单目视觉里程计内存占用少、配置简单、价格便宜,在移动机器人和智能车辆等领域得到广泛应用,然而,基于特征点匹配法的传统单目视觉里程计也存在着实时性差、尺度模糊和累积误差较大等问题。为此,本文对单目视觉里程计进行了一些算法优化研究。为了提高单目视觉里程计算法的实时性,研究了SURF(Speeded Up Robust Feature)算法和ORB(Oriented Fast and Rotated Brief)算法,针对SURF算法实时性差和ORB算法尺度不变性问题,结合Hessin矩阵特征检测和ORB的r BRIEF描述子,提出了一种改进的ORB算法。为了改善单目视觉里程计算法的尺度模糊和累积误差问题,分析了光流法运动估计算法,对EEM(Edge Expand Method)存在的地面跟踪丢失问题进行了优化,解决了单目视觉里程计算法的尺度模糊问题,实现了地面特征的持续跟踪。基于KALMAN滤波器设计了单目视觉里程计融合算法,利用光流法获得更多的位置特征信息,提高了车辆的运动估计精度,减小了累积误差。基于KITTI公开数据集进行了车辆模拟仿真实验,对光流法、特征点匹配法及其融合算法的轨迹、旋转和平移误差特性进行了分析,改进了单目视觉里程计算法的实时性、尺度模糊和累积误差问题,验证了本文所提出的单目视觉里程计融合算法的可行性。
暂无评论