CN114723811A

CN114723811A - 一种非结构化环境四足机器人立体视觉定位建图方法

Info

Publication number: CN114723811A
Application number: CN202210178383.6A
Authority: CN
Inventors: 陈建林; 袁建平; 贺亮
Original assignee: Jiangsu Yunmu Zhizao Technology Co ltd
Current assignee: Jiangsu Yunmu Zhizao Technology Co ltd
Priority date: 2022-02-25
Filing date: 2022-02-25
Publication date: 2022-07-08

Abstract

一种非结构化环境四足机器人立体视觉定位建图方法，包括对相机和IMU内方位参数进行互标定；使用双目相机两帧间的IMU信息预测上一帧的像素点在当前帧的位置，利用最小化光度误差得到两帧之间的像素跟踪信息，提取成功跟踪的特征组合；计算关键帧队列中当前关键帧左、右图像的ORB局部图像特征描述算子；等待当前关键帧的特征提取完成后，进行双目立体像对匹配，融合通过最小化光度误差得到的像素与通过特征提取得到的像素位置，筛选当前关键帧的冗余地图特征点，根据双目匹配的结果创建新的地图特征点；利用位姿图优化减小该周期内机器人运动漂移，进行回环检测。自主进行非结构化环境下的视觉位姿状态估计，便于机器人完成室外非结构化环境下的导航定位。

Description

一种非结构化环境四足机器人立体视觉定位建图方法

技术领域

本发明涉及无人系统导航领域，尤其涉及一种非结构化环境四足机器人立体视觉定位建图方法。

背景技术

双目相机一般和惯性元件一起标定，特征检测与提取一般使用目前为止最鲁棒的特征提取算法：Affine-SIFT，即ASIFT特征提取算法，在SIFT特征的基础上引入了相机拍摄经度角和纬度角的模拟,以一定的采样率生成仿射模拟图像，再进行SIFT匹配，可以使得特征对图像仿射关系的适应性更好。通过仿射图像和原始图像的匹配实验,验证ASIFT算法对仿射的适应能力,其实现方法为:对标准图像在经度和纬度两个方向分别进行仿射变换,将仿射变换图像与原图像进行特征匹配实验。实验表明,对于仅有一个维度变化的仿射图像,纬度角小于80°或者经度角小于90°情况下，ASIFT算法均能够成功匹配。

实际的导航定位系统都采用组合导航的手段融合多种导航方法，来获得高精度且鲁棒的定位效果。由于航天器的设计追求质量小、功耗低、可靠性高的特点，因此，具备微小型化的惯性测量单元(Inertial Measurement Unit, IMU)和相机受到专家和学者的普遍青睐。IMU可以在任何光照情况下计算六自由度的位姿信息，且更新频率快；摄像机可以校正IMU的漂移，又能进行场景重建。二者互为补充，构成了视觉/惯性组合导航系统(Visual-Inertial Navigation System,VINS)。目前，各国均采用视觉/惯性组合导航技术作为无人系统室外的主要导航定位方法。但是，在目前已有的室外机器人上的视觉/ 惯性组合导航方法只是将二者做简单的分时分段替换，并没有使用滤波融合方法将它们的优势进行互补，因此，对融合算法的进一步探索是未来工作的重点。

依靠单一传感器进行机器人位姿估计都存在一定的缺陷。对于移动机器人来说综合应用机器人所提供的各种传感器进行位姿估计即可以提高定位精度，也能够最大化利用移动机器人的硬件性能。由于惯性测量单元动态性能好且不易受外界环境的影响，通过分析惯性测量单元运动学模型和误差模型，以此来构建卡尔曼滤波状态转移方程，通过分析轮式里程计、视觉里程计、和加速度计重力观测模型构建观测方程对滤波器进行更新。通过融合多传感器信息，有助于提高机器人定位精度。然而，目前的双目视觉室外同时定位与建图检测方法无法适应目标环境单一，多尺度变化，从而导致特征点检测错误率较高，定位精度和鲁棒性有待提高。

