陶 卓，黄卫华,b,c，章 政,b,c，姚 艺，何佳乐

(武汉科技大学 a.机器人与智能系统研究院；b.冶金自动化与检测技术教育部工程研究中心；c.信息科学与工程学院，武汉 430081)

0 引言

视觉同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)是实现无人机自主定位与导航的关键技术之一，其工作原理是通过跟踪地图中的关键帧及其特征点建立地图[1]。由于受到机载图像处理模块性能的限制，基于视觉SLAM的无人机系统对图像匹配算法的复杂性、实时性以及鲁棒性等方面提出了更高要求[2]。

2011年Rublee E等[3]提出了一种定向二进制简单描述(Oriented FAST and Rotated BRIEF,ORB)算法。相比于常用的尺寸不变特征变换(Scale-Invariant Feature Transform,SIFT)算法和(Speeded Up Robust Features,SURF)算法，ORB算法具有运算速度快、计算量低等优点。但是，由于ORB算法提取的图像特征点不具备尺度不变性，易产生图像匹配精度低、特征点提取鲁棒性差等缺点[4]。齐乃新等[5]将光流信息引入ORB算法中，采用多尺度分层跟踪的方法对前后帧图像进行关联，将数据关联的精度提高到了亚像素级。郝志洋等[6]针对ORB算法缺失尺度不变性问题，将具有尺度不变特性特点的SURF算法与ORB算法相结合，通过渐近样本一致性(Progressive Sampling Consensus,PROSAC)算法剔除误匹配点，由此提高匹配精度。於小杰等[7]利用金字塔估计下一帧点集坐标，采用快速最近邻逼近搜索匹配规则和前后双向双追踪策略进行精度匹配，提高算法实时性和匹配精度。

稀疏光流法常用于求解空间运动物体在观察成像平面上的像素运动的瞬时速度，是一种计算速度快、频率高的算法，广泛应用于基于视觉的无人机实时定位[8]。……