CN112489083A - 基于orb-slam算法的图像特征点跟踪匹配方法 - Google Patents

基于orb-slam算法的图像特征点跟踪匹配方法 Download PDF

Info

Publication number
CN112489083A
CN112489083A CN202011418605.4A CN202011418605A CN112489083A CN 112489083 A CN112489083 A CN 112489083A CN 202011418605 A CN202011418605 A CN 202011418605A CN 112489083 A CN112489083 A CN 112489083A
Authority
CN
China
Prior art keywords
frame image
orb
feature point
frame
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011418605.4A
Other languages
English (en)
Other versions
CN112489083B (zh
Inventor
钟心亮
朱世强
顾建军
李特
姜峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202011418605.4A priority Critical patent/CN112489083B/zh
Publication of CN112489083A publication Critical patent/CN112489083A/zh
Application granted granted Critical
Publication of CN112489083B publication Critical patent/CN112489083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于ORB‑SLAM算法的图像特征点跟踪匹配方法，包括：1）对关键帧提取ORB特征点及描述子并做四叉树均匀分布处理；2）对于新来的帧基于匀加速运动预测特征点的位置；3）多层金字塔的稀疏光流法特征点位置的精确求解；4）进行反向稀疏光流跟踪剔除错误匹配；5）对步骤4求取的特征匹配进行鲁棒RANSAC剔除离群点；6）根据剩余匹配点求解6D位姿并判断当前帧是否为关键帧。本发明的方法只需要对关键帧提取ORB特征点和描述子，关键帧之间的跟踪则不需要计算耗时的描述子，本发明在提升方法精度的同时提升了运行速度。

