论文部分内容阅读
近年来,随着计算机技术的迅猛发展,同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术在移动机器人、无人机、无人驾驶、视觉医疗、AR/VR、可穿戴设备等方面得到了广泛的应用。随着图优化问题中稀疏矩阵的发现,基于视觉的SLAM方法已经成为国内外的研究热点,基于图优化的SLAM方法逐渐应用于在大规模场景中。本文采用华硕Xtion Pro Live深度相机作为传感器,提出了一种基于改进BoVW模型的三维SLAM方法,在本文提出的SLAM方法中,在图像检测和闭环检测算法上提出了改进,并通过实验证明提高SLAM的效率和鲁棒性。首先,介绍了基于视觉SLAM的基本原理和方法。对SLAM问题进行了描述,分析了几种经典的SLAM方法,对比了几种经典的特征检测的优缺点,针对视觉SLAM对图像特征提取的要求,在ORB特征提取算法上提出了一种基于自适应的区域分割ORB特征提取方法。并在图像特征匹配方法上,采用传统的随机采样一致性(Random Sample Consensus,RANSAC)算法和K近邻(K-Nearest Neighbor algorithm,KNN)算法消除误匹配,有效地减少误匹配点数,提高了匹配的精度和速度。在点云数据融合算法上,采用迭代最近(Iterative Closet Point,ICP)算法,用奇异分解(SVD)方法进行求解计算相机位姿。其次,在闭环检测方法上,介绍了闭环检测的作用和方法,及闭环检测中的问题和难点,在基于BoVW模型的闭环检测方法中,介绍了视觉词典的创建方法,相对于传统K-Means聚类算法的缺点,提出了一种改进的K-Means算法,有效地解决了K-Means算法依赖初始聚类中心,容易陷入局部最优的问题,提高了闭环检测的准确率。最后,设计了一种基于RGB-D的室内场景SLAM系统,并通过实验把本文改进的算法应用于该SLAM方法中。