一种面向室内场景的实时点线融合VSLAM方法

本发明涉及视觉同步定位与建图，特别是涉及一种面向室内场景的实时点线融合vslam方法。

背景技术：

1、随着自动化与智能技术的快速发展，移动机器人与无人系统在室内复杂环境中的自主定位与地图构建需求日益增长。同步定位与建图（simultaneous localization andmapping，slam）作为实现自主导航的关键技术之一，能够在未知环境中同时完成位姿估计与地图构建，已成为机器人与无人驾驶领域的核心研究方向之一。根据传感器类型不同，slam主要分为激光slam与视觉slam（vslam）。相比激光slam，视觉slam具有成本低、体积小、易获取丰富环境信息等优势，在实际应用中具有更广泛的应用前景。

2、在视觉slam中，双目系统通过固定基线的左右相机获取视差信息，从而恢复尺度一致的三维结构，有效克服了单目视觉中尺度不可观测的问题，尤其适用于室内场景。然而，双目视觉需要进行密集或半密集的视差计算，计算复杂度较高，对实时性提出了更高要求。因此，在保证系统实时性的前提下，提高特征提取与匹配的鲁棒性与效率，成为双目视觉slam研究的重要方向。

3、此外，典型室内环境，如走廊、地下停车场及办公空间等通常具有明显的结构化特征，表现为大面积平面、规则边缘及重复结构，整体符合曼哈顿世界假设，但同时普遍存在弱纹理、光照不均及局部模糊等问题。这类场景对视觉slam前端特征提取与匹配提出了更高挑战，因此研究面向室内场景的高鲁棒性vslam方法具有重要意义。

4、在点特征匹配方面，传统视觉slam方法通常采用基于描述子距离的匹配策略，并结合ransac进行几何一致性验证。然而，在弱纹理或重复结构环境中，初始匹配的内点比例显著降低，导致模型估计不稳定甚至跟踪失败。针对这一问题，研究者提出了多种改进方法。例如，gms通过网格划分与局部一致性统计提升匹配纯度，magsac++通过对噪声尺度建模与边缘化处理提高模型估计精度，prosac利用匹配质量引导采样过程以提升效率。此外，基于深度学习的方法，如superglue通过引入上下文信息显著提升匹配性能，但其计算开销较大，难以满足实时slam系统的需求。总体而言，现有方法仍然存在对初始匹配依赖强或计算复杂度较高的问题，在室内弱纹理场景下鲁棒性与实时性难以兼顾。

5、在室内环境中，线特征因其对光照变化不敏感、能够提供稳定几何约束等优点，被广泛引入slam系统以弥补点特征不足。典型方法如pl-slam、dpl-slam及ul-slam等，通过融合点线特征提升系统在弱纹理环境中的定位性能。dr-slam提出了一种融合点、线、平面特征及曼哈顿世界几何约束的漂移抑制slam方法，能够利用结构化环境中的正交约束实现更稳定的位姿估计并有效降低累计漂移。然而，现有线特征方法仍面临一些关键问题：一方面，线段检测结果易出现碎片化，短线段数量较多且稳定性较差；另一方面，线特征对噪声与视角变化较为敏感，跨帧匹配一致性不足。部分方法通过简单阈值筛选或直接剔除短线段来降低计算复杂度，但同时也会丢失有效的结构信息，难以在特征完整性与稳定性之间取得平衡。

6、因此，如何在保证实时性的前提下，提高点特征匹配的鲁棒性，并增强线特征的结构表达能力，实现两类特征的有效协同，是当前室内视觉slam研究中的关键问题。

技术实现思路

1、本发明目的是为了解决现有技术中的问题，提出了一种面向室内场景的实时点线融合vslam方法。

2、本发明是通过以下技术方案实现的，本发明提出一种面向室内场景的实时点线融合vslam方法，所述方法包括：

3、首先，针对点特征匹配，引入gms策略引导magsac++鲁棒估计器，通过统计先验加速内点筛选并提高极线几何约束的准确性，有效抑制了剧烈运动下的误匹配；其次，针对室内环境的结构化特性，构建一种基于几何一致性与梯度一致性联合约束的线段融合方法，通过融合离散的短碎线段构建长程几何约束，并结合网格化空间采样策略，增强弱纹理走廊及规则结构场景下的定位稳定性。