Description

基于ORB-SLAM算法的图像特征点跟踪匹配方法
技术领域
本发明涉及计算机视觉技术领域，具体地涉及一种基于ORB-SLAM算法的图像特征点跟踪匹配方法。
背景技术
近年来，随着计算机视觉的不断发展，SLAM技术被广泛的用于各个领域，虚拟现实、增强现实、机器人、无人机、无人驾驶等等。随着计算机硬件的不断发展，视觉信息的处理的实时化也变得可能，利用视觉信息进行实时的定位和地图构建在提高信息获取量的同时也极大的降低了智能机器人产品的价格。
视觉SLAM主要包前端视觉里程计，后端优化以及回环检测模块，其中前端视觉里程计主要通过提取图像的特征点和描述子进行匹配跟踪，并计算帧间相对位姿，后端优化则结合更多的历史信息去优化位姿，回环检测模块主要用于消除累计误差，提升定位建图的精度。ORB-SLAM作为视觉SLAM的一个标杆，以其稳定，接口丰富而逐渐被人们作为一个基准SLAM***。
但ORB-SLAM对计算资源相对要求较高，不适用于低端处理器。
发明内容
本发明针对现有技术中存在的问题，提出了一种基于ORB-SLAM算法的图像特征点跟踪匹配方法，该方法提升了相机跟踪以及姿态估计的计算速度，并提升了该方法跟踪匹配的精度。
本发明的目的是通过如下技术方案实现的：一种基于ORB-SLAM算法的图像特征点跟踪匹配方法，包括以下步骤：
（1）将视频分成帧图像，对于前三帧图像，分别提取ORB特征描述子并做四叉树均匀分布处理，
（2）对于第四帧图像基于匀加速运动预测步骤（1）中ORB特征点的位置，
（3）根据第三帧图像上ORB特征点位置和步骤（2）预测的ORB特征点位置，根据稀疏光流法求解第三帧图像和第四帧图像上对应ORB特征点的运动增量，获得第四帧图像上ORB特征点的精确位置；
（4）将步骤（3）获得的第四帧图像上ORB特征点的精确位置进行反向稀疏光流跟踪，计算出第三帧图像中对应ORB特征点的位置，当计算出第三帧图像中对应ORB特征点的位置与第三帧图像中对应的ORB特征点的实际位置的欧式距离为1.5pixel以上,则将第三帧图像和第四帧图像中对应的ORB特征点剔除，保留第三帧和第四帧图像上对应的ORB特征点欧式距离小于1.5pixel的匹配点对；
（5）对步骤（4）保留的匹配点对进行鲁棒RANSAC估计，并剔除离群点，剩下正确的匹配点对；
（6）根据剩下的匹配点对求解6D位姿并判断第四帧是否为关键帧，若第四帧为关键帧，则提取ORB特征点和描述子，否则输入下一帧图像重复步骤（2）-（6），直至完成对视频中所有图像帧的跟踪匹配。
进一步地，步骤（1）包括如下子步骤：
（1.1）将帧图像进行直方图均衡化处理，随后设置帧图像的比例因子s和金字塔的 层数n，将所述帧图像按比例因子s缩小成n幅图像，缩放后的图像
Figure 604611DEST_PATH_IMAGE001
，其中，
Figure 600380DEST_PATH_IMAGE002
代表帧图 像，
Figure 848958DEST_PATH_IMAGE004
为n的索引，
Figure 837643DEST_PATH_IMAGE005
，将
Figure 120857DEST_PATH_IMAGE007
幅图像的提取特征点总和作为帧图像的FAST特征点；
（1.2）通过矩
Figure 786062DEST_PATH_IMAGE008
来计算FAST特征点以r为半径的图像块的质心，所述FAST特征点 的坐标到质心形成的向量表示所述FAST特征点的方向，其中，所述图像块的矩表示为:
Figure 521937DEST_PATH_IMAGE009
，
其中，
Figure 314312DEST_PATH_IMAGE010
表示图像在
Figure 452033DEST_PATH_IMAGE011
处的灰度值，其中p表示第一指数,取值为0或1，q表示 第二指数,取值为0或1；
（1.3）对于步骤（1.1）获得的FAST特征点的帧图像，构建四叉树，对于每一个子节点，当节点内FAST特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点或者此时划分的节点数已经满足特征点数目要求；
（1.4）对于剩余的FAST特征点提取BRIEF二进制串的特征描述符，从该关键点周围 的邻域内随机选择a对像素点（
Figure 789604DEST_PATH_IMAGE012
）
Figure 871830DEST_PATH_IMAGE013
，并将该点对旋转，比较每个像素点对的 灰度值大小，如果
Figure 77683DEST_PATH_IMAGE014
，则该处二进制串为1，否则为0，最终生成长度为256的ORB特 征描述子；其中，S为邻域的边长，取值为31像素。
进一步地，步骤（2）包括如下子步骤：
（2.1）将相机自由度的运动均设置为匀加速运动，获得第一帧图像、第二帧图像、 第三帧图像、第四帧图像的姿态
Figure 443811DEST_PATH_IMAGE015
，
Figure 342497DEST_PATH_IMAGE016
，
Figure 177598DEST_PATH_IMAGE017
，
Figure 921563DEST_PATH_IMAGE018
，且第四帧图像、第三帧图像、第二帧图 像对应姿态的速度表示为
Figure 909242DEST_PATH_IMAGE019
，
Figure 713250DEST_PATH_IMAGE021
，
