方法进行了评估。同相关视觉SLAM方法对比，本文提出的视觉SLAM方法在弱纹理场景下具有更优的定位精度和鲁棒性，并且仅有少量耗时增加，保证了系统的实时性。通过准确率-召回率和系统定位精度等评价指标评估本文提出的闭环检测方法，实验结果表明本文提出的闭环检测方法有明显的系统定位精度提升，在100%准确率下具有更高的召回率，并通过联合测试，探索了使用本文提出的两种方法来同时提升视觉SLAM定位性能的可行性。 |
| 作者： | 葛红飞 |
| 专业： | 车辆工程 |
| 导师： | 汤传业 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
