0 引言

    作為移動(dòng)機(jī)器人實(shí)現(xiàn)智能化的關(guān)鍵技術(shù)，同步定位與地圖創(chuàng)建(Simultaneous Localization And Mapping，SLAM)^[1]在移動(dòng)機(jī)器人的自主導(dǎo)航、自主控制中發(fā)揮著重要的意義。隨著視覺(jué)傳感器^[2]的發(fā)展，視覺(jué)SLAM在移動(dòng)機(jī)器人中的應(yīng)用越趨普遍。視覺(jué)信息與慣性導(dǎo)航系統(tǒng)相結(jié)合，可以避免移動(dòng)機(jī)器人對(duì)有源信號(hào)的依賴，更滿足于無(wú)源條件下的導(dǎo)航需求，具有體積小、重量輕、安裝方便等優(yōu)點(diǎn)。根據(jù)使用視覺(jué)傳感器類型的不同，將視覺(jué)SLAM劃分為：?jiǎn)文?Monocular)視覺(jué)SLAM、雙目(Binocular)視覺(jué)SLAM和深度(RGB-D)視覺(jué)SLAM。深度視覺(jué)SLAM利用深度相機(jī)記錄周圍場(chǎng)景的同時(shí)，能夠輸出RGB-D圖像信息(彩色圖像與深度圖像)，有效地解決了單目相機(jī)沒(méi)有深度信息、雙目相機(jī)求解深度信息計(jì)算量繁重的問(wèn)題。在RGB-D SLAM算法中，特征提取算法的選擇會(huì)影響整個(gè)系統(tǒng)的實(shí)時(shí)性。目前，在RGB-D SLAM算法中應(yīng)用最為廣泛的特征點(diǎn)檢測(cè)與提取算法有SIFT^[3]、SURF^[4]和ORB^[5]3種。

    尺度不變的特征變換（Scale-invariant Feature Transform，SIFT）是一種特征檢測(cè)與描述子提取算法。該算法在旋轉(zhuǎn)、尺度的縮放、光照條件的變化、噪聲干擾等方面受到的影響較小，具有較好地穩(wěn)定性。加速魯棒性特征（Speeded Up Robust Features，SURF）算法是對(duì)SIFT算法的改進(jìn)，其具有穩(wěn)健的局部特征點(diǎn)檢測(cè)和描述符特征。與SIFT算法相比，SURF算法采用了積分圖像和Harr特征使得SURF算子在速度上有了一定的提高。但上述兩種算法都要求建立高維描述符，需要大量的內(nèi)存空間和較長(zhǎng)的運(yùn)行時(shí)間^[6]，該兩種特征點(diǎn)提取算法都不適合應(yīng)用在對(duì)系統(tǒng)實(shí)時(shí)性要求較高的RGB-D SLAM算法中。

    為滿足RGB-D SLAM算法對(duì)系統(tǒng)實(shí)時(shí)性的要求，在此使用運(yùn)算速度較快的ORB（Oriented FAST and rotated BRIEF）算法。該算法的運(yùn)算速度是SIFT的100倍，是SURF的10倍^[7]。但是，ORB算法存在特征點(diǎn)分布不均勻、輸出重疊特征點(diǎn)較多等問(wèn)題。因此，本文提出一種改進(jìn)ORB算法，并且使用一種特征點(diǎn)分布均勻度的評(píng)價(jià)方法計(jì)算特征點(diǎn)的分布情況。

1 基本原理

1.1 RGB-D SLAM算法

    RGB-D SLAM算法由前端數(shù)據(jù)處理和后端優(yōu)化處理兩部分組成。前端數(shù)據(jù)處理主要對(duì)Kinect相機(jī)采集的彩色圖像與深度圖像進(jìn)行處理，得到相鄰兩幀圖像之間的運(yùn)動(dòng)關(guān)系，進(jìn)而定量地估計(jì)相機(jī)的運(yùn)動(dòng)情況，恢復(fù)三維場(chǎng)景的空間結(jié)構(gòu)。后端優(yōu)化處理主要對(duì)前端生成的數(shù)據(jù)結(jié)果進(jìn)行優(yōu)化，使用濾波與非線性優(yōu)化方法、引入回環(huán)檢測(cè)解決RGB-D SLAM過(guò)程中存在的噪聲問(wèn)題，最終生成全局最優(yōu)的運(yùn)動(dòng)軌跡和三維空間環(huán)境地圖。

