基于运动状态的特征点选择策略

任绪龙 范涵奇

摘要：在本文中提出了一种新颖的适用于双目视觉里程计的特征点筛选策略，即通过特征点的运动状态来对已有的匹配点进行进一步筛选，以此来获取更加稳定的特征点。通过在KITTI数据集上进行试验，该方法相较于传统的视觉里程计具有更高的精度。

关键词：双目视觉里程计;特征点;运动状态;KITTI

中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2019）04-0069-02

0 引言

近年來，slam[1]技术被广泛应用于机器人，增强现实，路径规划，无人驾驶以及三维重建等方面，slam主要分为两个部分：前端和后端，而VO（visual odometry）作为slam前端的重要组成部分，其主要是根据图像的信息粗略的估计出相机的运动，从而给后端提供较好的初始值。而在现有的应用技术中VO的实现主要分为两个方面，一种是基于滤波的，另一种是基于关键帧的实现。对于基于滤波的方法，受地图的影响其复杂度高且计算量大。因此，本文中采用基于关键帧的方法求解VO问题。对于采用关键帧解决VO的问题主要分为两种，一种是直接法，另一种是基于特征点的方法。而在本文中采用的利用关键帧解决VO问题的方法是基于特征点的方法。对于基于特征点的方法而言，如何选择稳定鲁棒的特征点则是VO中所要解决的主要问题。

本文则是基于上述问题提出了一种比较新颖的特征点选择策略，即采用特征点的匹配和特征点的运动状态相结合的方法来筛选稳定鲁棒的特征点，以此来提高VO的精度，进而提高slam系统的精度。

slam系统包括前端和后端，VO作为slam的前端采用相机获取图像并求取当前帧的位姿以及当前帧的特征点，后端则是对前端获取的位姿进行优化。而在整个过程中，前端中的每帧图像中获取的特征点的质量高低将对后续的位姿估计以及关键帧的获取具有很重要的影响。特征点质量的好坏将会影响系统最终的定位与建图的精确度。

1 特征点筛选

本节主要描述了本文的核心方法，即在双目的视觉里程计中如何通过特征点的运动状态来筛选出稳定的特征点，从而进一步使得系统获取高精度的定位与重建结果。

本文采用的方法主要分为以下两个步骤：

（1）对检测到的每个特征点附加age[2-3]属性，age属性的描述为：如果该特征点为第一次检测，则将其age设为0;若在后续的图像中仍能连续的检测到该特征点，则将该特征点的age值加1。后续新检测的特征点依次按照上述的方式进行设置。

（2）利用光流对检测到的每个特征点计算其速度及其加速度。首先，在计算速度时需要保证检测到的每个特征点的age值需大于1，而计算加速度时则需要保证每个特征点的age值应当大于2。同时，在获取了每个特征点对应的速度及加速度之后，本文中采用设定的阈值，对满足一定条件的匹配点的进行筛选，若特征点的运动结果与匹配结果之间的距离满足阈值条件，则将该特征点进行保留，不满足的则进行舍弃。而在这里的判断条件则是指：在获取了当前帧中特征点的速度或加速度后，首先将当前帧中的特征点经过特征匹配获得其在下一帧中的位置，并且通过运动方式获取该特征点在下一帧中的位置，然后计算两个像素点位置之间的欧式距离，之后通过计算获取的欧式距离与预先设定的阈值进行比较，若大于该阈值则舍去否则将该点进行保留。从而最终通过这种方式来达到对每幅图像中匹配的特征点进行进一步筛选的目的。

如图1所示，为该过程中一个特征点对应的匹配及运动结果描述图，其中前一帧中的红色点表示第一次检测到的特征点位置，当前帧的红色点表示初始特征点经过特征匹配获取的特征店在当前帧的位置，下一帧中的红色点表示当前帧中的红色点经过特征匹配获取的特征点位置;而当前帧和下一帧中绿色的点表示初始检测的特征点（前一帧中的红色点）经过运动在当前帧以及下一帧中的位置。

2 实验与分析

为了充分说明本文中提取方法的有效性，将本文中的方法在KITTI数据集上进行测试。同时进行本实验时所采用的计算机的处理器为i7-4770，CPU为2.4GHz以及内存为4GB，其实验结果如表1所示。

3 结语

本文提出了一种新颖的特征点筛选策略，即采用特征点的运动状态来对已检测的特征点进行筛选，从而进一步提高了双目视觉里程计的精度，同时通过在KITTI数据集中进行实验测试说明了本文的方法的适用性以及精度。

参考文献

[1] Geiger A，Ziegler J，Stiller C.StereoScan：Dense 3d reconstruction in real-time[C]// Intelligent Vehicles Symposium （IV），2011 IEEE.IEEE，2011.

[2] Bailey T ， Durrant-Whyte H . Simultaneous localization and mapping （SLAM）： part II[J]. IEEE Robotics & Automation Magazine，2006，13.

[3] Cvisic I ， Petrovic I . Stereo odometry based on careful feature selection and tracking[C]//2015 European Conference on Mobile Robots （ECMR）.IEEE，2015.