Figure 35647DEST_PATH_IMAGE023
，满足：
Figure 583303DEST_PATH_IMAGE024
（2.2）根据第一帧图像的姿态
Figure 941601DEST_PATH_IMAGE015
以及第四帧图像的速度
Figure 182090DEST_PATH_IMAGE026
，估计出第四帧图像的 姿态为
Figure 726204DEST_PATH_IMAGE027
，随后预测出第四帧图像的某一ORB特征点位置
Figure 343130DEST_PATH_IMAGE028
：
Figure 164455DEST_PATH_IMAGE029
其中，
Figure 451211DEST_PATH_IMAGE030
为第三帧图像中对应ORB特征点的3D点，
Figure 357987DEST_PATH_IMAGE031
，K 为相机内参矩阵，w为尺度因子；
（2.3）重复步骤（2.2）预测出第四帧图像上所有ORB特征点位置。
进一步地，所述关键帧满足：当前帧图像与上一帧图像的运动平移距离大于1m、旋转角度大于5°，且步骤（5）中的正确匹配点对小于150。
本发明的有益效果是：由于30Hz的图像序列，相邻两帧的运动量不大，本发明只针对关键帧进行ORB特征点和描述子提取，通过关键帧之间的基于匀加速运动模型预测，正反向光流精细化跟踪ORB特征点位置，相比于传统的需要对输入的每一帧提取耗时的ORB特征点以及对应的ORB特征描述子，然后根据描述子之间的汉明距离进行特征点之间的跟踪和匹配，一方面减少耗时，另一方面，在保证跟踪匹配方法精度的同时能够极大的提高该方法的运行速度。
附图说明
图1为本发明基于ORB-SLAM算法的图像特征点跟踪匹配方法流程图；
图2为本发明基于ORB-SLAM算法的提取特征流程图；
图3为本发明基于匀加速运动模型特征点预测示意图；
图4为本发明正向光流跟踪和反向光流剔除的特征点跟踪示意图。
具体实施方式
下面结合附图和具体实施例进一步说明本发明的原理和方案，显然，所描述的实施例仅仅是本发明一部分实施例，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。
如图1为本发明基于ORB-SLAM算法的图像特征点跟踪匹配方法流程图，具体包括如下步骤：
（1）将视频分成帧图像，对于前三帧图像，分别提取ORB特征描述子并做四叉树均匀分布处理，该流程如图2所示：
（1.1）将帧图像进行直方图均衡化处理，其目的是为了保证帧图像不至于过亮和 过暗，保证信息完整，然后提取FAST特征点，由于FAST特征点不具备尺度不变性和旋转不变 形，因此在处理尺度不变性上，设置帧图像的比例因子s和金字塔的层数n，将所述帧图像按 比例因子s缩小成n幅图像，缩放后的图像
Figure 372080DEST_PATH_IMAGE032
，其中，
Figure 313491DEST_PATH_IMAGE002
代表帧图像，
Figure 269683DEST_PATH_IMAGE004
为n的索引，
Figure 663755DEST_PATH_IMAGE033
，将
Figure 215960DEST_PATH_IMAGE007
幅图像的提取特征点总和作为帧图像的FAST特征点；
（1.2）在处理旋转不变性上，通过矩
Figure 621664DEST_PATH_IMAGE034
来计算FAST特征点以r为半径的图像块的 质心
Figure 640436DEST_PATH_IMAGE035
，所述FAST特征点的坐标到质心
Figure 521804DEST_PATH_IMAGE035
形成的向量表示所述FAST特征点的方向，其中，所 述图像块的矩表示为:
Figure 143278DEST_PATH_IMAGE036
，
其中，
Figure 793703DEST_PATH_IMAGE037
表示图像在
Figure 826118DEST_PATH_IMAGE038
处的灰度值，其中p表示第一指数,取值为0或1，q表示 第二指数,取值为0或1。
Figure 619948DEST_PATH_IMAGE040
则所述FAST特征点的方向为：
Figure 390458DEST_PATH_IMAGE041
（1.3）运用四叉树算法使得FAST特征点分布均匀，因此对于步骤（1.1）获得的FAST特征点的帧图像，构建四叉树，对于每一个子节点，当节点内FAST特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点或者此时划分的节点数已经满足特征点数目要求；
（1.4）对于剩余的FAST特征点提取BRIEF二进制串的特征描述符，从该关键点周围
Figure 95240DEST_PATH_IMAGE042
的邻域内随机选择a对像素点（
Figure 951200DEST_PATH_IMAGE012
）
Figure 914477DEST_PATH_IMAGE013
，并将该点对旋转
Figure 273914DEST_PATH_IMAGE044
度，比较每个像素 点对的灰度值大小，如果
Figure 913712DEST_PATH_IMAGE014
，则该处二进制串为1，否则为0，最终生成长度为
Figure 991389DEST_PATH_IMAGE045
的 ORB特征描述子；其中，S为邻域的边长，取值为31像素。
