CN112258546A - 一种slam系统的关键帧选取方法 - Google Patents

一种slam系统的关键帧选取方法 Download PDF

Info

Publication number
CN112258546A
CN112258546A CN202011113868.4A CN202011113868A CN112258546A CN 112258546 A CN112258546 A CN 112258546A CN 202011113868 A CN202011113868 A CN 202011113868A CN 112258546 A CN112258546 A CN 112258546A
Authority
CN
China
Prior art keywords
frame
calculating
feature points
current frame
threshold range
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.)
Pending
Application number
CN202011113868.4A
Other languages
English (en)
Inventor
方锦浩
韩旭龙
卢一凡
梁毅强
喻子雨
张小国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202011113868.4A priority Critical patent/CN112258546A/zh
Publication of CN112258546A publication Critical patent/CN112258546A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种SLAM系统的关键帧选取方法，该方法包括：在当前帧的点云中随机选择几个特征点设定为内群并计算适合内群的模型，根据重复选择特征点的次数判断是否淘汰该帧；根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D，根据D值判断是否淘汰该帧；计算当前帧与上一帧之间匹配的特征点数量，根据阈值范围判断是否淘汰该帧；计算当前帧与上一关键帧之间匹配的特征点数量，若满足阈值范围且上述条件均满足则视作关键帧。本发明提出的方法能确保帧间运动距离在合理范围，提高特征点匹配度和建图一致性。相对于原有算法具备了检测并删除冗余关键帧的能力，降低了SLAM系统的存储冗余，对于地图更新和维护具有重要意义。

