一种基于机器学习算法的单目里程计研究.doc

一种基于机器学习算法的单目里程计研究.doc1 一种基于机器学****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****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: 文献标志码:A 文章编号: 1674-9324 ( 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****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系统模型 2 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 ( smallest univalve segment assimilating nucleus ) 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, 并不如 SURF ( Speeded Up Robust Features )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 3 多优点, 因此本文选用 SURF 算法进行特征提