优化ORB 特征的视觉SLAM

文/赵永达

同步定位与地图构建(Simultaneous Localization And Mapping，即SLAM)最早在1988年被提出。随着SLAM 技术的发展涌现了大量的优秀成果，如：基于半直接法的视觉slam 算法SVO 和基于特征点法的ORBSLAM。其中，SVO 在梯度变化不明显的区域效果很差，且容易受到光照的影响。ORBSLAM 鲁棒性相对较好，但误匹配的存在依然对系统准确性有较大影响。因此，本文采用重定位的方法，优化关键特征。

1 算法简介

基于深度相机ORB 重优化SLAM 方法：首先获取视觉传感器数据，包括颜色信息和深度信息，并对彩色图像提取关键特征；然后，采用重定位的方式再次优化关键特征；最后，通过PNP 算法与g2o 重优化结合的方法估计相机的位姿变化，筛选关键帧，并进行闭环检测，得到全局优化位姿，拼接点云形成地图。

2 ORB特征研究

对图像提取关键点以及跟踪，依据跟踪到的的特征点的变化，用于估计相机的位姿变化。目前常用的特征点提取算法有SIFT 算法、SUFT 算法、ORB 算法三种。SIFT 算法和SURF 算法在提取特征点时计算量大，影响系统的实时性，现在通常使用ORB 算法提取图像特征，ORB 算法可以快速的提取特征。

使用ORB 算法提取关键特征，但由于提取ORB 特征的过程中，没有考虑到关键点的灰度值以及深度信息，因此会产生以误匹配。

3 位姿重迭代的研究

对关键特征，本文中采用两次g2o 与PnP结合估计最优位姿，分别用于去除误匹配特征和位姿优化。过程如下：

（1）构建误差函数，其中K 为相机内参，ξ 为相机的位姿

（2）采用图优化（g2o）的方式估计位姿，估计位姿的变化为ξ*；

图1：位姿估计结果

（3）对于每一个特征点对，利用估计的位姿变化结果，与前后特征值信息，对于满足的特征点对，丢弃。

（4）根据优化后的关键特征，采用g2o与PnP 结合的方法估计最优位姿。

4 实验结果分析

本文实验采用TUM 标准数据集中基于Kinect 视觉传感器室内数据包进行测试。本实验运行在Ubuntu14.04 系统上，配置为包括4核型号为Intel（R）Core(TM)i5-5200U 的处理器，以及8GB 的内存和Intel(R) HD Graphics 5500 的显卡。

本文首先提取ORB 特征，并进行特征匹配。分别用ORB 关键特征、以及优化后的ORB 关键特征估计位姿变化，并记录估计结果。部分估计结果如图1所示，图中蓝色为相机的真实空间位置，红色为使用没有优化的关键特征的位姿估计结果，绿色的线是依据优化后关键特征估计的位姿结果。

5 结束语

通过实验可以看出，使用优化后的ORB特征估计的位姿，更接近相机的真实位置。并且将关键特征重定位优化以后，再估计位姿的方法稳定性更好。