Description

一种SLAM系统的关键帧选取方法
技术领域
本发明属于计算机视觉技术领域，具体涉及一种SLAM系统的关键帧选取方法。
背景技术
SLAM系统中的关键帧选取是地图初始化的关键步骤，选取的好坏对于地图精度和实时性有着重要影响。常见的关键帧选取算法有：ORB-SLAM的基于图像ORB特征的关键帧选取算法，该算法基于ORB特征让关键帧的选取变得更加快速，但存在部分帧间相关性弱且容易产生冗余关键帧的问题；LSD-SLAM不进行特征匹配直接进行图形匹配的方法，该算法对初始值精度要求很高，运算量大，对于缺少纹理的区域效果不理想，不利于建图。
发明内容
为解决上述问题，本发明公开了一种SLAM系统的关键帧选取方法，能确保帧间运动距离在合理范围，提高特征点匹配度和建图一致性；相对于原有算法具备了检测并删除冗余关键帧的能力，降低了SLAM系统的存储冗余，对于地图更新和维护具有重要意义。
为达到上述目的，本发明的技术方案如下：
一种SLAM系统的关键帧选取方法，包括如下步骤：
步骤S1)，对当前帧使用RANSAC(Random Sample Consensus)算法，在当前帧的点云中随机选择几个特征点设定为内群并计算适合内群的模型，根据重复选择特征点的次数判断是否淘汰该帧；
步骤S2)，根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D，根据D值判断是否淘汰该帧；
步骤S3)，计算当前帧与上一帧之间匹配的特征点数量，根据阈值范围判断是否淘汰该帧；
步骤S4)，计算当前帧与上一关键帧之间匹配的特征点数量，若满足阈值范围且上述条件均满足则视作关键帧。
作为本发明的一种改进，所述步骤S1)包括如下步骤：
步骤S1.1)，在点云中随机选择几个特征点设定为内群并计算适合内群的模型：
步骤S1.2)，若模型的内部特征点数量Inliers满足：
Inliers≤Inliersmin
则进行步骤S2)
步骤S1.3)，若不满足则重复步骤S1.1)与步骤S1.2)，重复次数超出阈值则淘汰该帧。
作为本发明的一种改进，所述步骤S2)包括如下步骤：
步骤S2.1)根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D：
D＝||Δt||+min(2π-||r||，||r||)
步骤S2.2)检测D是否满足阈值范围，即：
Dmin≤D≤Dmax
步骤S2.3)若满足步骤S2.2)的条件则进行步骤S3)，否则淘汰该帧。
作为本发明的一种改进，所述步骤S3)包括如下步骤：
步骤S3.1)，计算当前帧与上一帧之间匹配的特征点数量nFmatch；
步骤S3.2)若满足阈值范围，即：
nFmatch≥nFmin
步骤S3.3)，若满足步骤S3.2)的条件则进行步骤S4)，否则淘汰该帧。
作为本发明的一种改进，所述步骤S4)包含如下步骤：
步骤S4.1)，计算当前帧与上一关键帧之间匹配的特征点数量nKmatch；
步骤S4.2)，判断特征点数量nKmatch是否满足阈值范围，即
nKmatch≥nKmin
步骤S4.3)，若满足阈值范围则把当前帧作为关键帧，否则淘汰该帧。
本发明的有益效果是：
1、本发明确保帧间运动距离在合理范围，帧间相关性高，提高了特征点匹配度和建图的一致性。
2、本发明在相对原有算法具有检测并删除冗余关键帧的能力，降低了SLAM系统的存储冗余，对于地图更新和维护具有重要意义。
附图说明
图1为本发明所述的一种SLAM系统的关键帧选取方法的流程图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1所示，本发明公开了一种SLAM系统的关键帧选取方法，包含以下步骤：
步骤S1)，对当前帧使用RANSAC(Random Sample Consensus)算法，在当前帧的点云中随机选择几个特征点设定为内群并计算适合内群的模型，根据重复选择特征点的次数判断是否淘汰该帧，具体步骤如下：
步骤S1.1)，在点云中随机选择几个特征点设定为内群并计算适合内群的模型：
步骤S1.2)，若模型的内部特征点数量Inliers满足：
Inliers≤Inliersmin
则进行步骤S2)
步骤S1.3)，若不满足则重复步骤S1.1)与步骤S1.2)，重复次数超出阈值则淘汰该帧。
步骤S2)，根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D，根据D值判断是否淘汰该帧，具体包括如下步骤：
步骤S2.1)根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D：
D＝||Δt||+min(2π-||r||，||r||)
步骤S2.2)检测D是否满足阈值范围，即：
Dmin≤D≤Dmax
步骤S2.3)若满足步骤S2.2)的条件则进行步骤S3)，否则淘汰该帧。
步骤S3)，计算当前帧与上一帧之间匹配的特征点数量，根据阈值范围判断是否淘汰该帧，具体包括如下步骤：
步骤S3.1)，计算当前帧与上一帧之间匹配的特征点数量nFmatch；
步骤S3.2)若满足阈值范围，即：
nFmatch≥nFmin
步骤S3.3)，若满足步骤S3.2)的条件则进行步骤S4)，否则淘汰该帧。
步骤S4)，计算当前帧与上一关键帧之间匹配的特征点数量，若满足阈值范围且上述条件均满足则视作关键帧，具体包括如下步骤：
步骤S4.1)，计算当前帧与上一关键帧之间匹配的特征点数量nKmatch；
步骤S4.2)，判断特征点数量nKmatch是否满足阈值范围，即
nKmatch≥nKmin
步骤S4.3)，若满足阈值范围则把当前帧作为关键帧，否则淘汰该帧。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (5)