4、进一步地，所述方法遵循视觉slam的前端跟踪、局部建图与后端优化结构；在前端跟踪部分，输入图像首先进行点特征与线特征提取，点特征采用orb描述子进行检测与描述，线特征则基于edlines提取并进行优化处理；随后，在特征匹配阶段，引入基于网格的运动统计方法对初始匹配进行粗筛选，获取具有局部一致性的高置信度匹配对，并将其作为统计先验，引导magsac++鲁棒估计器进行模型拟合与内点筛选；同时，对检测得到的离散短线段进行几何一致性与梯度一致性联合约束筛选，通过线段合并策略构建长程结构线特征，并结合空间均匀化采样机制优化线特征分布。

5、进一步地，在引入gms策略引导magsac++鲁棒估计器过程中，首先进行基于bow的初始特征匹配；对于当前帧与参考关键帧，首先提取orb特征，并利用词袋模型进行表达；得到初始匹配集，其中，为关键帧与当前帧的像素对应点，每个匹配关联一个三维地图点，形成2d-3d的对应关系；然后，为剔除空间不一致的误匹配，将初始匹配转换成2d-2d的形式，采用gms进行粗筛；gms将两幅图划分为g×g网格，基于“真实匹配在局部邻域内成群一致”的假设计算每个匹配的邻域支持度来判断匹配可靠性，如式(1)所示：

6、（1）

7、其中表示不相交区域里与匹配具有一致运动趋势的匹配数量，是预测的区域对，是位于区域对上的匹配子集；其次需要一个分数模板阈值来判断真假匹配，式(2)为其计算公式：

8、（2）

9、其中为一个自己设定的参数，为每一个小区域块中特征点的平均数量；对中的所有匹配对执行相同的操作，将gms筛选作为评分依据，对原始匹配集进行宏观统计评估，然后基于质量感知的排序引导机制，为特征点赋分并进行优先级重排，将所有匹配对按分值进行降序排列，将通过统计校验的高置信度点排列在输入数组前端，构建非均匀分布的有序点集序列，打破数据的随机性，将潜在的内点推向序列前端，为后续采样过程提供先验引导。

10、进一步地，使用引导采样的方法，将有序点集输入magsac++估计算法进行基础矩阵估计；通过迭代加权最小二乘算法求解m-估计问题。

11、进一步地，magsac++估计算法基于两个假设：

12、第一：噪声水平是一个随机变量，是自定义的最大噪声尺度，在上定义概率密度函数均匀分布：；

13、第二：对于给定的，内点残差服从n自由度的分布，定义为式(3)：

14、（3）

15、对于每一个可能的值，表示点到模型的残差，当时，似然度按式(4)计算，否则，似然度为0；

16、（4）

17、其中为常数；

18、第i+1模型的计算参数如式(5)：

19、（5）

20、其中p点权重如式(6)所示：

21、（6）。

22、进一步地，在一种基于几何一致性与梯度一致性联合约束的线段融合方法中引入模糊自适应机制以提升复杂环境下的鲁棒性；首先，在进行线段检测提取到图像中的线段后，对初始线段集进行长度预筛选，剔除无法构成有效几何约束的碎线；然后遍历线段，设置几何一致性与梯度一致性条件，对满足条件的线段对进行合并，生成更长、更稳定的线段；最后进行线段重构。

23、进一步地，在线段检测过程中，首先对检测结果进行排序与融合，使短线段能够参与结构重建过程；随后，通过设置最小长度阈值对融合后的线段进行筛选，从而有效抑制冗余短线段的影响。

24、进一步地，线段融合的条件包括：角度偏差一致性、侧向距离一致性、端点间隙邻近性和梯度一致性约束与模糊自适应机制。

25、本发明还提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种面向室内场景的实时点线融合vslam方法的步骤。

26、本发明还提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种面向室内场景的实时点线融合vslam方法的步骤。

27、本发明的有益效果：

28、本发明针对视觉slam在复杂室内场景下定位精度低、鲁棒性差的问题，提出了一种面向室内场景的实时点线融合vslam方法。所述方法引入gms统计先验引导的magsac++算法显著增强了系统对快速运动与重复纹理的抗干扰能力，同时保持了稳定的匹配速度，有效解决了传统ransac算法易陷入局部最优的瓶颈。通过像素梯度一致性判定有效地合并了断裂线段，平均线段长度得到极大提升，为系统提供了更具约束力的长程几何信息，显著抑制了旋转漂移。实验数据表明，该点线协同改进方案能够提升slam系统精度，抑制系统累积漂移，实现了精度与实时性的平衡。