（2）为了计算帧图像间的运动，将相机建模为匀加速运动，如图3，对于第四帧图像基于匀加速运动预测步骤（1）中ORB特征点的位置，包括如下子步骤：
（2.1）将相机自由度的运动均设置为匀加速运动，获得第一帧图像、第二帧图像、 第三帧图像、第四帧图像的姿态
Figure 758357DEST_PATH_IMAGE015
，
Figure 237880DEST_PATH_IMAGE016
，
Figure 940257DEST_PATH_IMAGE017
，
Figure 380596DEST_PATH_IMAGE018
，且第四帧图像、第三帧图像、第二帧图 像对应姿态的速度表示为
Figure 561042DEST_PATH_IMAGE019
，
Figure 754126DEST_PATH_IMAGE021
，
Figure 627404DEST_PATH_IMAGE023
，则有：
Figure 59434DEST_PATH_IMAGE046
。
由于将相机建模为匀加速运动，所以第四帧图像的速度
Figure 777992DEST_PATH_IMAGE019
可以与前三帧图像的姿 态建立关系，且两帧图像之间的运动量应该是一致的，则有：
Figure 356741DEST_PATH_IMAGE047
，其中
Figure 135341DEST_PATH_IMAGE049
表示速度向量的增量运算，左右展开可得
Figure 550273DEST_PATH_IMAGE050
，以及
Figure 72521DEST_PATH_IMAGE051
，于是有：
Figure 505776DEST_PATH_IMAGE052
（2.2）根据第一帧图像的姿态
Figure 720857DEST_PATH_IMAGE015
以及第四帧图像的速度
Figure 856041DEST_PATH_IMAGE026
，估计出第四帧图像的 姿态为
Figure 181980DEST_PATH_IMAGE027
，随后预测出第四帧图像的某一ORB特征点位置
Figure 469742DEST_PATH_IMAGE028
：
Figure 324566DEST_PATH_IMAGE029
其中，
Figure 714090DEST_PATH_IMAGE030
为第三帧图像中对应ORB特征点的3D点，
Figure 578140DEST_PATH_IMAGE031
，K 为相机内参矩阵，w为尺度因子；
（2.3）重复步骤（2.2）预测出第四帧图像上所有ORB特征点位置。
（3）根据第三帧图像上ORB特征点位置和步骤（2）预测的ORB特征点位置，根据稀疏光流法求解第三帧图像和第四帧图像上对应ORB特征点的运动增量，获得第四帧图像上ORB特征点的精确位置；
（4）将步骤（3）获得的第四帧图像上ORB特征点的精确位置进行反向稀疏光流跟 踪，计算出第三帧图像中对应ORB特征点的位置，当计算出第三帧图像中对应ORB特征点的 位置与第三帧图像中对应的ORB特征点的实际位置的欧式距离为
Figure 720409DEST_PATH_IMAGE053
以上,则将第三帧 图像和第四帧图像中对应的ORB特征点剔除，保留第三帧和第四帧图像上对应的ORB特征点 欧式距离小于
Figure 542871DEST_PATH_IMAGE053
的匹配点对。如图4描述了步骤3和步骤4正向光流跟踪和反向光流校 验剔除离群点的示意图。
（5）对步骤（4）保留的匹配点对进行鲁棒RANSAC估计，并剔除离群点，剩下正确的匹配点对；
（6）根据剩下的匹配点对求解6D位姿并判断第四帧是否为关键帧，若第四帧为关 键帧，则提取ORB特征点和描述子，否则输入下一帧图像重复步骤（2）-（6），直至完成对视频 中所有图像帧的跟踪匹配。所述关键帧满足：当前帧图像与上一帧图像的运动平移距离大 于1m、旋转角度大于5°，且步骤（5）中的正确匹配点对
Figure 387068DEST_PATH_IMAGE054
将本发明的方法与传统方法均用于图像特征点跟踪匹配，采用TUM数据集上的8个公开的数据集，在Intel Core [email protected]的台式机电脑上运行算法并记录每个数据集进行实时定位和地图构建精度，其精度和运行速度对比如表1，可以看出，本发明提出的图像特征点跟踪匹配方法在保证算法精度的同时，极大的加速了运行时间，大约有2倍的提升效果。
表1：本发明跟踪匹配方法与传统方法的效果对比
Figure DEST_PATH_IMAGE055
以上，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于ORB-SLAM算法的图像特征点跟踪匹配方法，其特征在于：包括以下步骤：
（1）将视频分成帧图像，对于前三帧图像，分别提取ORB特征描述子并做四叉树均匀分布处理，
（2）对于第四帧图像基于匀加速运动预测步骤（1）中ORB特征点的位置，
（3）根据第三帧图像上ORB特征点位置和步骤（2）预测的ORB特征点位置，根据稀疏光流法求解第三帧图像和第四帧图像上对应ORB特征点的运动增量，获得第四帧图像上ORB特征点的精确位置；
（4）将步骤（3）获得的第四帧图像上ORB特征点的精确位置进行反向稀疏光流跟踪，计算出第三帧图像中对应ORB特征点的位置，当计算出第三帧图像中对应ORB特征点的位置与第三帧图像中对应的ORB特征点的实际位置的欧式距离为1.5pixel图像和第四帧图像中对应的ORB特征点剔除，保留第三帧和第四帧图像上对应的ORB特征点欧式距离小于1.5pixel的匹配点对；
