SLAM视觉词典创建与应用

SLAM视觉词典创建与应用

主要内容：

        一、单目视觉SLAM

            二、自然特征提取及视觉词典创建

            三、视觉词典的人工路标模型创建

            四、闭环检测

            五、混合人工自然特征的单目视觉SLAM

            六、发展方向

 一、单目视觉SLAM

1.环境特征

    分类：自然特征和人工特征；

      必要性：移动SLAM机器人必须通过实时检测周围环境特征来对自身进行一个定位。

2.面临问题：

既包括路标位姿的估计，也包括机器人位姿与轨迹的优化。（在很多实际应用中，环境地图和移动机器人的位置都是未知的，且定位和地图构建二者相互依赖、互为耦合，使得问题求解非常复杂。）

3.解决方案

目前主要有两种解决方案：基于滤波器的方法和基于图的方法。

（2） 基于图的SLAM（Graph-basedSLAM）

 

算法致力于寻找一个最大可能的节点结构，得到一个最优位姿地图（近年来随着高效求解方法的出现，基于图的SLAM 方法重新得到重视，成为当前 SLAM研究的一个热点）

二、自然特征提取及视觉词典创建

2.1自然路标

优点：不改变工作环境，不需要额外设施和额外信息，并且在环境中大量存在；

缺点：受环境的影响较大，易受光线、遮挡、视角及环境相似度等变化的影响

2.2视觉词典

    视觉词典是图像分类检索等领域的图像建模方法，该方法源于文档分析领域中的词典表示，词典表示将文档描述为词典中关键词出现频率的向量

2.3自然特征视觉词典创建框架

2.4具体实施

（1）用SURF(SpeededUp Robust Features)算子提取图像的自然局部视觉特征向量；（优点：保存了图像原有的色彩，而且改进了SIFT 算法计算数据量大、时间复杂度高、算法耗时长等缺点，可以用 64维向量建立特征点描述符，进一步提高了快速性和准确性）

（2）把相似的SURF 自然视觉特征向量划分为相同的自然视觉单词（采用 K-means算法对局部视觉特征集合进行聚类，一个聚类中心即为一个视觉单词）；

（3）自然视觉词典的每一自然视觉单词采用GMM（GaussianMixture Model）方法进行建模自然视觉单词的概率模型，通过概率模型建立了更为精确的局部自然视觉特征与自然视觉单词间的匹配

2.5实例

包括：室内走廊和室外视觉词典

三、视觉词典的人工路标模型创建

四、闭环检测

     目前视觉 SLAM 闭环检测领域大部分算法都是首先准确建立基于图像外观的场景模型，然后基于场景外观进行闭环检测

     BoVW(Bagof visual words)算法步骤：

     ①用SIFT或SURF算子提取图像的局部特征，每个局部特征用相同维数的特征向量表示；

     ②将检测到的局部特征集合进行聚类，每个聚类中心对应一个视觉单词；

     ③构建表征图像的视觉词典，动态调整视觉单词数量以评估视觉词典的大小；

     ④图像由视觉词典中的视觉单词权重向量表征。

BoVW（Bag of Visual Words）算法将一副图像类比为一篇文档

    ①SLAM采集图像具有时间连续性，利用时间连续性提升检测的准确性。

     ②图像匹配的相似度计算方法与视觉 SLAM 的时间连续特征，利用贝叶斯滤波融合当前观测量（也即当前图像匹配的相似度）和前一时刻的检测信息计算当前时刻闭环检测的概率，由此设计一种基于贝叶斯滤波的闭环检测跟踪算法；

4.1基于人工视觉词典的闭合检测算法：

4.2基于贝叶斯滤波闭环检测算法：

相似度

图像内存管理

五、混合人工自然特征的单目视SLAM

5.1算法整体框架

六、发展方向

借助Wifi或者伪卫星信号；

三维场景地图实时性构建；

机器人陌生环境内学习（模拟人类学习过程）以及高效内存管理模式；

设定室内路标的规范；

POS 系统微型化；