基于上下文的描述符合对应扩展的有效地图合并方法

技术领域

本发明涉及移动机器人、导航定位和计算机视觉技术领域，具体为基于上下文的描述符合对应扩展的有效地图合并方法。

背景技术

随着计算机和传感器设备的迅速发展，移动机器人技术已经广泛地应用于人类生产和生活相关的各个领域。移动机器人在执行各种任务的过程中需要非常精确的地图环境，因此必须安装大量的感知设备，例如激光雷达、红外相机等。作为机器人技术中最关键的技术之一，同步定位和地图绘制(SLAM)旨在通过感知设备构建一致的环境图，并在其周围环境中定位自主机器人，确保任务的顺利执行。目前，很多机器人上都已配备SLAM功能。这些移动机器人已在各个领域得到广泛应用，主要包括：无人驾驶汽车，农林业，服务业、军事和矿产资源开采等领域。下面将介绍SLAM技术在上述几个领域中的应用：

1)无人驾驶汽车

无人驾驶车是当今人工智能领域的热点问题，随着城市物联网和智能系统的完善，无人驾驶必是大势所趋。无人驾驶主要是利用激光雷达作为核心传感器，来获取地图数据，并构建地图，规避路程中遇到的障碍物，实现路径规划。它在行驶的过程中需要借助于这些传感器采集车体周围环境的感知信息，然后利用相关的SLAM算法和技术将感知信息转化成计算机能够理解的环境地图，并提供给规划模块进行运动规划，以获得合适的控制输入量驱动无人驾驶车向前行驶。

2)矿产资源开采

矿产资源是一个国家的财富，如何合理地开采矿产资源是每个国家都面临的一个难题。能否做到对于资源的合理开采，最关键的是能否绘制出精确的地下矿井地图。采用人工绘制矿井地图的方式既又无法保证精确性，而且危险性大，无法绘制出精确的矿井地图。目前，矿难事故的发生十分常见，救援人员在救援过程中也需要精确的矿井地图。在矿车上安装计算平台、激光雷达传感器和视频采集设备，利用SLAM算法绘制出矿井地图。相比于人工的绘制方式，利用移动机器人绘制地图的方式更加可靠且精确，目前SLAM技术已成功应用于矿井地图的绘制工作中。

3)家庭与社会服务

为解决人口老龄化等所导致的家庭和社会服务问题，研发出具有高性价比的家庭和社会服务机器人已成为了许多研究机构和公司的兴趣点。目前应用最为成熟的是扫地机行业，扫地机器人是最早用到SLAM技术的移动机器人。而执行扫地任务一个基本前提是机器人能实现自身的精确定位和导航。用SLAM算法结合激光雷达或者摄像头的方法，让扫地机可以高效绘制室内地图，智能分析和规划扫地环境。研发出其它具有高性价比的家庭和社会服务机器人仍具有广阔的前景。

对于没有GPS的环境中的自主机器人导航，构建准确的地图至关重要。同时定位和映射(SLAM)作为机器人技术中最关键的技术之一，旨在将自主机器人定位在其周围环境中，同时构建一致的环境映射。在以往的工作中，大多数研究都集中在单机器人SLAM上。然而，由于映射误差积累问题，单机器人只适用于中小型环境的地图构建。与单机器人相比，多机器人系统在同时定位和映射(SLAM)的准确性，效率和鲁棒性方面具有更好的性能。对于大规模环境，多机器人SLAM从效率、精度和鲁棒性方面是一个更好的选择。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于上下文的描述符合对应扩展的有效地图合并方法，解决了现有的单机器人只适用于构建中小型环境地图的问题。