（5）对步骤（4）保留的匹配点对进行鲁棒RANSAC估计，并剔除离群点，剩下正确的匹配点对；
（6）根据剩下的匹配点对求解6D位姿并判断第四帧是否为关键帧，若第四帧为关键帧，则提取ORB特征点和描述子，否则输入下一帧图像重复步骤（2）-（6），直至完成对视频中所有图像帧的跟踪匹配。
2.根据权利要求1所述基于ORB-SLAM算法的图像特征点跟踪匹配方法，其特征在于，步骤（1）包括如下子步骤：
（1.1）将帧图像进行直方图均衡化处理，随后设置帧图像的比例因子s和金字塔的层数 n，将所述帧图像按比例因子s缩小成n幅图像，缩放后的图像
Figure 294266DEST_PATH_IMAGE001
，其中，
Figure 291041DEST_PATH_IMAGE002
代表帧图像，
Figure 18826DEST_PATH_IMAGE004
为 n的索引，
Figure 117363DEST_PATH_IMAGE005
，将
Figure 323216DEST_PATH_IMAGE007
幅图像的提取特征点总和作为帧图像的FAST特征点；
（1.2）通过矩
Figure 581022DEST_PATH_IMAGE008
来计算FAST特征点以r为半径的图像块的质心，所述FAST特征点的坐 标到质心形成的向量表示所述FAST特征点的方向，其中，所述图像块的矩表示为:
Figure 604342DEST_PATH_IMAGE009
，
其中，
Figure 175130DEST_PATH_IMAGE010
表示图像在
Figure 184674DEST_PATH_IMAGE011
处的灰度值，其中p表示第一指数,取值为0或1，q表示第二 指数,取值为0或1；
（1.3）对于步骤（1.1）获得的FAST特征点的帧图像，构建四叉树，对于每一个子节点，当节点内FAST特征点数目等于1时，不再往下划分，若节点数目大于1，则继续向下划分四叉树，直到所有节点只含有一个特征点或者此时划分的节点数已经满足特征点数目要求；
（1.4）对于剩余的FAST特征点提取BRIEF二进制串的特征描述符，从该关键点周围的邻 域内随机选择a对像素点（
Figure 421621DEST_PATH_IMAGE012
）
Figure 225628DEST_PATH_IMAGE013
，并将该点对旋转，比较每个像素点对的灰度 值大小，如果
Figure 688971DEST_PATH_IMAGE014
，则该处二进制串为1，否则为0，最终生成长度为256ORB述子；其 中，S为邻域的边长，取值为31像素。
3.根据权利要求1所述基于ORB-SLAM算法的图像特征点跟踪匹配方法，其特征在于，步骤（2）包括如下子步骤：
（2.1）将相机自由度的运动均设置为匀加速运动，获得第一帧图像、第二帧图像、第三 帧图像、第四帧图像的姿态
Figure 111993DEST_PATH_IMAGE015
，
Figure 937867DEST_PATH_IMAGE016
，
Figure 912776DEST_PATH_IMAGE017
，
Figure 971736DEST_PATH_IMAGE018
，且第四帧图像、第三帧图像、第二帧图像对 应姿态的速度表示为
Figure 323083DEST_PATH_IMAGE019
，
Figure 269043DEST_PATH_IMAGE021
，
Figure 680432DEST_PATH_IMAGE023
，满足：
Figure 462575DEST_PATH_IMAGE024
（2.2）根据第一帧图像的姿态
Figure 617613DEST_PATH_IMAGE015
以及第四帧图像的速度
Figure 559024DEST_PATH_IMAGE026
，估计出第四帧图像的姿态 为
Figure 369DEST_PATH_IMAGE027
，随后预测出第四帧图像的某一ORB特征点位置
Figure 394442DEST_PATH_IMAGE028
：
Figure DEST_PATH_IMAGE029
其中，
Figure 930334DEST_PATH_IMAGE030
为第三帧图像中对应ORB特征点的3D点，
Figure 850886DEST_PATH_IMAGE031
，K为相 机内参矩阵，w为尺度因子；
（2.3）重复步骤（2.2）预测出第四帧图像上所有ORB特征点位置。
4.根据权利要求1所述基于ORB-SLAM算法的图像特征点跟踪匹配方法，其特征在于：所述关键帧满足：当前帧图像与上一帧图像的运动平移距离大于1m、旋转角度大于5°，且步骤（5）中的正确匹配点对小于150。
CN202011418605.4A 2020-12-07 2020-12-07 基于orb-slam算法的图像特征点跟踪匹配方法 Active CN112489083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011418605.4A CN112489083B (zh) 2020-12-07 2020-12-07 基于orb-slam算法的图像特征点跟踪匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011418605.4A CN112489083B (zh) 2020-12-07 2020-12-07 基于orb-slam算法的图像特征点跟踪匹配方法

Publications (2)

Publication Number Publication Date
CN112489083A true CN112489083A (zh) 2021-03-12
CN112489083B CN112489083B (zh) 2022-10-04

Family

ID=74940371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011418605.4A Active CN112489083B (zh) 2020-12-07 2020-12-07 基于orb-slam算法的图像特征点跟踪匹配方法

Country Status (1)

Country Link
CN (1) CN112489083B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052750A (zh) * 2021-03-31 2021-06-29 广东工业大学 一种用于vslam***中任务跟踪的加速器及加速装置
CN113103232A (zh) * 2021-04-12 2021-07-13 电子科技大学 一种基于特征分布匹配的智能设备自适应运动控制方法
CN113284232A (zh) * 2021-06-10 2021-08-20 西北工业大学 一种基于四叉树的光流跟踪方法
CN114280323A (zh) * 2021-12-24 2022-04-05 凌云光技术股份有限公司 一种轨道车辆矢量速度的测量设备、***及方法
CN114372510A (zh) * 2021-12-15 2022-04-19 北京工业大学 一种基于图像区域分割的帧间匹配slam方法
CN115919461A (zh) * 2022-12-12 2023-04-07 之江实验室 一种基于slam的手术导航方法
CN117274620A (zh) * 2023-11-23 2023-12-22 东华理工大学南昌校区 基于自适应均匀划分特征点提取的视觉slam方法
CN117893693A (zh) * 2024-03-15 2024-04-16 南昌航空大学 一种密集slam三维场景重建方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751465A (zh) * 2015-03-31 2015-07-01 中国科学技术大学 一种基于lk光流约束的orb图像特征配准方法
CN106780557A (zh) * 2016-12-23 2017-05-31 南京邮电大学 一种基于光流法和关键点特征的运动目标跟踪方法
CN109509211A (zh) * 2018-09-28 2019-03-22 北京大学 同时定位与建图技术中的特征点提取与匹配方法及***
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法
WO2019205853A1 (zh) * 2018-04-27 2019-10-31 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751465A (zh) * 2015-03-31 2015-07-01 中国科学技术大学 一种基于lk光流约束的orb图像特征配准方法
CN106780557A (zh) * 2016-12-23 2017-05-31 南京邮电大学 一种基于光流法和关键点特征的运动目标跟踪方法
WO2019205853A1 (zh) * 2018-04-27 2019-10-31 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置、设备及存储介质
CN109509211A (zh) * 2018-09-28 2019-03-22 北京大学 同时定位与建图技术中的特征点提取与匹配方法及***
CN109631855A (zh) * 2019-01-25 2019-04-16 西安电子科技大学 基于orb-slam的高精度车辆定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙延奎等: "分层分区域管理的实时图像跟踪算法", 《计算机辅助设计与图形学学报》 *
孙新成等: "基于视觉与惯性组合信息的图像特征提取与匹配", 《机械设计与制造工程》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052750A (zh) * 2021-03-31 2021-06-29 广东工业大学 一种用于vslam***中任务跟踪的加速器及加速装置
CN113103232A (zh) * 2021-04-12 2021-07-13 电子科技大学 一种基于特征分布匹配的智能设备自适应运动控制方法
CN113103232B (zh) * 2021-04-12 2022-05-20 电子科技大学 一种基于特征分布匹配的智能设备自适应运动控制方法
CN113284232A (zh) * 2021-06-10 2021-08-20 西北工业大学 一种基于四叉树的光流跟踪方法
CN114372510A (zh) * 2021-12-15 2022-04-19 北京工业大学 一种基于图像区域分割的帧间匹配slam方法
CN114280323A (zh) * 2021-12-24 2022-04-05 凌云光技术股份有限公司 一种轨道车辆矢量速度的测量设备、***及方法
CN115919461A (zh) * 2022-12-12 2023-04-07 之江实验室 一种基于slam的手术导航方法
CN115919461B (zh) * 2022-12-12 2023-08-08 之江实验室 一种基于slam的手术导航方法
CN117274620A (zh) * 2023-11-23 2023-12-22 东华理工大学南昌校区 基于自适应均匀划分特征点提取的视觉slam方法
CN117274620B (zh) * 2023-11-23 2024-02-06 东华理工大学南昌校区 基于自适应均匀划分特征点提取的视觉slam方法
CN117893693A (zh) * 2024-03-15 2024-04-16 南昌航空大学 一种密集slam三维场景重建方法及装置
CN117893693B (zh) * 2024-03-15 2024-05-28 南昌航空大学 一种密集slam三维场景重建方法及装置