发明内容

针对上述现有技术中的存在的问题和不足，本发明的目的是提供一种非结构化环境四足机器人立体视觉定位建图方法，能够自主识别非结构化的环境，提高特征点检测配准精度，完成四足机器人室外非结构化环境中的导航定位。

为达到上述目的，本发明所述的一种非结构化环境四足机器人立体视觉定位建图方法，包括：步骤S1：对相机和IMU内方位参数进行互标定，包括左右视对标、相机与惯导标定，充分融合IMU与双目相机之间的信息；步骤S2：使用双目相机两帧间的IMU信息预测上一帧的像素点在当前帧的位置，利用最小化光度误差得到两帧之间的像素跟踪信息，提取成功跟踪的特征组合，筛选局部地图特征点，完成当前帧像素与局部地图点对应像素的匹配；步骤S3：特征提取负责计算关键帧队列中当前关键帧左、右图像的ORB 局部图像特征描述算子；步骤S4：局部建图线程等待当前关键帧的特征提取完成后，进行双目立体像对匹配，融合通过最小化光度误差得到的像素与通过特征提取得到的像素位置，并筛选当前关键帧的冗余地图特征点，根据双目匹配的结果来创建新的地图特征点；步骤S5：利用位姿图优化减小该周期内四足机器人运动漂移，进行回环检测。

可选的，所述步骤S1中标定过程如下：利用imu_utils库进行IMU内参标定，校准IMU的零漂白噪声与随机游走误差，对双目相机进行标定得到 yaml文件，并且与IMU标定文件一起进行联合标定。

可选的，所述步骤S2中，通过最小化重投影误差和IMU预积分的误差得到当前帧的位姿估计，并判断、插入关键帧。

可选的，所述步骤S3，包括：将观察到匹配地图点集合中地图点的关键帧设置为局部关键帧；局部关键帧观察到的地图点设置为局部地图点。

可选的，所述步骤S4中的当关键帧队列中所有的关键帧处理完毕后，进行局部地图的光束法平差优化，从而得到定位和建图结果，最后对候选关键帧进行筛选。

可选的，所述步骤S5中，通过最小化重投影误差和IMU项误差得到全局一致性更好的环境地图和四足机器人的运动轨迹，该项工作同样是由Ceres 优化工具包完成。

可选的，前部帧的误差会不断累计，后程位姿估计的误差不断增大，通过回环检测方法修正前部帧累计的误差，修正的步骤具体包括：

步骤S51：组建特征点数据库中三个同名特征点的三角形；

步骤S52：构建每个特征点对应的仿射不变量；

步骤S53：建立仿射不变量距离判断矩阵和建立集合相似度。

进一步地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的非结构化环境四足机器人立体视觉定位建图方法。

进一步地，本发明提供了一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述所述的非结构化环境四足机器人立体视觉定位建图方法。

与现有技术相比，本发明具有以下有益效果：

(1)将特征提取作为一个单独的线程来调用，当跟踪线程频繁插入关键帧，关键帧队列中存在多个关键帧时，特征提取线程对队列中的第1个关键帧进行特征提取，当特征提取完成，通过局部建图线程完成该关键帧的双目匹配，像素点融合，地图点筛选，并创建新的地图点。

(2)使用“地面移动距离”(Earth Mover’s Distance,EMD)方法，能够自动求解两个集合间的相似度，旨在找到两个集合间最佳的契合程度；

(3)本方法以多线程的形式完成，每个线程并行完成不同任务，方便降低计算单元的算力消耗。

附图说明

图1为本发明实施例提供的基于惯性-双目视觉的自主定位与地图描绘方法流程图；

图2为本发明实施例提供的特征跟踪线程—图像特征跟踪示意图；

图3为本发明实施例提供的ORB特征提取与局部建图线程示意图；

图4为本发明实施例提供的局部提取BA优化示意图；

图5为本发明实施例提供的基于三角形面积比的仿射不变量。

具体实施方式

下面详细描述本实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本本发明所述非结构化环境四足机器人立体视觉定位建图方法，包括：

步骤S1，为充分融合IMU与双目相机之间的信息，在使用这两者前需要对其内方位参数进行互标定，包括左右视对标、相机与惯导标定，其具体过程如下：

整个标定过程使用了Ceres库(2.3.1版本)。

利用imu_utils库进行IMU内参标定，校准IMU的零漂白噪声与随机游走误差，然后开启IMU数据长时静止录制，一般建议时长为90分钟以上，将录制文件保存，并启动imu_utils进行IMU标定，对双目相机的标定采用 24x24mm的标定板，依次执行相机标定程序进行相机标定，在标定后得到 yaml文件，与IMU标定文件一起进行联合标定。

具体措施如下：利用高平整度的铝金属板将IMU与相机固联，并将设备沿IMU各轴充分激励(做俯仰、滚转、偏航以及平移动作)，将双目相机始终对准标定板，保证标定板在双目视野内。

通过标定可以得到相机和IMU之间的坐标转换矩阵T_CB＝[R_CB|p_CB]∈SE(3)，其中R_CB∈SO(3)为旋转矩阵，

为平移向量。第i时刻相机和世界坐标系下的坐标转换矩阵为

地图点在世界坐标系下的坐标为P_W，则该地图点在i时刻相机坐标系下的3D坐标为

在左侧相机的图像中的同名特征点像素坐标为

其中

为地图特征点在j时刻相机坐标系下的三维位置， f_x,f_y,c_x,c_y为双目相机内参(已标定过)。如果该地图中特征点在右图像中同样有投影点，则设定

(2)

其中

为地图点在右图像投影的横坐标。上述方程亦是双目成像的立体像对描述方程。

步骤S2，使用双目相机两帧间的IMU信息预测上一帧的像素点在当前帧的位置，利用最小化光度误差得到两帧之间的像素跟踪信息，提取成功跟踪的特征组合，筛选局部地图特征点，完成当前帧像素与局部地图点对应像素的匹配，具体过程如下：

设相机本体坐标系下i和j时刻两帧之间的旋转矩阵和平移向量分别为 _CR_ij和_Ct_ij，根据运动学关系，则有：

_CR_ij＝R_CB·_BΔR_ij·R_CB ^T

其中R_CB为相机体坐标系与四足机器人本体坐标系之间的姿态转换矩阵，

为第j时刻相机坐标系与世界坐标系之间的旋转矩阵。令

为u_i的齐次坐标，则利用IMU信息预测的u_{j_IMU}的计算为：

其中depth_i为像素点对应的环境地图点在第i时刻相机坐标系下的深度坐标。虽然IMU信息提供了较好的像素位置估计，但IMU采集信息存在误差，为进一步提高匹配精度，以u_{j_IMU}起点，采用从高层金字塔向低层金字塔迭代的方式，使用逆向组合法(InverseCompositional Formulation)最小化像素周围像素块的光度误差，得到更准确的像素点位置u_j：

θ＝{u_j,α,β}

其中I_i和I_j分别为i时刻和j时刻的图像灰度数据，α为相机曝光增益补偿，β为相机的曝光偏置补偿，A_i为仿射变换矩阵，用于调整由于两帧之间距离过大产生的图像块变化。

假设i时刻和j时刻得到的匹配地图点集合为MP_ij。为了获得更多的匹配点，j时刻图像还要与其他关键帧进行匹配。通常的方法是将观察到MP_ij中地图点的关键帧设置为局部关键帧，局部关键帧观察到的地图点设置为局部地图点，再将局部地图点投影到j时刻的相机系下进行特征匹配。然而在重复场景运动时，这种做法会产生大量等待匹配的局部地图点，严重影响算法实时性。为保证匹配数量在合理区间内，对局部关键帧和局部地图点的选择如下：

(1)局部关键帧的选择:

·当前帧与关键帧具有的共视地图点个数大于当前帧匹配地图点的一半，且两帧之间的仿射变换角度最大值小于20°，则该关键帧为共视局部关键帧。

·选取与共视局部关键帧共视地图点个数最多的5个关键帧，若这些关键帧与当前帧之间的仿射变换角度角最大值小于20°，则这些关键帧为邻近局部关键帧。

·选取与共视局部关键帧和邻近局部关键帧共视地图点最多的关键帧，称为父子局部关键帧。

(2)局部地图点的选择:

·共视局部关键帧、邻近局部关键帧和父子局部关键帧观测到的地图点为候选局部地图点，若候选地图点对应的像素块与上一帧图像匹配失败，则将此地图点从候选局部地图点中删除。

·将当前帧图像划分为10*10的像素栅格。将候选地图点投影到当前帧图像坐标系，若投影后的像素点所在栅格已有10个以上的匹配点，则删除该候选地图点。

·得到筛选后的局部地图后，由于j时刻与之前关键帧时间相距较长，IMU信息不够可靠，利用公式(1)将地图点投影到j时刻相机的图像坐标作为初值，进行公式(6)的优化。

得到j时刻图像像素和环境地图点的对应后，根据地图是否更新，计算j 时刻相机状态变量

其中

为世界坐标系下IMU 的速度向量:

(1)地图更新，上一个关键帧的获取时刻为i时刻。

θ＝s_j

其中E_{proj_mono}(j)为第j时刻图像帧2个维度的单目类型重投影误差项， E_IMU(i,j)为第i和j时刻之间的IMU项误差：

E_{proj_mono}(j)＝∑ρ((u-π(P_C))^TΔ_u((u-π(P_C)))

e_b＝b_j-b_i (9)

(2)地图未更新，上一帧的获取时刻为i时刻，则有：

θ＝{s_i,s_j}

其中E_prior(i)为第i时刻相机状态变量的先验误差：

其中

其中ρ(·)为Huber鲁棒代价函数，

表示上一次优化得到的结果。图2 所示为基于上述方法下的特征跟踪匹配实地测试图，其中27个特征点均得到了准确跟踪。

步骤S3，特征提取线程负责计算关键帧队列中当前关键帧左、右图像的 ORB局部图像特征描述算子；

当处理环境导航路标时，跟踪线程会在一段时间内频繁地插入关键帧来捕获纹理变化信息。如果在局部建图线程中处理特征提取的工作，会导致局部建图线程消耗大量时间进行特征提取，不能够及时完成局部BA优化，使得跟踪线程和局部建图线程之间的同步性较差，跟踪线程不能及时使用局部线程得到的更精确关键帧位姿和地图点位置进行当前帧相机位姿的解算，引起跟踪效果不佳，甚至跟踪失败。

考虑此因素，将特征提取作为一个单独的线程来调用。当跟踪线程频繁插入关键帧，关键帧队列中存在多个关键帧时，特征提取线程对队列中的第 1个关键帧进行特征提取，当特征提取完成，通知局部建图线程完成该关键帧的双目匹配，像素点融合，地图点筛选，并创建新的地图点，与此同时，特征提取线程进行第2个关键帧的特征提取工作，即第i个关键帧的特征提取工作与局部建图线程中第i-1个关键帧蓝色方框中的步骤同步进行，直到处理完所有的关键帧，最后进行局部BA优化和关键帧的筛选，算法整体流程如图3所示。

利用特征提取得到的像素坐标与跟踪线程中利用最小化光度误差得到的与地图点对应的像素点坐标不同，因此需要对这两种像素进行融合：对特征提取得到的特征点在5*5的固定像素窗口搜索最小化光度误差得到的像素点，计算与窗口中像素点的最小欧式距离和第二小欧式距离，并设置具有最小欧式距离的特征点和像素点对应同一个地图点。若出现两个特征点对应同一个像素点，则将最小欧式距离较大的特征点对应到具有第二小欧式距离的像素点和地图点上。完成所有特征点和像素点的融合后，得到特征点和地图点的对应，为后续的局部BA做好数据准备。而后利用地图点可见性对地图点进行筛选，剔除跟踪质量不高的地图点。利用关键帧的左右图像特征获得近距离的新地图点，利用三角化得到较远距离的新地图点。

步骤S4，局部建图线程：等待当前关键帧的特征提取完成后，进行双目立体像对匹配，融合通过最小化光度误差得到的像素与通过特征提取得到的像素位置，并筛选当前关键帧的冗余地图特征点，根据双目匹配的结果来创建新的地图特征点；具体过程如下：

进行局部地图的BA优化，如图4所示：

假设局部建图线程中的优化滑动窗口大小为N，滑动窗口中的局部关键帧集合为KF_local(包括当前关键帧在内的最近N个关键帧KF_i的集合)，局部地图点集合为MP(局部关键帧观测到的地图点集合)，固定关键帧KF_fixed的集合为KF_fixed。在跟踪线程公式(8)和公式(10)的优化中，只包含单目类型的重投影误差项E_{proj_mono}，而在局部建图线程中关键帧的左右图像具有匹配的特征点，因此增加了双目类型的重投影误差项E_{proj_stereo}。在滑动窗口中使用BA 同时优化局部关键帧和局部地图点：

其中

步骤S5：利用位姿图优化减小该周期内四足机器人运动漂移，进行回环检测。

在经历跟踪线程、特征提取线程和闭环线程后，最后一个线程是回环检测，该部分内容也是决定定位与建图，尤其是长距离、长航时下精度的最关键一环。考虑野外地面的特殊性质，在四足机器人执行特征跟踪，地图建立过程中，随着路径的不断的延伸，前部帧的误差势必会不断累计，若对此不作任何修正的话，则后程位姿估计的误差只能不断增大，除了观测已标记好全局绝对位姿的导航路标之外，有效的回环检测，也可以有效的削弱累计的误差。

在原有的词袋模型(Bag of Words)基础上，提出了一种基于特征物理位置信息的回环检测方法，具体步骤如下：

考虑在某些工况下，双目相机所拍摄的图像中局部特征的辨识度较低，即纹理信息不足以支撑可靠的同名特征匹配。

为此，利用特征点的像素位置来构建特征匹配的不变量。

设图像中所检测特征点的位置为[μ_a,ν_a]，其对应在数据库中的同名点的图像位置为[μ_D,ν_D]，因特征点坐落于在相对平坦的着陆点邻域内，故可假设数据库中特征点共面，则[μ_a,ν_a]与[μ_D,ν_D]存在如下仿射变换：

其中H_D为单应矩阵，T＝[t_x,t_y]^T对应平移向量。由图像中三个非共线特征点即可组成一三角形，其面积为：

同理，可以组建数据库中三个同名特征点的三角形，其面积为S_D，根据透视原理，S_a与S_D之间存在如下对应关系

S_D＝|det(H)|S_a (17)

考虑4个特征点的情况，如图5所示：

其中A,B,C,D分别对应了特征点的图像位置，其中蓝色三角形ΔACD与黄色三角形ΔABD的面积比即构成了仿射不变量：

图5中每个特征点均附属于3个独立的三角形，因此可以构建个仿射不变量，在此构建如下矩阵来描述图像中每个特征点对应的仿射不变量:

若图像I中存在n个特征点，则可对应存在

个附属三角形，其仿射不变矩阵的尺寸则为

由于式(18)中仿射不变量的构建中，三角形的除法具有次序性，而在特征匹配中，该次序不可预知，因此将原仿射不变量进行如下改动：

其中Δ₁,Δ₂分别对应不同的三角形，当Δ₁,Δ₂的除法顺序颠倒时，新的不变量f_inv将不再改变。根据式(19)，图像中任意特征点[μ_i,ν_i]^T,i＝1,...,n的仿射不变量集合可以描述为

其中

亦对应了式(19)中的第i列。由于特征点的仿射不变量构建并不具备有序性，故

更适合以集合的形式描述。因此式(19)中仿射不变矩阵的形式可以改写为

至此，特征点匹配的任务便可以转化为求取两个集合间的相似度，这里使用Jaccard集合相似度判据，如下式所示：

其中|g|表示集合中的元素个数(Cardinality，又称基数)。对上式的求取需要知道集合X,Y的交集的基数，因此需要建立仿射不变量间的匹配，在此提出一种改进的匹配判据：

其中f_i对应了下降图像中特征h的第i个仿射不变量，

对应了数据库中特征D的第j个仿射不变量。当d_ij小于设定阈值时，便认为仿射不变量f_i ^h,

成功匹配了数据库对应的不变量。据此，便可以建立完整的集合相似度求取算法，在此提出“地面移动距离”(Earth Mover’s Distance,EMD)方法，能够自动求解两个集合间的相似度，如下所示：

其中，S_E(g)代表集合相似度函数，s_e(f^h,f^D)为“地面距离”，其形式为：

EMD旨在找到两个集合间最佳的契合程度，若S_E(g)值越大，说明两个集合越相似。a_h,D的值只能取0或1，a_h,D＝1当且仅当两集合中元素地面距离最小。求解上述问题有很多优化方法，比如利用匈牙利算法来进行S_E的解算。

本实施例还可提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，可实现上述的非结构化环境四足机器人立体视觉定位建图方法。

具体地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是只读存储器、随机存取存储器、只读光盘、磁带、软盘和光数据存储设备等。

本实施例还可提供一种电子设备，其包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，可实现上述的非结构化环境四足机器人立体视觉定位建图方法。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、 “包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims

1.一种非结构化环境四足机器人立体视觉定位建图方法，其特征在于，包括

步骤S1：对相机和IMU内方位参数进行互标定，包括左右视对标、相机与惯导标定，充分融合IMU与双目相机之间的信息；

步骤S2：使用双目相机两帧间的IMU信息预测上一帧的像素点在当前帧的位置，利用最小化光度误差得到两帧之间的像素跟踪信息，提取成功跟踪的特征组合，筛选局部地图特征点，完成当前帧像素与局部地图点对应像素的匹配；

步骤S3：特征提取线程负责计算关键帧队列中当前关键帧左、右图像的ORB局部图像特征描述算子；

步骤S4：局部建图线程等待当前关键帧的特征提取完成后，进行双目立体像对匹配，融合通过最小化光度误差得到的像素与通过特征提取得到的像素位置，并筛选当前关键帧的冗余地图特征点，根据双目匹配的结果来创建新的地图特征点；

2.如权利要求1所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，所述步骤S1中标定过程如下：利用imu_utils库进行IMU内参标定，校准IMU的零漂白噪声与随机游走误差，对双目相机进行标定得到yaml，并且与IMU标定文件一起进行联合标定。

3.如权利要求1所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，所述步骤S2中通过最小化重投影误差和IMU预积分的误差得到当前帧的位姿估计，并判断、插入关键帧。

4.如权利要求1所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，所述步骤S3中，将观察到匹配地图点集合中地图点的关键帧设置为局部关键帧；局部关键帧观察到的地图点设置为局部地图点。

5.如权利要求1所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，所述步骤S4中的当关键帧队列中所有的关键帧处理完毕后，进行局部地图的光束法平差优化，从而得到定位和建图结果，最后对候选关键帧进行筛选。

6.如权利要求1所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，所述步骤S5中，通过最小化重投影误差和IMU项误差得到全局一致性更好的环境地图和四足机器人的运动轨迹，该项工作是由Ceres优化工具包完成。

7.如权利要求6所述的非结构化环境四足机器人立体视觉定位建图方法，其特征在于，前部帧的误差会不断累计，后程位姿估计的误差不断增大；通过回环检测方法修正前部帧累计的误差，修正的步骤具体包括：

步骤S51：组建特征点数据库中三个同名特征点的三角形；

步骤S52：构建每个特征点对应的仿射不变量；

步骤S53：建立仿射不变量距离判断矩阵和建立集合相似度。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的非结构化环境四足机器人立体视觉定位建图方法。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7中任一项所述的非结构化环境四足机器人立体视觉定位建图方法。