於小杰，贺 勇，刘盛华

长沙理工大学 电气与信息工程学院，长沙 410000

无人机传统导航方法中GPS定位是首选，但其在室内由于建筑物的阻挡，导致信号弱，定位差，不能满足导航需求。因此，在室内采用视觉导航[1-2]方案成为近几年众多院校研究热点，其着重于：（1）如何快速地提取、跟踪稳定特征点；（2）如何高效地处理特征点错误匹配的情况；（3）如何解决光流跟踪失败的问题。其中大部分研究基础源自Rublee 提出的ORB（Oriented FAST and Rotated BRIEF）特征提取算法[3]：将FAST（Features From Accelerated Segment Test）特征点检测器与BRIEF（Binary Robust Independent Elementary Features）描述符相结合的一种算法。该算法的特征点匹配速度远远高于SIFT（Scale Invariant Feature Transform）和SURF（Speeded Up Robust Features）[4]，保证了特征提取的实时性，但匹配精度较差，误匹配率高。因此，在满足实时性的同时，提高基于ORB特征的光流精度就变得有意义了。

为了提高ORB 光流的精度，很多人员对其展开研究。唐浩等[5]将ORB 特征与FAST 角点光流融合，利用Hessian矩阵提取ORB特征，以此获得尺度不变性，通过循环迭代获得相应的速度估计，但其误匹配度仍然较高，导致定位精度较低；王亭亭等[6]采用基于原始ORB特征的LK 光流法，利用随机抽样一致滤波（Random Sample Consensus，RANSAC）来提高光流场的精度，再融合里程计、惯导等信息，实现了无人机室内导航，拥有较高的实时性，但其光流速度估计处理较为简单，采用传统的前向-后向追踪策略，滤除误匹配效果不理想；郝志洋等[7]结合SURF算法的尺度不变特点和ORB算法的快速性特点，创新性地提出了SURB 算法，并利用渐进一致采样算法（Progressive Sample Consensus，PROSAC）去除误匹配，实现了室内定位功能，但其算法较为复杂，尤其是PROSAC算法对所有匹配点不断迭代筛选，导致整体实时性较低。……