CN109739079B - 一种提高vslam系统精度的方法 - Google Patents
一种提高vslam系统精度的方法 Download PDFInfo
- Publication number
- CN109739079B CN109739079B CN201811590948.1A CN201811590948A CN109739079B CN 109739079 B CN109739079 B CN 109739079B CN 201811590948 A CN201811590948 A CN 201811590948A CN 109739079 B CN109739079 B CN 109739079B
- Authority
- CN
- China
- Prior art keywords
- key frame
- strength
- visual tracking
- tracking
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种提高VSLAM系统精度的方法,在环境探索过程中采集关键帧图像时,区别于已有的静态选择方法,采用动态方式选择关键帧,通过对VSLAM运行过程中的图像信息关联强度进行查询,根据该强度调节关键帧插入条件的阈值,得以动态调整关键帧插入要求的严格程度;在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度。
Description
技术领域
本发明涉及机器人视觉的技术领域,尤其涉及到一种提高VSLAM系统精度的方法。
背景技术
使用单目视觉传感器进行环境建模,是一个低成本的、具有巨大应用前景的计算机视觉应用领域。一般而言,在机器人领域常将其归类为VSLAM(Visual SimultaneousLocalization and Mappinp)问题。该技术领域的系统实现,通常通过采集环境探索过程中的关键帧(keyframe)图像,利用关键帧图像间的数据关联以及多视几何关系,从而实现图像信息的三维重构。
然而,在VSLAM问题的传统的的关键帧选择环节中,均采用静态选择策略,静态选择策略不利于提高所选择关键帧的有效性,从而降低VSLAM系统的精度以及鲁棒性。
发明内容
本发明的目的在于克服现有技术的不足,提出一种能提高VSLAM系统精度的方法。
为实现上述目的,本发明所提供的技术方案为:
一种提高VSLAM系统精度的方法,在环境探索过程中采集关键帧图像时,采用动态方式选择关键帧;在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度。
进一步地,通过获取到的当前视觉跟踪强度来计算关键帧选择动态阈值,从而达到动态选择关键帧的目的。
进一步地,通过获取到的当前视觉跟踪强度来计算关键帧选择动态阈值的步骤如下:
S1:获取当前视觉跟踪强度;
S2:给定理想跟踪强度与控制器参数;
S3:将获取当前视觉跟踪强度送入控制器进行运算;
S4:得到关键帧选择动态阈值。
进一步地,所述控制器为比例微分控制器,步骤S3将获取当前视觉跟踪强度送入比例微分控制器进行运算,根据视觉跟踪强弱,实时地调整关键帧选择阈值。
进一步地,所述步骤S3将获取当前视觉跟踪强度送入比例微分控制器进行运算的具体为:
将当前视觉跟踪强度与理想跟踪强度之差作为比例微分控制器的输入,比例微分控制器的输出作为关键帧选择的动态阈值,运算过程如下:
将在t时刻的关键帧选择动态阈值表示为Tt,目标理想跟踪强度表示为dideal,在时刻t的跟踪强度为dt,动态阈值表达为:
其中,kP以及kD为比例微分控制器的控制器参数,et为t时刻误差,且et=dt-dideal;另外,dideal为人为给定的值,该值小于等于一帧图像中提取到的图像特征总数量。
上述方案中,将VSLAM运行过程中,当前图像与已有图像可建立的信息关联强度,简称为视觉跟踪强度。
与现有技术相比,本方案原理和优点如下:
本方案在环境探索过程中采集关键帧图像时,区别于已有的静态选择方法,采用动态方式选择关键帧,通过对VSLAM运行过程中的图像信息关联强度进行查询,根据该强度调节关键帧插入条件的阈值,得以动态调整关键帧插入要求的严格程度;在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度。
附图说明
图1为本发明一种提高VSLAM系统精度的方法中动态调整阈值的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
本实施例所述的一种提高VSLAM系统精度的方法,在环境探索过程中采集关键帧图像时,采用动态方式选择关键帧;
具体地,通过获取到的当前视觉跟踪强度来计算关键帧选择动态阈值,从而达到动态选择关键帧的目的;具体步骤如下:
S1:获取当前视觉跟踪强度;
S2:给定理想跟踪强度与控制器参数;
S3:将获取当前视觉跟踪强度送入比例微分控制器进行运算,根据视觉跟踪强弱,实时地调整关键帧选择阈值;运算过程如下:
将当前视觉跟踪强度与理想跟踪强度之差作为比例微分控制器的输入,运算时:
将在t时刻的关键帧选择动态阈值表示为Tt,目标理想跟踪强度表示为dideal,在时刻t的跟踪强度为dt,动态阈值表达为:
其中,kP以及kD为比例微分控制器的控制器参数,et为t时刻误差,且et=dt-dideal;另外,dideal为人为给定的值,该值小于等于一帧图像中提取到的图像特征总数量;
S4:比例微分控制器的输出作为关键帧选择的动态阈值。
在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度。
本实施例在环境探索过程中采集关键帧图像时,区别于已有的静态选择方法,采用动态方式选择关键帧,通过对VSLAM运行过程中的图像信息关联强度进行查询,根据该强度调节关键帧插入条件的阈值,得以动态调整关键帧插入要求的严格程度;在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (2)
1.一种提高VSLAM系统精度的方法,其特征在于,在环境探索过程中采集关键帧图像时,采用动态方式选择关键帧;通过获取到的当前视觉跟踪强度来计算关键帧选择动态阈值,在当前视觉跟踪强度低于动态阈值时,插入新的关键帧,以维持视觉跟踪的数据关联强度,保证整体跟踪轨迹的精度;
其中,过获取到的当前视觉跟踪强度来计算关键帧选择动态阈值的步骤包括:
S1:获取当前视觉跟踪强度;
S2:给定理想跟踪强度与控制器参数;
S3:将获取到的当前视觉跟踪强度送入控制器进行运算;
S4:得到关键帧选择动态阈值;
所述步骤S3将获取当前视觉跟踪强度送入比例微分控制器进行运算的具体为:
将当前视觉跟踪强度与理想跟踪强度之差作为比例微分控制器的输入,比例微分控制器的输出作为关键帧选择的动态阈值,运算过程如下:
其中,kP以及kD为比例微分控制器的控制器参数,et为t时刻误差,且et=dt-dideal;另外,dideal为人为给定的值,该值小于等于一帧图像中提取到的图像特征总数量。
2.根据权利要求1所述的一种提高VSLAM系统精度的方法,其特征在于,所述控制器为比例微分控制器,步骤S3将获取当前视觉跟踪强度送入比例微分控制器进行运算,根据视觉跟踪强弱,实时地调整关键帧选择阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590948.1A CN109739079B (zh) | 2018-12-25 | 2018-12-25 | 一种提高vslam系统精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811590948.1A CN109739079B (zh) | 2018-12-25 | 2018-12-25 | 一种提高vslam系统精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109739079A CN109739079A (zh) | 2019-05-10 |
CN109739079B true CN109739079B (zh) | 2022-05-10 |
Family
ID=66361182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811590948.1A Active CN109739079B (zh) | 2018-12-25 | 2018-12-25 | 一种提高vslam系统精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109739079B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
CN105953796A (zh) * | 2016-05-23 | 2016-09-21 | 北京暴风魔镜科技有限公司 | 智能手机单目和imu融合的稳定运动跟踪方法和装置 |
CN106446815A (zh) * | 2016-09-14 | 2017-02-22 | 浙江大学 | 一种同时定位与地图构建方法 |
CN107610175A (zh) * | 2017-08-04 | 2018-01-19 | 华南理工大学 | 基于半直接法和滑动窗口优化的单目视觉slam算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9037396B2 (en) * | 2013-05-23 | 2015-05-19 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
US10410362B2 (en) * | 2016-11-14 | 2019-09-10 | Htc Corporation | Method, device, and non-transitory computer readable storage medium for image processing |
-
2018
- 2018-12-25 CN CN201811590948.1A patent/CN109739079B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
CN105953796A (zh) * | 2016-05-23 | 2016-09-21 | 北京暴风魔镜科技有限公司 | 智能手机单目和imu融合的稳定运动跟踪方法和装置 |