(二)技术方案

为达到上述目的，本发明采用了以下技术方案。

基于上下文的描述符合对应扩展的有效地图合并方法，包括以下步骤：

1)Harris角点检测器为每个栅格地图检测兴趣点：

Sobel运算符可以从每个栅格图中提取一个2D点集。考虑到效率，有必要选择这些点的一部分作为用于特征匹配的特征点。简单来说，很容易为通过均匀采样设置的边缘点选择兴趣点。在相同的栅格图中均匀采样以很难获得具有高重复性的兴趣点环境。在这种情况下，要合并的两个地图之间几乎没有兴趣点对应关系，导致正确的功能匹配不足。因此，统一采样不是选择兴趣的有效方法。本发明使用哈里斯角点检测器检测兴趣点，这是由于它对图像噪声，旋转和缩放具有很强的不变性。具体来说，该检测器利用局部自相关功能测量在两个方向上少量移动的小块内像素值的局部变化。检测到的哈里斯角代表了独特的环境局部结构，并且具有很高的可重复性。在两个栅格地图中，这有助于建立正确的特征匹配。为了提高后处理的重复性和效率，本发明选取了均匀分布在地图上对局部自相关函数有较强响应的Harris角点。

2)计算兴趣点f的基于上下文的描述符(σ，N，D)并建立原始匹配对，其中(σ，N，D)分别表示比例半径，基于特征值的向量和基于特征向量的矩阵。

通过根据每个兴趣点的局部结构找到比例尺半径。缩放半径由以下对边缘点的观察定义：兴趣点周围的点密度分布相对于半径确定的圆是变化的，一旦独特的局部结构被圆包围，其值将达到全局最大值。因此，将具有全局最大密度值的半径定义为比例半径。但是在现实中，很难获得一个兴趣点的真实点密度分布，因此可以通过近似计算来估计它。给定一个兴趣点，密度值的计算从一个小圆圈(半径)开始。半径需要按固定的增量逐渐增加，以计算相应的密度值。一旦增加步长达到预设值，就停止计算密度。随后，容易获得最大密度值并将相应的半径作为刻度半径。由于标度半径是由兴趣点独特的局部结构决定的，它与栅格图的分辨率无关。给定一个兴趣点f，用尺度半径和特征值、法线两种信息来描述其局部几何结构。为了描述f的局部结构，本发明定义了L个不同的支撑半径，通过这些支撑半径，可以计算其对应矩阵C

基于上下文的描述符由比例半径σ，矩阵N和向量D组成，它们可以描述每个兴趣点的局部几何结构。由于特征值是旋转不变的，因此基于特征值的向量D也具有旋转不变的良好特性。基于D，通过NN搜索算法在两个栅格图之间建立原始匹配对是有效的。

3)设计了基于尺度比例的匹配对扩展，将每个原始匹配对(f,f')扩展为一个特征匹配集，用于估计一个仿射变换。

有效的对应关系扩展要求将所有原始匹配对扩展为多个匹配集，在其中可以确定最精确的匹配集，以估计两个栅格图之间的良好初始转换。扩展是从(f

随着尺度半径a的增加，利用矩阵N和向量D来描述局部几何特征兴趣点f的结构。为了进一步验证，本发明使用了法线和法线之间的角向量公式，尽管基于特征向量的描述符N是旋转变量，但角度向量与基于特征值的向量D具有相同的旋转不变性。本方法使用约束公式来验证潜在的特征匹配。给定要展开的原始匹配对(f

由于对所有原始匹配对都进行了对应扩展，因此n个特征匹配集m

4)定义测量函数确认最佳相似度转换，通过STrICP算法进行精炼，以实现准确的栅格地图合并。

为了找到最佳的变换，本发明可以通过Sobel算子从两个栅格图中提取边缘点

步骤2)所述的兴趣点f在每个支撑半径内对应的矩阵matrix计算为公式为：

其中，P

步骤2)所述的兴趣点法线矩阵N表示为：

N＝(n

步骤2)所述的兴趣点基于特征值的向量D表示为：

其中Δs

步骤3)所述定义的比例无关的距离公式为：

d＝||p-f||

其中，p表示原始匹配对中点f周围的一个点，σ表示点f的比例半径。

步骤3)所述使用的法线f

步骤3)所述的验证潜在的特征匹配使用的约束公式为：

其中，ε

步骤4)所述建立的重叠百分比计算公式表示为：

其中，λ＝2是预设参数，Q

步骤4)中提出的使用STrICP算法所涉及的公式为：

①根据先前的转换建立点对关系：

②优化当前重叠参数及其对应的子集：

③更新当前转换：

该方法首先通过Harris角点检测器从栅格地图中提取兴趣点，通过利用兴趣点的局部结构，计算尺度不变描述子，在两个栅格地图之间建立原始匹配对。该描述符包括从每个关键点的局部结构计算出的特征值和法线。通过在基于上下文的描述符上应用最近邻搜索来有效地以较低的精度建立原始匹配对。该方法设计了一个基于尺度比例的相应扩展策略，以将每个原始匹配对扩展为一个匹配集，通过RANSAC算法估算两个栅格图之间的仿射变换。通过定义度量函数，可以识别最佳仿射变换，然后通过STrICP算法进行精炼，以实现准确的栅格地图合并。

(三)有益效果

本发明提供了基于上下文的描述符合对应扩展的有效地图合并方法。具备以下有益效果：

1、多机器人系统在同时定位和映射(SLAM)的准确性，效率和鲁棒性方面具有更好的性能，可以进行大规模地图的合并。

2、所提出的方法考虑了基于上下文的描述符中的比例尺信息，因此能够以不同的分辨率合并栅格图。

3、在真实机器人数据集上的实验结果证明了其优于其他机器人有关准确性和鲁棒性的方法的性能。

附图说明

图1是本发明的流程示意图；

图2是用两种方法检测兴趣点的图解，其中(a)是统一抽样方法，(b)是哈里斯角探测；

图3是刻度半径的演示；

图4是基于比例扩展每个原始匹配对的对应扩展过程；

图5是本发明在四个可供实验使用的公共数据集构建的栅格图展示；

图6是基于上下文的多尺度描述子以不同的支持半径获得匹配特征结果；

图7是基于两种不同描述子的地图合并结果；

图8-9是使用不同ICP算法对地图的合并结果；

图10是本发明与当前公开的主流方法结果对比。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

如图1-10所示，本发明实施例提供基于上下文的描述符合对应扩展的有效地图合并方法分为四部分，

各个部分包括的步骤如下：

1)由Harris角点检测器为每个栅格地图检测兴趣点。

2)计算兴趣点f的基于上下文的描述符(σ，N，D)并建立原始匹配对。其中(σ，N，D)分别表示比例半径，基于特征值的向量和基于特征向量的矩阵。

3)设计了基于尺度比例的匹配对扩展，将每个原始匹配对(f,f')扩展为一个特征匹配集，用于估计一个仿射变换。

4)定义测量函数确认最佳相似度转换，通过STrICP算法进行精炼，以实现准确的栅格地图合并。

图2为是用两种方法检测兴趣点的图解，其中(a)是统一抽样方法，(b)是Harris角探测。可以看出在相同的栅格图中均匀采样很难获得具有高重复性的兴趣点环境。在这种情况下，要合并的两个地图之间几乎没有兴趣点对应关系，导致正确的功能匹配不足。因此，统一采样不是选择兴趣的有效方法。本发明使用Harris角点检测器检测兴趣点，这是由于它对图像噪声，旋转和缩放具有很强的不变性。检测到的Harris角代表了独特的环境局部结构，并且具有很高的可重复性。在两个栅格地图中，这有助于建立正确的特征匹配。

图3是刻度半径的演示。其中σ1，σ2表示潜在刻度半径。图(a)表示一个兴趣点的局部结构，由两个圆的中心表示。图(b)表示使用Sobel算子提取的二维点集。图(c)表示相对于半径兴趣点周围的点密度分布，其中σ1对应最大密度值，并定义为缩放半径。

图4是基于比例扩展每个原始匹配对的对应扩展过程。有效的对应关系扩展要求将所有原始匹配对扩展为多个匹配集，在其中可以确定最精确的匹配集，以估计两个栅格图之间的良好初始转换。扩展是从(f

图5是本发明在四个可供实验使用的公共数据集构建的栅格图，(a)表示从Fr079.log构建的栅格地图；(b)表示从Intel.log构建的栅格地图；(c)表示从Tim.log构建的栅格地图，从左到右和从上到下，依次称为Tim-1、Tim-2、Tim-3、Tim-3、Tim-4；(d)表示从LSRC.log构建的栅格地图。为了模拟多机器人系统，每个数据集被划分为两个或多个部分，然后使用SLAM算法以相同或不同的分辨率构建局部栅格地图。图5显示了从这些数据集构建的本地栅格图。该方法将在这些栅格图上进行测试配对评估其性能。

图6是基于上下文的多尺度描述子以不同的支持半径获得匹配特征，其中每条实线表示一个正确的特征匹配，每条虚线表示一个错误的特征匹配。其中(a)表示三个半径的匹配结果，(b)表示四个半径的匹配结果，(c)表示五个半径的匹配结果。为了计算基于多尺度上下文的描述符，需要选择适当的支撑半径L。相应地，本发明测试了基于多尺度上下文的描述符，并给出了Tim.log在不同支撑半径数量的测试结果。实验结果以匹配特征的个数来表示。图6显示了在不同数量的图像下匹配的特征半径，可以看出，L＝4时趋向于获得最大数量的正确特征匹配，这对栅格地图合并有益。在L＝4的情况下，一个兴趣点周围的整个局部结构可以被完全地用基于多尺度上下文的描述符描述。过多或过少的支撑半径可能会导致不太明显的信息。因此，本发明在基于多尺度上下文的描述符中使用L＝4。

图7是基于两种不同描述子的地图合并结果。为了证明基于上下文的描述符的优越性，本发明在不同分辨率的栅格地图上进行了组地图合并实验，并将基于上下文的描述符与SIFT进行了比较。实验结果以特征匹配和合并栅格图的形式给出。图7显示了两个不同的特征描述符在Intel.log和LSRC.log的地图合并结果.

图8、9是使用不同ICP算法对地图的合并结果。该方法利用STrICP算法对相似变换进行细化，实现地图的精确合并。为了验证其必要性，我们在四个数据集上测试了所提出的方法，并将其与其他两种策略进行了比较：没有细化初始相似性变换，称为NoICP；通过的TrICP算法细化初始相似性变换，称为TrICP；通过的STrICP算法优化初始相似性转换，称为STrICP。本发明考虑了尺度因子，利用STrICP算法对相似变换进行细化，即使栅格地图对具有不同的分辨率，也能实现精确的栅格地图合并。

图10是本发明与当前公开的主流方法结果对比。本发明使用的方法始终能够实现栅格映射对的精确合并。在效率方面，与其他三种竞争方法进行了比较。Hough方法不容易实现栅格地图的合并。因为这种方法严重依赖于环境中的线性结构。此外，它还要求要合并的栅格映射对应包含较高的重叠率。否则，地图合并往往会失败。此外，由于Hough变换中的离散化操作，即使可以实现栅格地图的合并，其精度也不如其他三种方法。与Hough方法不同的是，其他三种方法都通过建立特征匹配来实现栅格地图的合并。不同的是SIFT特征是直接从栅格地图中提取的，栅格地图是图像。由于SIFT特征对像素值比较敏感，很难找到足够的匹配来估计初始合并参数。在FDCP方法中，从栅格地图的所有边缘点均匀地采样感兴趣的点。均匀采样策略严重降低了兴趣点的重复性，可能导致栅格地图合并失败。本发明的方法利用Harris角点检测器提取兴趣点的局部结构，计算出基于上下文的描述子。因此，基于上下文的描述只对环境的局部结构敏感，有利于建立正确的特征匹配。该方法倾向于估计良好的初始变换，可以通过StrICP算法对初始变换进行细化，实现精确的栅格地图合并。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。