1.2 ORB算法基本原理

    在ORB算法中，特征點(diǎn)提取采用改進(jìn)FAST(oFAST)算法，特征點(diǎn)描述子采用具有旋轉(zhuǎn)不變性的BRIEF(rBRIEF)算法。ORB算法對(duì)角點(diǎn)方向測(cè)量時(shí)使用灰度質(zhì)心法^[8]。假設(shè)某角點(diǎn)的灰度與其所在的鄰域重心沒(méi)有完全重合，發(fā)生了偏移，可以通過(guò)角點(diǎn)灰度坐標(biāo)到質(zhì)心之間形成的向量計(jì)算出角點(diǎn)的主方向。定義角點(diǎn)鄰域的(p+q)階矩，如式(1)所示：

    由式(4)可知，角點(diǎn)的方向可由角點(diǎn)與質(zhì)心的夾角表示。I(x，y)中的x和y的范圍控制在半徑為r的圓形區(qū)域內(nèi)，提取到的角點(diǎn)具有旋轉(zhuǎn)不變性。

    rBRIEF算法的主要思想是采用了隨機(jī)選點(diǎn)的機(jī)制，在特征點(diǎn)的周圍選取一定數(shù)量的像素點(diǎn)，比較這些像素點(diǎn)與特征點(diǎn)對(duì)應(yīng)的灰度值。具體步驟如下：

    (1)在FAST特征點(diǎn)周圍選取31×31的鄰域窗口，并在鄰域窗口內(nèi)隨機(jī)選擇5×5的像素塊對(duì)，比較二者像素的大小，對(duì)其進(jìn)行二進(jìn)制賦值，相應(yīng)圖像塊的描述子分段函數(shù)τ定義為：

式中，p(x)和p(y)是鄰域內(nèi)隨機(jī)點(diǎn)x(u₁，v₁)和y(u₂，v₂)的灰度函數(shù)。

    (2)在窗口中以特征點(diǎn)p為核心，選取n個(gè)(x_i，y_i)位置點(diǎn)對(duì)，得到n維二進(jìn)制碼串，如式(6)所示：

    (3)設(shè)定特征點(diǎn)描述子的方向使其具有旋轉(zhuǎn)不變性。在(x_i，y_i)位置點(diǎn)處，對(duì)n個(gè)二進(jìn)制測(cè)試向量，設(shè)定一個(gè)2×n矩陣Q，如式（7）所示：

    (4)利用貪婪搜索算法，找出256個(gè)點(diǎn)對(duì)使其相關(guān)性最低，得到帶有方向的特征描述子rBRIEF。

2 改進(jìn)ORB算法

    在RGB-D SLAM算法中，前端數(shù)據(jù)處理部分使用傳統(tǒng)ORB算法對(duì)圖像進(jìn)行特征點(diǎn)檢測(cè)與提取，會(huì)導(dǎo)致提取到的特征點(diǎn)分布不均勻，并且還會(huì)在圖像中的某一區(qū)域出現(xiàn)特征點(diǎn)重疊的情況。特征點(diǎn)分布不均勻以及重疊特征點(diǎn)的出現(xiàn)會(huì)影響移動(dòng)機(jī)器人運(yùn)動(dòng)狀態(tài)的估計(jì)。針對(duì)上述問(wèn)題，本文提出了一種改進(jìn)ORB算法，改進(jìn)ORB算法的流程如圖1所示。

2.1 改進(jìn)自適應(yīng)閾值FAST角點(diǎn)提取

    首先，構(gòu)建圖像尺度金字塔，將高斯金字塔的每一層進(jìn)行網(wǎng)格劃分，增加空間尺度信息；其次，在進(jìn)行FAST角點(diǎn)提取時(shí)，對(duì)圖像邊界進(jìn)行處理、設(shè)置感興趣區(qū)域^[9]；然后，使用初始閾值對(duì)特征點(diǎn)進(jìn)行提取，并對(duì)較難提取到的特征點(diǎn)所在的網(wǎng)格部分，采用先降低閾值再檢測(cè)的方法，同時(shí)對(duì)特征點(diǎn)為空的情況，設(shè)置最小閾值；最后，實(shí)現(xiàn)FAST角點(diǎn)自適應(yīng)閾值提取。改進(jìn)自適應(yīng)閾值FAST角點(diǎn)提取流程圖如圖2所示。

    圖2中，在構(gòu)建圖像尺度金字塔網(wǎng)格劃分時(shí)需對(duì)參數(shù)進(jìn)行初始化，設(shè)置網(wǎng)格個(gè)數(shù)，其中，i是網(wǎng)格行數(shù)，j是網(wǎng)格列數(shù)，rows和cols是金字塔分割的行、列數(shù)。感興趣區(qū)域隨著行數(shù)i和列數(shù)j數(shù)值大小的變化而變化。并對(duì)已在感興趣區(qū)域中提取到的特征點(diǎn)位置還原至已劃分的網(wǎng)格區(qū)域中。

2.2 引入非極大值抑制的方法剔除重疊點(diǎn)

    非極大值抑制算法(Non-Maximum Suppression，NMS)^[10]的本質(zhì)是在圖像中對(duì)需要檢測(cè)的目標(biāo)搜索局部極大值，并抑制非極大值元素。當(dāng)出現(xiàn)多個(gè)候選結(jié)果時(shí)，根據(jù)設(shè)定的目標(biāo)條件對(duì)其進(jìn)行篩選并選擇最優(yōu)的效果。本文在對(duì)特征點(diǎn)輸出時(shí)，為防止重疊特征點(diǎn)的出現(xiàn)，選用非極大值抑制的方法。以圖像建立的尺度空間金字塔頂層為基準(zhǔn)，選取在每層金字塔上都出現(xiàn)的特征點(diǎn)p_i，p_i∈P，P={p₁，p₂，…，p_i}作為已有特征點(diǎn)。對(duì)候選特征點(diǎn)q_j(非每層均出現(xiàn))，q_j∈Q，Q={q₁，q₂，…，q_j}進(jìn)行非極大值抑制剔除，防止特征點(diǎn)的重疊輸出。該剔除重疊特征點(diǎn)的方法步驟如下：

    (1)在特征點(diǎn)輸出時(shí)，計(jì)算圖像中現(xiàn)有的候選特征點(diǎn)qj所在的某網(wǎng)格區(qū)域與已有特征點(diǎn)p_i坐標(biāo)之間的距離。設(shè)定距離的臨界閾值為l，候選特征點(diǎn)所在的坐標(biāo)和Harris角點(diǎn)響應(yīng)閾值為q_j={x_j，y_j，ε_j}；

    (2)求解出候選特征點(diǎn)q_j={x_j，y_j，ε_j}與特征點(diǎn)P={p₁，p₂，…，p_i}之間的坐標(biāo)距離，篩選出距離不大于l的候選特征點(diǎn)q^′_j={x_j，y_j，ε_j}；

    (3)計(jì)算按照步驟(2)求出的距離值不超過(guò)l的候選特征點(diǎn)q^′_j={x_j，y_j，ε_j}的Harris角點(diǎn)響應(yīng)閾值ε^′_j，根據(jù)候選特征點(diǎn)響應(yīng)閾值的激烈程度(即ε^′_j數(shù)值大小)將這些候選特征點(diǎn)進(jìn)行從大到小排序；

    (4)根據(jù)非極大值抑制算法的原理，將Harris角點(diǎn)響應(yīng)閾值ε^′_j極大值所在的候選特征點(diǎn)q^′_j={x_j，y_j，ε_j}保留下來(lái)，得到特征點(diǎn)所處最佳位置的鄰近特征點(diǎn)。并將低閾值的鄰近候選特征點(diǎn)剔除，減少重疊特征點(diǎn)的輸出。

2.3 圖像特征點(diǎn)分布均勻性評(píng)價(jià)方法

    圖像特征點(diǎn)分布均勻性評(píng)價(jià)用來(lái)判斷圖像中特征點(diǎn)分布是否均勻。如果圖像中不同分割區(qū)域內(nèi)特征點(diǎn)的數(shù)目相等或者接近，說(shuō)明圖像中的特征點(diǎn)分布較為均勻；反之，特征點(diǎn)分布不均勻。鑒于上述評(píng)價(jià)方法，本文在計(jì)算特征點(diǎn)分布情況時(shí)首先對(duì)待檢測(cè)的圖像進(jìn)行區(qū)域劃分，如圖3所示；接著，統(tǒng)計(jì)每個(gè)區(qū)域內(nèi)的特征點(diǎn)數(shù)量；然后，計(jì)算特征點(diǎn)區(qū)域統(tǒng)計(jì)分布的方差數(shù)值；最后，根據(jù)方差數(shù)值的大小判斷圖像特征點(diǎn)分布的均勻情況。從特征點(diǎn)方差數(shù)值的大小關(guān)系可以看出，方差數(shù)值越大，代表特征點(diǎn)數(shù)量的波動(dòng)越大，間接地反映特征點(diǎn)分布不均勻。

3 實(shí)驗(yàn)結(jié)果與分析

    本實(shí)驗(yàn)基于實(shí)驗(yàn)室自主研發(fā)的輪式移動(dòng)機(jī)器人開(kāi)展，如圖4所示。其配有Kinect1.0深度攝像機(jī)，系統(tǒng)操作環(huán)境是一臺(tái)配置為i3處理器、內(nèi)存為4.0 GB的電腦，運(yùn)行環(huán)境為Ubuntu14.04的32位indigo的開(kāi)源機(jī)器人操作系統(tǒng)（Robot Operating System，ROS）^[11]。采集實(shí)驗(yàn)室場(chǎng)景的圖像信息，并對(duì)該場(chǎng)景實(shí)現(xiàn)移動(dòng)機(jī)器人的同步定位與地圖創(chuàng)建。

3.1 圖像特征點(diǎn)提取實(shí)驗(yàn)

    輪式移動(dòng)機(jī)器人采集的實(shí)驗(yàn)室數(shù)據(jù)集包含彩色圖像與深度圖像，均為640×480的png格式。其中，深度圖像的位深度為16 bit，彩色圖像的位深度為24 bit。為使實(shí)驗(yàn)操作簡(jiǎn)潔方便，適合PCL可視化工具數(shù)據(jù)的讀取，兩種圖片的像素坐標(biāo)均已通過(guò)OpenNI^[12]處理，實(shí)現(xiàn)一一對(duì)應(yīng)的坐標(biāo)關(guān)系。使用傳統(tǒng)ORB算法和改進(jìn)ORB算法對(duì)同一張圖像進(jìn)行特征點(diǎn)提取。實(shí)驗(yàn)結(jié)果如圖5所示。

    從圖5可以看出，傳統(tǒng)ORB算法輸出的特征點(diǎn)提取效果分布情況較為密集，改進(jìn)ORB算法的特征點(diǎn)提取效果分布情況較為均勻。為了量化傳統(tǒng)ORB算法與改進(jìn)ORB算法圖像特征點(diǎn)分布的均勻情況，引入文中提出的圖像特征點(diǎn)分布均勻性評(píng)價(jià)方法計(jì)算特征點(diǎn)在圖像中的分布情況，如表1所示。

    從表1中可以看出，當(dāng)特征點(diǎn)期望數(shù)值相同時(shí)，改進(jìn)ORB算法提取到特征點(diǎn)的方差數(shù)值比傳統(tǒng)ORB算法提取到特征點(diǎn)的方差數(shù)值小。并且，隨著特征點(diǎn)期望數(shù)值的增加，相同圖像特征點(diǎn)數(shù)量的方差數(shù)值也在增加，即特征點(diǎn)在圖像中分布的均勻度降低。由于方差數(shù)值越大，表示圖像中特征點(diǎn)分布的波動(dòng)越大，即圖像特征點(diǎn)分布的均勻情況較差，因此，該實(shí)驗(yàn)結(jié)果顯示，改進(jìn)ORB算法提取到的圖像特征點(diǎn)分布的均勻情況較好。

3.2 重疊特征點(diǎn)的剔除

    傳統(tǒng)ORB算法在特征點(diǎn)進(jìn)行輸出時(shí)，輸出的特征點(diǎn)會(huì)在圖像中出現(xiàn)重疊現(xiàn)象。改進(jìn)ORB算法在特征點(diǎn)輸出時(shí)，采取非極大值抑制的算法對(duì)其進(jìn)行處理，減少重疊特征點(diǎn)的輸出。待檢測(cè)的圖像是否采用非極大值抑制算法進(jìn)行重疊特征點(diǎn)剔除的實(shí)驗(yàn)結(jié)果如圖6所示。

    圖6（a）是傳統(tǒng)ORB算法未使用非極大值抑制對(duì)輸出特征點(diǎn)進(jìn)行處理的整張圖像的視覺(jué)效果，圖6（b）是改進(jìn)ORB算法使用非極大值抑制對(duì)輸出特征點(diǎn)進(jìn)行處理的整張圖像的視覺(jué)效果。選擇圖像中的某一區(qū)域進(jìn)行放大對(duì)比，可以看出改進(jìn)ORB算法的重疊特征點(diǎn)的數(shù)量明顯減少，有效地抑制低閾值特征點(diǎn)的輸出。

3.3 算法實(shí)時(shí)性分析

    由于RGB-D SLAM算法對(duì)實(shí)時(shí)性的要求較為嚴(yán)格，對(duì)比改進(jìn)ORB算法與傳統(tǒng)ORB算法在特征點(diǎn)提取與匹配消耗的時(shí)間，比較結(jié)果如表2所示。

    從表2中可以看出，ORB算法的實(shí)時(shí)性與特征點(diǎn)期望的數(shù)值有著緊密的聯(lián)系，即特征點(diǎn)期望的數(shù)值越大，特征點(diǎn)提取與匹配消耗的時(shí)間就越長(zhǎng)；當(dāng)特征點(diǎn)期望的數(shù)量相同時(shí)，同一張圖像改進(jìn)ORB算法比傳統(tǒng)ORB算法消耗的時(shí)間少。實(shí)驗(yàn)結(jié)果表明，改進(jìn)ORB算法可以更好地應(yīng)用在RGB-D SLAM算法中。

4 結(jié)論

    本文在傳統(tǒng)ORB算法的基礎(chǔ)上，針對(duì)其存在特征點(diǎn)分布不均勻、重疊特征點(diǎn)較多的問(wèn)題，提出一種改進(jìn)ORB算法，并將該算法應(yīng)用在移動(dòng)機(jī)器人視覺(jué)導(dǎo)航中的RGB-D SLAM算法中。使用實(shí)驗(yàn)室自主研發(fā)的輪式移動(dòng)機(jī)器人分別從圖像特征點(diǎn)分布的均勻情況、特征點(diǎn)輸出的重疊情況以及特征點(diǎn)提取與匹配消耗的時(shí)間情況三個(gè)方面比較傳統(tǒng)ORB算法與改進(jìn)ORB算法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)ORB算法特征點(diǎn)的分布較為均勻、輸出特征點(diǎn)重疊數(shù)量較少、執(zhí)行時(shí)間較短，可以更好地應(yīng)用在RGB-D SLAM算法中。

參考文獻(xiàn)

[1] KHAIRUDDIN A R，TALIB M S，HARON H.Review on simultaneous localization and mapping(SLAM)[C].IEEE International Conference on Control System，Computing and Engineering.IEEE，2016：85-90.

[2] 黨宏社，候金良，強(qiáng)華，等.基于視覺(jué)引導(dǎo)的SCARA機(jī)器人自動(dòng)裝配系統(tǒng)[J].電子技術(shù)應(yīng)用，2017，43(5)：21-24.

[3] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91-110.

[4] BAY H，ESS A，TUYTELAARS T，et al.Speeded-up robust features(SURF)[J].Computer Vision & Image Understanding，2008，110(3)：346-359.

[5] RUBLEE E，RABAUD V，KONOLIGE K，et al.ORB：an efficient alternative to SIFT or SURF[C].International Conference on Computer Vision.IEEE，2012：2564-2571.

[6] 劉宏偉，余輝亮，梁艷陽(yáng).ORB特征四叉樹(shù)均勻分布算法[J].自動(dòng)化儀表，2018，39(5)：52-54，59.

[7] 毛星云.OpenCV3編程入門[M].北京：電子工業(yè)出版社，2015.

[8] XU J，CHANG H W，YANG S，et al.Fast feature-based video stabilization without accumulative global motion estimation[J].IEEE Transactions on Consumer Electronics，2012，58(3)：993-999.

[9] PRIVITERA C M，STARK L W.Algorithms for defining visual regions-of-interest: comparison with eye fixations[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2000，22(9)：970-982.

[10] HOSANG J，BENENSON R，SCHIELE B.A convnet for non-maximum suppression[M].Pattern Recognition.Springer International Publishing，2016：192-204.

[11] KEI O.ROS(robot operating system)[J].Journal of the Robotics Society of Japan，2012，30(9)：830-835.

[12] 宋艷.基于圖像特征的RGB-D視覺(jué)SLAM算法[D].青島：中國(guó)海洋大學(xué)，2015.

作者信息:

成  怡1，2，佟曉宇1，2

（1.天津工業(yè)大學(xué) 電氣工程與自動(dòng)化學(xué)院，天津300387；

2.天津工業(yè)大學(xué) 天津市電工電能新技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津300387）