1.一种SLAM系统的关键帧选取方法，其特征在于：包括如下步骤：
步骤S1)，对当前帧使用RANSAC算法，在当前帧的点云中随机选择几个特征点设定为内群并计算适合内群的模型，根据重复选择特征点的次数判断是否淘汰该帧；
步骤S2)，根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D，根据D值判断是否淘汰该帧；
步骤S3)，计算当前帧与上一帧之间匹配的特征点数量，根据阈值范围判断是否淘汰该帧；
步骤S4)，计算当前帧与上一关键帧之间匹配的特征点数量，若满足阈值范围且上述条件均满足则视作关键帧。
2.根据权利要求1所述的一种SLAM系统的关键帧选取方法，其特征在于：所述步骤S1)中，对当前帧使用RANSAC算法具体步骤如下；
步骤S1.1)，在点云中随机选择几个特征点设定为内群并计算适合内群的模型：
步骤S1.2)，若模型的内部特征点数量Inliers满足：
Inliers≤Inliersmin
则进行步骤S2)
步骤S1.3)，若不满足则重复步骤S1.1)与步骤S1.2)，重复次数超出阈值则淘汰该帧。
3.根据权利要求2所述的一种SLAM系统的关键帧选取方法，其特征在于：所述步骤S2)根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D，根据D值判断是否淘汰该帧，具体步骤如下：
步骤S2.1)根据位姿估计得到的旋转向量r和平移向量t求得帧间相对运动距离D：
D＝||Δt||+min(2π-||r||，||r||)
步骤S2.2)检测D是否满足阈值范围，即：
Dmin≤D≤Dmax
步骤S2.3)若满足步骤S2.2)的条件则进行步骤S3)，否则淘汰该帧。
4.根据权利要求3所述的一种SLAM系统的关键帧选取方法，其特征在于：所述步骤S3)计算当前帧与上一帧之间匹配的特征点数量，根据阈值范围判断是否淘汰该帧，具体步骤如下：
步骤S3.1)，计算当前帧与上一帧之间匹配的特征点数量nFmatch；
步骤S3.2)若满足阈值范围，即：
nFmatch≥nFmin
步骤S3.3)，若满足步骤S3.2)的条件则进行步骤S4)，否则淘汰该帧。
5.根据权利要求4所述的一种SLAM系统的关键帧选取方法，其特征在于：所述步骤S4)计算当前帧与上一关键帧之间匹配的特征点数量，若满足阈值范围且上述条件均满足则可视作关键帧，具体步骤如下：
步骤S4.1)，计算当前帧与上一关键帧之间匹配的特征点数量nKmatch；
步骤S4.2)，判断特征点数量nKmatch是否满足阈值范围，即
nKmatch≥nKmin
步骤S4.3)，若满足阈值范围则把当前帧作为关键帧，否则淘汰该帧。
CN202011113868.4A 2020-10-18 2020-10-18 一种slam系统的关键帧选取方法 Pending CN112258546A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011113868.4A CN112258546A (zh) 2020-10-18 2020-10-18 一种slam系统的关键帧选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011113868.4A CN112258546A (zh) 2020-10-18 2020-10-18 一种slam系统的关键帧选取方法

Publications (1)

Publication Number Publication Date
CN112258546A true CN112258546A (zh) 2021-01-22

Family

ID=74244696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011113868.4A Pending CN112258546A (zh) 2020-10-18 2020-10-18 一种slam系统的关键帧选取方法

Country Status (1)