CN106446815A (zh) * | 2016-09-14 | 2017-02-22 | 浙江大学 | 一种同时定位与地图构建方法 |
CN107610175A (zh) * | 2017-08-04 | 2018-01-19 | 华南理工大学 | 基于半直接法和滑动窗口优化的单目视觉slam算法 |
Non-Patent Citations (3)
Title |
---|
Experimental Verification of Direct Depth Computing Technique for Monocular Visual SLAM Systems;Mohamed Hasan;《2012 First International Conference on Innovative Engineering Systems (ICIES)》;20121231;全文 * |
移动机器人混合的半稠密视觉里程计算法;朱奇光;《仪器仪表学报》;20181130;第39卷(第11期);全文 * |
稀疏视觉SL AM 对平面激光雷达传感的稠密化模拟;陈炜楠;《机器人》;20180531;第40卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109739079A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107833236B (zh) | 一种动态环境下结合语义的视觉定位系统和方法 | |
CN106920259B (zh) | 一种定位方法及系统 | |
CN102903096B (zh) | 一种基于单目视频的对象深度提取方法 | |
CN106997478B (zh) | 基于显著中心先验的rgb-d图像显著目标检测方法 | |
CN110706269B (zh) | 一种基于双目视觉slam的动态场景密集建模方法 | |
CN111829484B (zh) | 基于视觉的目标距离测算方法 | |
CN108124489B (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
CN110992288B (zh) | 一种用于矿山井筒环境下的视频图像盲去噪方法 | |
CN113744315B (zh) | 一种基于双目视觉的半直接视觉里程计 | |
Badki et al. | Binary TTC: A temporal geofence for autonomous navigation | |
CN102457724B (zh) | 一种图像运动检测系统及方法 | |
CN112418288A (zh) | 一种基于gms和运动检测的动态视觉slam方法 | |
CN110838145A (zh) | 一种室内动态场景的视觉定位与建图方法 | |
CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
CN102740096A (zh) | 一种基于时空结合的动态场景立体视频匹配方法 | |
KR101125061B1 (ko) | Ldi 기법 깊이맵을 참조한 2d 동영상의 3d 동영상 전환방법 | |
CN105427336A (zh) | 一种基于双目视频的测距方法和装置 | |
CN108564601B (zh) | 一种基于深度学习算法的果实识别跟踪方法和系统 | |
CN109739079B (zh) | 一种提高vslam系统精度的方法 | |
CN107564045B (zh) | 基于梯度域引导滤波的立体匹配方法 | |
CN114331919B (zh) | 深度恢复方法、电子设备及存储介质 | |
CN103714543A (zh) | 基于不变矩空间信息的简单树动态规划的双目立体匹配方法 | |
CN110602476A (zh) | 一种基于深度信息辅助的高斯混合模型的空洞填补方法 | |
CN103632365B (zh) | 一种立体图像视差估计方法 | |
CN111260709B (zh) | 一种面向动态环境的地面辅助的视觉里程计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210831 Address after: 528253 room 3, 803, floor 8, block 3, Tian'an center, No. 31, Jihua East Road, Guicheng Street, Nanhai District, Foshan City, Guangdong Province (residence declaration) Applicant after: Jiutian innovation (Guangdong) Intelligent Technology Co.,Ltd. Address before: No. 100, Waihuan West Road, University Town, Guangzhou, Guangdong 510062 Applicant before: GUANGDONG University OF TECHNOLOGY |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |