阎仲伯

【摘 要】里程计是同步定位以及地图构建重要内容，现阶段在机器人领域中是研究的热点问题。视觉里程计是通过分析视觉信息，获得运动过程中的轨迹信息，利用视觉传感器实现处理。而在实践中其最为主要的问题则就是视觉里程计基于图像估计相机运动，根据其是否需要提取特征，是视觉里程计的主要方式，可以实现对光照、动态物体不敏感是较为成熟的解决方案。基于此，文章主要对图优化的Kinect三维视觉里程计设计进行了简单的分析，分析了图优化的Kinect三维视觉里程计进行了设计分析，通过特征点提取以及匹配、位姿优化、深度图像关键帧选取、基于图的里程计优化、局部回环检测等方式对其进行处理，最后通过实验与结果分析，确定了图优化的Kinect三维视觉里程计的作用，得出了Kinect三维视觉里程计进行凸优化处理可以在保障实时性的基础之上可以降低其产生的误差，提升结果参数的精准性的结果。

【关键词】图优化;Kinect;三维视觉里程计;设计分析

中图分类号： TP391.41文献标识码： A文章编号： 2095-2457（2019）33-0134-002

DOI：10.19694/j.cnki.issn2095-2457.2019.33.066

机器人要想实现自主导航，就要对周围环境有着一定的认知以及自定位能力。定位以及地图创建问题是自主移动机器人研究的关键内容。视觉里程计主要就是通过分析采集获得的连续视觉信息，进行机器人的具体位置以及航向的预测。对此，分析图优化的Kinect三维视觉里程计设计分析，可以为机器人研究提供有效参考。

1 图优化的Kinect三维视觉里程计设计分析

在相机工作空间信息处于不存在的状态之下，在视觉里程计的支持之下，构建运动的轨迹信息参数，通过此种方式进行处理视觉里程计并不会受到恶劣条件产生影响而出现轮滑的问题，其具有较为显著的优势。视觉里程计多数状况之下应用在轮测里程计以及导航系统中，为其提供相关信息参数。在实践中，通过视觉里程计可以实现对运动物体轨迹进行计算分析，并且利用数据传感器进行分类处理。

全景相机视野广泛，在视觉里程计中应用，可以在大规模的复杂环境中获得显著的效果。而通过惯性测量单元作为单口相机的信息来源，可以为视觉里程计重建机器人三维运动轨迹提供参考。虽然此种方式效果显著，但是受到传统相机的影响，多数方式需要通过额外信息或者特殊的视觉系统配合应用。在进行深度信息数据处理中此点是最为关键的内容。

2 特征点提取

视觉里程计的设计主要就是通过对前后帧进行对比分析，了解其对应特征点。通过特征点位置变化进行相机位姿计算分析，在处理中关键的特征点与对应关系如下：

第一，分析现有帧图像，如果其特征点较多，则可以在后续帧的图像中分析在此帧中提取的特征点，通过跟踪分析的方式了解其主要特征。第二，利用提取多帧图像的方式分析其主要特征点，根据特征点对其进行描述分析，确定相似度，达到匹配特征点目的。

第一种方式主要就是在小范围的视角中旋移，而第二种则在一些视野变化范围较大的状况中应用，其具有良好的鲁棒性特征。

现阶段，在视觉里程计设计中应用了较多的检测特征点方式。而综合特征点稳定性以及实时性等因素，对其进行系统分析。通过 SURF 算法作为图像匹配特征点进行提取算法，进行特征点检测。

SURF算法中通过兴趣点检测分析，主要就是在Hessian近似矩阵基础之上实现检测化的分析处理。通过箱式滤波近似的表示高斯二阶滤波，此种方式可以通过积分图的方式加快计算速度。SURF特征点检测器的阈值可以利用有效匹配点数的比例实现控制，通过动态的方式进行调整。

通过Kinect深度信息进行处理，获得特征点的深度特诊。剔除没有对应深度值的特征点。在处理中，为了获得分布相对较为均匀的特征点，可以将图像分割划分为80*60的像素小区域，在每个区域中要保留15个强度最高的SURF特征点实现有效的分析。

3 特征点匹配

SURF特征点在运行中通过对算子64维向量进行描述分析，在不同的幀间进行匹配，通过对比比较特征点描述算子之间的欧式距离则可以获得参数。通过对目标帧图像中的特征点以及对应在参考帧距离最近的点作为其匹配点。通过对参考帧中的每个特征点中目标真寻找对应匹配点的方式进行处理，通过在两次匹配中可以成功配对的特征点成为最终匹配点。

分析机器人在运动前后两帧旋转的偏移量，通过参考帧图像选取点匹配对象，将在此特征点图像位置周边一定区域范围中的特征点作为其主要的候选点，在领域中进行计算分析，可以达到减少匹配计算量的目的，最后通过经典随机采样一致性的算法提出其存在的误匹配点。通过图像处理器进行处理可以提升计算方式，缩短程序运行时间。

4 位姿优化

为了获得精度更高的运动估计，通过非线性最小二乘优化算法LM最小化初始位姿内殿进行双向投影误差分析。初始位姿中内点个数在小于某一个阈值的时候会造成参数过少而无法实现优化问题。为了解决此种问题，通过设置一个内点个数阈值的方式进行处理，将在初始位姿中内点个数低于阈值的时候，将其匹配成功的点作为优化的内点进行处理，则可以有效避免初始位姿误差较大状况之下，优化步骤无法执行的等相关问题。

优化过程主要就是通过对优化内点两帧图像坐标与相机内部参数的处理优化。因为优化点式初始位姿模型内点，在实验中通过迭代五次进行优化处理，可以忽略其耗时。然后将投影误差高于规定阈值的匹配点在内点中进行剔除处理，然后进行估计值进行优化则可以获得更为精准的结果。

同时，为了有效避免出现小尺度漂移问题，通过关键帧技术进行处理，运动估计利用获得最新获得的目标帧以及参考帧获得，如果二者之间具有足够的匹配内点不改变参考帧;否者在计算完位姿之后将目标帧作为全新的参考帧。此种关键帧的方法可以避免出现漂移问题。

5 深度图像关键帧选取

Kinect摄像机帧率约为30Hz左右，如果对每一帧的视觉里程计进行计算较为困难。主要就是因为在每一帧之间的距离过近的时候，等于没有产生移动，而在距离过远的时候则无法计算。

对此，只有在摄像机在一定范围中运动的时候其计算才有意义在特定区域中的帧则属于“关键帧”。通过 Kinect摄像机容易获得深度信息的特征，通过光流匹配帧间位姿的方式，通过阈值筛选关键帧。

通过分析可以发现，两个图像帧间距过近或者过都不符合实际状况。只有在适中的状态中才可以充分的保障量帧之间的间隔性、关联性。而新的图像帧则会被添加到关键帧的序列中。通过实验分析确定阈值法可以有效的对阈值进行调整，保障结果正确性，在复杂的环境中应用效果显著。

6 基于图的里程计优化

计算视觉里程计的就是通过对帧序列的帧间位姿序列进行计算分析。基于链式结构为基础，通过关键帧算法进行计算分析，通过在局部添加回环以及随机回环的方式，可以构造不含路标顶点的关键因子图。

在计算中通过对初始化关键帧序列进行分析，通过计算分析估计大小数值。如果数值过小或者过大都要剑气舍弃。计算结果适中意味着其符合要求，将其作为关键帧并且将其进入到回环检测程序系统中。

7 局部回环检测

通过分析新的帧以及初始化关键帧序列末尾的关键帧分析，其匹配成功，则可以在图中新增加一条约束边。

7.1 随机回环

通过在初始化关键帧中随机提取几个帧，通过分析将其匹配新的帧，匹配成功则在图中添加一条边。通过此种方式可以使得新帧与前帧进行处理，构建形成一个约束边，避免帧丢失造成的图链断裂的问题。

7.2 将新帧放入到初始关键帧的末尾

如果存在新的数据要进行重新处理，如果没有新的数据产生则图构造完成。

8 实验与结果分析

8.1 算法性能评估

算法性能主要就是实现精度以及实时性，对其进行实时性的评估。视觉里程计、通过真实的流程计误差误差决定了整体的算法精度就。实时性利用单帧里程计的平均用时进行确定分析。

通过对不同算法的不同标准误差对比可以发现，绝对轨迹误差主要就是对算法估计轨迹与真实轨迹之间误差进行衡量。而相对姿态误差则主要就是衡量位姿的误差积累程度。

通过分析在不同算法上耗费时间可以发现，此种算法在不对实时性产生影响的基础之上，其绝对轨迹误差以及相对的姿态误差显著提升。

8.2 三维点云图

在实践中为了有效的验证算法性能，可以通过分析处理视觉里程计构建三维场景，通过点云图进行处理。Kinect相机在应用中利用举例局限性实现拍摄处理，有所限制，无法获得远处的场景图形，因此无法实现拼接还原处理。

通过Kinect获取机器人在运行中连续帧的信息参数，通过提取匹配目标帧以及参考帧SURF的特征点;综合深度信息进行优化护理，利用非线性最小二乘算法进行优化，可以获得机器人运动轨迹，将Kinect作为视觉传感器，对其进行视觉里程计算。利用Kinect获取深度图像的特征，提出基于深度图像匹配的关键帧选取算法进行处理，可以实现对其进行全局化的优化分析，通过分析可以确定，此种方式可以有效的减小里程计误差，在重建三维场景中应用效果显著。

9 结束语

Kinect相机具有可以提供深度信息的优势，在视觉领域中应用效果显著。通过Kinect传感器进行基于图优化的视觉里程设计分析，通过此种方式进行处理，在保障实时性的基础之上可以降低其产生的误差，提升结果参数的精准性。因此，要加强对基于图优化的Kinect三维视觉里程計设计分析与优化研究。

【参考文献】

[1]张兆博，伍新华，刘刚.基于图优化的Kinect三维视觉里程计设计[J].传感器与微系统，2019，38（03）：112-115.

[2]胡立志.基于Kinect2的移动机器人实时三维重建与路径规划算法研究[D].

[3]安峰，陈强，查艳芳.Kinect相机的机器人视觉里程计[J].单片机与嵌入式系统应用，2017（09）：70-72.

[4]王龙辉，杨光，尹芳.基于Kinect2.0的三维视觉同步定位与地图构建[J].中国体视学与图像分析，2017（03）：24-33.

[5]李纯明，尹婕.一种基于kinect相机的人脸三维点云优化处理方法：CN107169475A[P].2017.

[6]刘静雯.基于Kinect的密集视觉里程计SLAM算法研究[D].西安电子科技大学，2016：12-13.