一种基于机器学习算法的单目里程计研究

《一种基于机器学习算法的单目里程计研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、一种基于机器学习算法的单目里程计研究　　摘要：视觉里程计（VO）通过轨迹推算，累加运动矢量，得出当前位置的相对定位方法，单目里程计仅使用单个相机作为图像获取载体，使获得信息的要求更低，且能较精确地识别和定位特征点，实时性好，成本也少很多，因此具有更广的应用前景。本课题采用SURF算法来同时检测和匹配特征点，使用一种基于机器学习算法（SVM）自适应卡尔曼滤波器，减缓原本卡尔曼滤波器中会出现的精度低和发散状况，起到优化单目里程计的系统准确度。　　关键词：单目;视觉里程计;SURF算法;卡尔曼滤波　　中图分类号：G642.0文献标志码：A文章编号：1674-9324

2、（2016）43-0257-03　　移动机器人的自主定位导航是机器人运动的前提之一，随着计算机技术和图像处理技术的发展，利用机器视觉进行导航逐渐成为热点之一[1]。视觉里程计（VO）通过轨迹推算，累加运动矢量，得出当前位置的相对定位，从而帮助机器人感知周围环境和自由移动。对比双目里程计，单目里程计仅使用单个相机作为图像获取载体，使获得信息的要求更低，实时性好，成本也更少，因此具有更广的应用前景[2]。本研究课题引入机器学习算法，对传统单目视觉里程计进行改良，提出了一种新的解决方案，优化单目视觉里程计，对后期的工程应用有一定的实践意义。　　一、设计单目视觉里程计

3、系统模型8　　单目视觉里程计模型设计分为：硬件设计和软件设计。硬件设计就是安装在机器上带有调节机构的单个相机。软件模型设计包括：图像的采集和预处理、目标的选取特征与运动估计等模块，其软件设计工作流程如图1所示：　　图1中，在采集到图像后，要进行滤波、图像矫正、标定参数等预处理，相机参数标定获得的参数能将现实三维与相机二维图像联系起来，是单目里程计能否准确定位的关键[3]，本课题采用张友正的棋盘标定法，较其他算法实现起来更简单，准确度较高。　　图片在成像过程中会出现畸变、失真等情况，可以采用灰度插值法或双线条插值法进行矫正，以起到减小里程计误差的作用。由于估算图

4、像特征的运动参数是估算相机运动的关键，因此特征的选取显得尤为重要。选择具体的物体作为特征，在复杂的外部环境中是不现实的，所以，应该尽可能的选择简单，明显的点线面、角点、特定区域作为特征。在计算图像特征运动时，需要检测出两幅连续的图像中对应的特征点，然后找出所有特征点之间的对应关系进行匹配[4]。常用的特征点提取算法有Harris角点检测算法，SUSA（smallestunivalvesegmentassimilatingnucleus）角点检测算法，SIFT，SURF，FAST角点算法等。Harris算法定义局部领域内极大兴趣值对应的像素点为检测的特征点，并不

5、如SURF（SpeededUpRobust8Features）算法选取的特征点明显[5]，所以相较于两者SURF更适合于本课题的研究，SURF基于积分图像提取特征点，通过Haar小波滤波器描述特征点，是一种集特征提取和描述于一体的算法，其抗干扰能力强，运算量低于SIFT算法，运算速度却更快，并且结合了SIFT算法的许多优点，因此本文选用SURF算法进行特征提取和匹配。由于SURF算法具有平移、旋转时尺寸不变的优势，因此所检测出的特征无论在哪个角度都是同一个特征，首先给特征点确定一个主方向，以特征点为原点，建立二维直角坐标系，获得一个64维特征向量r来描述特征点

6、。之后SURF对特征点的匹配就可分为两步：第一步，快速索引进行初步匹配，但是会存在较大的误差，第二步进行最近邻匹配算法运算，若最近邻欧氏距离与次近邻欧式距离的比值在一定阈值范围内，则认为特征点匹配正确，反之则是匹配错误[6]，能快速有效的剔除错误的匹配点。SURF算法的流程图如图2所示：　　SURF最近邻欧式距离算法如式1所示：　　dis（j）=（dis（rr））（式1）　　SURF次近邻欧氏距离算法如式2、式3所示：　　dis（j）=（dis（rr））（式2）　　R=（式3）　　式（1）中，dis（j）――两个特征点间的最近邻欧氏距离，r中第j个向量与r中第

7、i个向量的欧式距离最小;　　式（2）中，dis（j）――两个特征点间的次近邻欧氏距离，r中第j个向量（除第j个向量外）与r中第i个向量的欧式距离最小;　　式（3）中，R为最近邻欧氏距离与次近邻欧氏距离之比。设阈值为R，当R≤R时，特征向量匹配成功，反之则失败。　　二、单目视觉里程计目标定位：8　　在设计完单目视觉里程计的模型后，进行计算，得出现实中的点的三维坐标;首先先确立相机的位置关系，就是在本质矩阵E（一个有5个自由度，秩为2的三阶矩阵）中分解出旋转矩阵R和平移向量T，可以由E=UDV，计算出R=UGV，其中G=，　　Z=。而得到的平移向量T是一个比例值，

8、只能根据现实数据计算出，因此平移向量还