Country Link
CN (1) CN112258546A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115705670A (zh) * 2021-08-06 2023-02-17 北京小米移动软件有限公司 地图管理方法及其装置
CN115830110A (zh) * 2022-10-26 2023-03-21 北京城市网邻信息技术有限公司 即时定位与地图构建方法、装置、终端设备及存储介质
CN115705670B (zh) * 2021-08-06 2024-06-04 北京小米移动软件有限公司 地图管理方法及其装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190080190A1 (en) * 2017-09-14 2019-03-14 Ncku Research And Development Foundation System and method of selecting a keyframe for iterative closest point
CN109509230A (zh) * 2018-11-13 2019-03-22 武汉大学 一种应用于多镜头组合式全景相机的slam方法
CN109671120A (zh) * 2018-11-08 2019-04-23 南京华捷艾米软件科技有限公司 一种基于轮式编码器的单目slam初始化方法及系统
CN110125928A (zh) * 2019-03-27 2019-08-16 浙江工业大学 一种基于前后帧进行特征匹配的双目惯导slam系统
CN110490222A (zh) * 2019-07-05 2019-11-22 广东工业大学 一种基于低性能处理器设备的半直接视觉定位方法
CN111750864A (zh) * 2020-06-30 2020-10-09 杭州海康机器人技术有限公司 一种基于视觉地图的重定位方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190080190A1 (en) * 2017-09-14 2019-03-14 Ncku Research And Development Foundation System and method of selecting a keyframe for iterative closest point
CN109671120A (zh) * 2018-11-08 2019-04-23 南京华捷艾米软件科技有限公司 一种基于轮式编码器的单目slam初始化方法及系统
CN109509230A (zh) * 2018-11-13 2019-03-22 武汉大学 一种应用于多镜头组合式全景相机的slam方法
CN110125928A (zh) * 2019-03-27 2019-08-16 浙江工业大学 一种基于前后帧进行特征匹配的双目惯导slam系统
CN110490222A (zh) * 2019-07-05 2019-11-22 广东工业大学 一种基于低性能处理器设备的半直接视觉定位方法
CN111750864A (zh) * 2020-06-30 2020-10-09 杭州海康机器人技术有限公司 一种基于视觉地图的重定位方法和装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115705670A (zh) * 2021-08-06 2023-02-17 北京小米移动软件有限公司 地图管理方法及其装置
CN115705670B (zh) * 2021-08-06 2024-06-04 北京小米移动软件有限公司 地图管理方法及其装置
CN115830110A (zh) * 2022-10-26 2023-03-21 北京城市网邻信息技术有限公司 即时定位与地图构建方法、装置、终端设备及存储介质
CN115830110B (zh) * 2022-10-26 2024-01-02 北京城市网邻信息技术有限公司 即时定位与地图构建方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN106780442B (zh) 一种立体匹配方法及系统
CN110120064B (zh) 一种基于互强化与多注意机制学习的深度相关目标跟踪算法
CN107610162A (zh) 一种基于互信息与图像分割的三维多模态医学图像自动配准方法
CN105809715B (zh) 一种基于帧间累计变化矩阵的视觉运动目标检测方法
CN104933678B (zh) 一种基于像素强度的图像超分辨率重建方法
CN107123130B (zh) 一种基于超像素和混合哈希的核相关滤波目标跟踪方法
CN110796662A (zh) 一种实时的语义视频分割方法
CN105631899A (zh) 一种基于灰度纹理特征的超声图像运动目标跟踪方法
CN111178261A (zh) 一种基于视频编码技术的人脸检测加速方法
CN110992288A (zh) 一种用于矿山井筒环境下的视频图像盲去噪方法
CN112258546A (zh) 一种slam系统的关键帧选取方法
CN110956700B (zh) 一种基于运动恢复结构生成点云的密度调控方法
CN111914832A (zh) 一种rgb-d相机在动态场景下的slam方法
Shen et al. Deeper super-resolution generative adversarial network with gradient penalty for sonar image enhancement
CN113076988B (zh) 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法
CN113379788A (zh) 一种基于三元组网络的目标跟踪稳定性方法
CN116721216A (zh) 基于GCF-MVSNet网络的多视图三维重建方法
CN106951901A (zh) 一种基于b型双链量子遗传算法的二维最大熵图像分割方法
CN113920170B (zh) 结合场景上下文和行人社会关系的行人轨迹预测方法、系统及存储介质
CN111539985A (zh) 一种融合多特征的自适应运动目标跟踪方法
CN114399547B (zh) 一种基于多帧的单目slam鲁棒初始化方法
CN107368851B (zh) 一种带邻域选择策略的快速模糊c均值聚类图像分割方法
CN113702941B (zh) 一种基于改进icp的点云测速方法
CN112200831B (zh) 一种基于动态模板的密集连接孪生神经网络目标跟踪方法
CN111797903B (zh) 一种基于数据驱动粒子群算法的多模态遥感图像配准方法

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