Also Published As

Publication number Publication date
CN112489083B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN112489083B (zh) 基于orb-slam算法的图像特征点跟踪匹配方法
CN109387204B (zh) 面向室内动态环境的移动机器人同步定位与构图方法
CN110222580B (zh) 一种基于三维点云的人手三维姿态估计方法和装置
CN111310631B (zh) 一种旋翼作业飞行机器人目标跟踪方法及***
CN111797688A (zh) 一种基于光流和语义分割的视觉slam方法
Tu et al. Consistent 3d hand reconstruction in video via self-supervised learning
Chen et al. Using FTOC to track shuttlecock for the badminton robot
CN111709301B (zh) 一种冰壶球运动状态估计方法
Xu et al. GraspCNN: Real-time grasp detection using a new oriented diameter circle representation
CN108961385B (zh) 一种slam构图方法及装置
CN112861808B (zh) 动态手势识别方法、装置、计算机设备及可读存储介质
CN111797692A (zh) 一种基于半监督学习的深度图像手势估计方法
CN110889901A (zh) 基于分布式***的大场景稀疏点云ba优化方法
Fernandez-Labrador et al. Panoroom: From the sphere to the 3d layout
He et al. Stereo RGB and deeper LiDAR-based network for 3D object detection in autonomous driving
CN116097307A (zh) 图像的处理方法及相关设备
CN106023256B (zh) 面向增强现实辅助维修***平面目标粒子滤波跟踪的状态观测方法
Kang et al. Yolo-6d+: single shot 6d pose estimation using privileged silhouette information
CN115018999A (zh) 一种多机器人协作的稠密点云地图构建方法及装置
Yu et al. Skgnet: Robotic grasp detection with selective kernel convolution
CN115115698A (zh) 设备的位姿估计方法及相关设备
CN113487713B (zh) 一种点云特征提取方法、装置及电子设备
Li et al. A novel two-pathway encoder-decoder network for 3D face reconstruction
Li et al. Few-shot meta-learning on point cloud for semantic segmentation
CN115063715A (zh) 一种基于灰度直方图的orb-slam3回环检测加速方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant