CN114111803B - 一种室内卫星平台的视觉导航方法 - Google Patents

一种室内卫星平台的视觉导航方法 Download PDF

Info

Publication number
CN114111803B
CN114111803B CN202210089566.0A CN202210089566A CN114111803B CN 114111803 B CN114111803 B CN 114111803B CN 202210089566 A CN202210089566 A CN 202210089566A CN 114111803 B CN114111803 B CN 114111803B
Authority
CN
China
Prior art keywords
feature
image
matching
satellite platform
point
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.)
Active
Application number
CN202210089566.0A
Other languages
English (en)
Other versions
CN114111803A (zh
Inventor
夏鲁瑞
王刚
陈雪旗
杨帆
李森
卢妍
马剑
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202210089566.0A priority Critical patent/CN114111803B/zh
Publication of CN114111803A publication Critical patent/CN114111803A/zh
Application granted granted Critical
Publication of CN114111803B publication Critical patent/CN114111803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/383—Indoor data

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种室内卫星平台的视觉导航方法，包括以下步骤：步骤1、识别信标：将信标布置在室内，通过相机的摄像头采集室内信标信息，建立信标地图；步骤2、提取图像特征点：采用改进ORB算法提取信标地图中图像特征点；步骤3、图像特征匹配：利用基于特征点矢量的图像特征匹配算法对特征进行匹配；步骤4、位姿校正，精确定位：通过室内卫星平台检测到特征点，进行位姿校正和精确定位。本发明具有计算量小且卫星平台可以较高速度运行的优点。

Description

一种室内卫星平台的视觉导航方法
技术领域
本发明属于卫星导航技术领域，具体涉及一种室内卫星平台的视觉导航方法。
背景技术
目前室内视觉导航大多采用在地面上贴二维码的方法，长期使用会对二维码产生破坏，需要定期更换，成本较高；而且目前广泛使用的SIFT、SURF以及ORB等算法具有计算量大的缺点，卫星平台很难以较高的速度运行等。
发明内容
本发明的目的在于避免现有技术中的不足而提供一种室内卫星平台的视觉导航方法，解决了现有的室内卫星平台在工作时计算量大、成本较高且难以较高的速度运行的问题。
本发明的目的通过以下技术方案实现：提供一种室内卫星平台的视觉导航方法，包括以下步骤：
步骤1、识别信标：将信标布置在室内，通过相机的摄像头采集室内信标信息，建立信标地图；
步骤2、提取图像特征点：采用改进ORB算法提取信标地图中图像特征点，所述改进ORB算法即在ORB特征描述子中加入图像特征点的位置和速度信息，再以栅格的形式对图像进行区域划分，然后对每个栅格内的特征点进行筛选，每个栅格内至多保留一个有效特征点，所述有效特征点为提取的图像特征点；
步骤3、图像特征匹配：利用基于特征点矢量的图像特征匹配算法对步骤2提取图像特征点进行特征匹配，所述基于特征点矢量的图像特征匹配算法根据待匹配图像中ORB特征描述子的速度和位置信息缩小特征匹配的搜索范围，并用已匹配的特征点对求出特征点矢量，应用于待匹配特征点；
步骤4、位姿校正，精确定位：通过室内卫星平台检测到特征点，进行位姿校正和精确定位。
作为进一步的改进，所述步骤1的具体过程如下：
步骤11、将信标布置在室内，控制室内卫星平台沿预设规划路径行走，所述预设规划路径包括直线路径和直角路径，所述室内卫星平台为移动机器人；
步骤12、所述移动机器人分别在直线路径和直角路两种情形下运行，并通过其上安装的相机的摄像头采集实时坐标数据，完成室内信标信息采集，建立信标地图。
作为进一步的改进，所述步骤2提取图像特征点具体包括以下过程：
步骤21、ORB特征点提取：对信标地图中图像以不同尺度建立图像高斯尺度金字塔，对每一层的图像都提取FAST特征点，并为提取的FAST特征点增加方向因子；
步骤 22、ORB特征点匹配：增加BRIEF特征描述子和特征点方向，以使其具有旋转不变性和尺度不变性；
步骤23、基于栅格划分的特征点提取：将信标地图中图像分为N层图像高斯尺度金字塔；在N层图像高斯尺度金字塔的每一层中提取图像特征；利用栅格将全部的特征点划分为不同区间并确定每个区间的主特征；对所述每个区间的主特征的特征点进行描述。
作为进一步的改进，所述步骤3包括以下步骤：
步骤S31、距离描述：利用最近邻算法计算得到最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离，然后计算最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离的比值，并将所述比值与预设阈值进行比较，若比值小于预设阈值，则认为成功匹配特征点；
步骤S32、搜索策略：基于粒子群优化算法进行搜索，具体包括：
步骤321、初始化粒子群，包括粒子总数
Figure 776623DEST_PATH_IMAGE002
、种群中各粒子的位置
Figure 693763DEST_PATH_IMAGE003
和速度
Figure 473501DEST_PATH_IMAGE004
；
步骤322、计算各个粒子的初始适值
Figure 931027DEST_PATH_IMAGE005
；
步骤323、将初始适值
Figure 745399DEST_PATH_IMAGE005
和预设个体极值
Figure 567861DEST_PATH_IMAGE006
比较，如果
Figure 398676DEST_PATH_IMAGE007
，则用
Figure 597577DEST_PATH_IMAGE005
替代
Figure 266455DEST_PATH_IMAGE008
；
步骤324、将每个粒子的初始适值
Figure 322136DEST_PATH_IMAGE005
和预设全局极值
Figure 76465DEST_PATH_IMAGE009
比较，如果
Figure 813477DEST_PATH_IMAGE010
，则用
Figure 399179DEST_PATH_IMAGE005
替换掉
Figure 829024DEST_PATH_IMAGE009
；
步骤325、更新粒子的位置
Figure 70649DEST_PATH_IMAGE003
和速度
Figure 408090DEST_PATH_IMAGE004
；
步骤326、 判断更新后粒子的位置
Figure 51561DEST_PATH_IMAGE003
和速度
Figure 386727DEST_PATH_IMAGE004
是否满足预设结束条件，若是，则输出更新后粒子的位置
Figure 115649DEST_PATH_IMAGE003
和速度
Figure 755315DEST_PATH_IMAGE004
并退出，否则返回步骤322；
S33、特征匹配，具体包括以下过程：
步骤331:从信标地图左上角开始选择三个特征点
Figure 253293DEST_PATH_IMAGE011
，利用粒子群优化算法找到在实时图像中的匹配点
Figure 87256DEST_PATH_IMAGE012
，
Figure 37895DEST_PATH_IMAGE013
、
Figure 920400DEST_PATH_IMAGE014
和
Figure 335201DEST_PATH_IMAGE015
分别为三个特征点的坐标，
Figure 277749DEST_PATH_IMAGE016
、
Figure 715684DEST_PATH_IMAGE017
和
Figure 136301DEST_PATH_IMAGE018
分别为匹配点的坐标；
步骤332:根据公式（1），联立三组点对的方程求出模板到实时图像的特征点矢量
Figure 671187DEST_PATH_IMAGE019
：
Figure 784637DEST_PATH_IMAGE020
（1）
式中，
Figure 273649DEST_PATH_IMAGE021
为旋转变换因子、
Figure 497957DEST_PATH_IMAGE022
为尺度变换因子，（
Figure 559454DEST_PATH_IMAGE023
）为位移变换因子，
Figure 906122DEST_PATH_IMAGE024
表示横坐标位移变换因子，
Figure 318649DEST_PATH_IMAGE025
表示纵坐标位移变换因子，i取值为1,2或3，
Figure 346648DEST_PATH_IMAGE026
表示第i个匹配点的横坐标，
Figure 590547DEST_PATH_IMAGE027
表示第i个匹配点的纵坐标，
Figure 780220DEST_PATH_IMAGE028
表示第i个特征点的横坐标，
Figure 680043DEST_PATH_IMAGE029
表示第i个特征点的纵坐标；
步骤333: 将公式（1）逆用，利用特征点矢量
Figure 308470DEST_PATH_IMAGE019
计算出模板中下一个特征点在实时图像中的期望位置
Figure 610139DEST_PATH_IMAGE030
，并利用粒子群优化算法在搜索半径
Figure 970713DEST_PATH_IMAGE031
的范围内进行优化搜索，更新特征点矢量完成新的匹配，其中，
Figure 918684DEST_PATH_IMAGE032
；
步骤334: 在完成新的匹配之后，返回步骤332，直到完成所有匹配。
作为进一步的改进，所述室内卫星平台包括相机、编码器、九轴陀螺仪和具有双层UKF的导航模型，所述九轴陀螺仪用于获取室内卫星平台在世界坐标系中的姿态角，所述双层UKF包括内层UKF和外层UKF，所述内层UKF通过九轴陀螺仪对编码器组成的里程计模型进行观测更新，所述外层UKF利用计算机视觉技术对相机获取的环境信息进行处理，来对内层UKF计算出的数据进行观测更新，并在一次迭代完成后，将新的路标位置加入地图。
作为进一步的改进，所述步骤4的具体过程如下：
步骤41：移动机器人开始运行；
步骤42：通过具有双层UKF的导航模型计算出实际位姿；
步骤43：通过粒子群优化算法计算位姿转换矩阵；
步骤44：判断移动机器人是否到达终点，若是，则移动机器人结束运行；反之，则进入步骤45；
步骤45：卫星平台的位姿校正：将步骤42计算得到的实际位姿与预设期望位姿阈值作比对，计算出相应的速度和角速度，然后反映到室内卫星平台的轮速上，以使其回归期望位姿；
步骤46：移动机器人继续运行，并返回步骤42。
本发明提供的室内卫星平台的视觉导航方法，首先识别信标，建立信标地图；其次，采用改进ORB算法在ORB特征描述子中加入图像特征点的位置和速度信息，再以栅格的形式对图像进行区域划分，然后对每个栅格内的特征点进行筛选，每个栅格内至多保留一个有效特征点，所述有效特征点为提取的图像特征点，从而减少了图片的特征数量并提高了特征的独特性和特征点的提取速度；再次，利用基于特征点矢量的图像特征匹配算法对特征进行匹配，即所述基于特征点矢量的图像特征匹配算法根据待匹配图像中的ORB特征描述子中速度和位置信息缩小特征匹配的搜索范围，并用已匹配的特征点对求出特征点矢量，应用于待匹配特征点，从而避免了需要对图片中所有特征点进行遍历的缺点，在提高匹配速度的同时能够保证很高的正确匹配率；最后，通过室内卫星平台检测到特征点，进行位姿校正和精确定位，具有计算量小且卫星平台可以较高速度运行的优点。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是一种室内卫星平台的视觉导航方法的流程图。
图2是基于粒子群优化算法的流程图。
图3是基于特征点矢量的特征点匹配算法的流程图。
图4是具有双层UKF的导航模型。
图5是室内卫星平台位姿校正的流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
如图1所示，本发明实施例提供的一种室内卫星平台的视觉导航方法，以下步骤：
步骤1、识别信标：将信标布置在室内，通过相机的摄像头采集室内信标信息，建立信标地图；优选地，该摄像头为Kinect摄像头；
优选地，上述步骤的具体过程如下：
步骤11、将信标布置在室内，控制室内卫星平台沿预设规划路径行走，所述预设规划路径包括直线路径和直角路径，所述室内卫星平台为移动机器人；
步骤12、所述移动机器人分别在直线路径和直角路两种情形下运行，并通过其上安装的相机的摄像头采集实时坐标数据，完成室内信标信息采集，建立信标地图；
步骤2、提取图像特征点：采用改进ORB算法（Oriented FAST and Rotated BREIF，一种快速特征点提取和描述的算法）提取信标地图中图像特征点，所述改进ORB算法即在ORB特征描述子中加入图像特征点的位置和速度信息，再以栅格的形式对图像进行区域划分，然后对每个栅格内的特征点进行筛选，每个栅格内至多保留一个有效特征点，所述有效特征点为提取的图像特征点；通过改进ORB算法，以解决ORB特征提取复杂度高和实时性差的问题
步骤3、图像特征匹配：利用基于特征点矢量的图像特征匹配算法对步骤2提取图像特征点进行特征匹配，所述基于特征点矢量的图像特征匹配算法根据待匹配图像中ORB特征描述子的速度和位置信息缩小特征匹配的搜索范围，并用已匹配的特征点对求出特征点矢量，应用于待匹配特征点；
步骤4、位姿校正，精确定位：通过室内卫星平台检测到特征点，进行位姿校正和精确定位。
本发明首先识别信标，建立信标地图；其次，采用改进ORB算法在ORB特征描述子中加入图像特征点的位置和速度信息，再以栅格的形式对图像进行区域划分，然后对每个栅格内的特征点进行筛选，每个栅格内至多保留一个有效特征点，所述有效特征点为提取的图像特征点，从而减少了图片的特征数量并提高了特征的独特性和特征点的提取速度；再次，利用基于特征点矢量的图像特征匹配算法对提取图像特征点进行特征匹配，即所述基于特征点矢量的图像特征匹配算法根据待匹配图像中的ORB特征描述子中速度和位置信息缩小特征匹配的搜索范围，并用已匹配的特征点对求出特征点矢量，应用于待匹配特征点，从而避免了需要对图片中所有特征点进行遍历的缺点，在提高匹配速度的同时能够保证很高的正确匹配率；最后，通过室内卫星平台检测到特征点，进行位姿校正和精确定位，具有计算量小且卫星平台可以较高速度运行的优点。
同时，参见图2，步骤2提取图像特征点具体包括以下步骤：
步骤21、ORB特征点提取：对信标地图中图像以不同尺度建立图像高斯尺度金字塔，对每一层的图像都提取FAST（Features fromaccelerated segment test，基于加速分割测试的特征）特征点，并为提取的FAST特征点增加方向因子；
步骤 22、ORB特征点匹配：增加BRIEF特征描述子和特征点方向，以使其具有旋转不变性和尺度不变性；
步骤23、基于栅格划分的特征点提取：将信标地图中图像分为N层图像高斯尺度金字塔；在N层图像高斯尺度金字塔的每一层中提取图像特征；利用栅格将全部的特征点划分为不同区间并确定每个区间的主特征；对所述每个区间的主特征的特征点进行描述。
由于特征点矢量可以表示特征点的总***姿转换和尺度转换关系，从而对其进行特征点期望位置的预测，进一步推算出平台当前实际位置，因此，在步骤3引入特征点矢量完成图像特征匹配，以提高匹配速度和匹配准确率，具体包括：
步骤S31、距离描述：利用最近邻算法计算得到最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离，然后计算最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离的比值，并将所述比值与预设阈值进行比较，若比值小于预设阈值，则认为成功匹配特征点；
步骤S32、搜索策略：基于粒子群优化算法进行搜索，参见图3，具体包括：
步骤321、初始化粒子群，包括粒子总数
Figure 288485DEST_PATH_IMAGE002
、种群中各粒子的位置
Figure 179081DEST_PATH_IMAGE003
和速度
Figure 38453DEST_PATH_IMAGE004
；
步骤322、计算各个粒子的初始适值
Figure 647288DEST_PATH_IMAGE005
；
步骤323、将初始适值
Figure 820781DEST_PATH_IMAGE005
和预设个体极值
Figure 831462DEST_PATH_IMAGE006
比较，如果
Figure 861735DEST_PATH_IMAGE007
，则用
Figure 957867DEST_PATH_IMAGE005
替代
Figure 669471DEST_PATH_IMAGE008
，以求出每个粒子的个体最优值；
步骤324、将每个粒子的初始适值
Figure 596976DEST_PATH_IMAGE005
和预设全局极值
Figure 735833DEST_PATH_IMAGE009
比较，如果
Figure 319261DEST_PATH_IMAGE010
，则用
Figure 132759DEST_PATH_IMAGE005
替换掉
Figure 118032DEST_PATH_IMAGE009
，以求出整个群体的全局最优值；
步骤325、更新粒子的位置
Figure 427791DEST_PATH_IMAGE003
和速度
Figure 560832DEST_PATH_IMAGE004
；
步骤326、 判断更新后粒子的位置
Figure 614239DEST_PATH_IMAGE003
和速度
Figure 454019DEST_PATH_IMAGE004
是否满足预设结束条件，若是，则输出更新后粒子的位置
Figure 996995DEST_PATH_IMAGE003
和速度
Figure 912605DEST_PATH_IMAGE004
并退出，否则返回步骤322；
S33、特征匹配，参见图4，具体包括以下过程：
步骤331:从信标地图左上角开始选择三个特征点
Figure 769703DEST_PATH_IMAGE011
，利用粒子群优化算法找到在实时图像中的匹配点
Figure 463989DEST_PATH_IMAGE012
，
Figure 115551DEST_PATH_IMAGE013
、
Figure 223184DEST_PATH_IMAGE014
和
Figure 618393DEST_PATH_IMAGE015
分别为三个特征点的坐标，
Figure 167186DEST_PATH_IMAGE016
、
Figure 317545DEST_PATH_IMAGE017
和
Figure 584578DEST_PATH_IMAGE018
分别为匹配点的坐标；
步骤332:根据公式（1），联立三组点对的方程求出模板到实时图像的特征点矢量
Figure 783478DEST_PATH_IMAGE019
：
Figure 249095DEST_PATH_IMAGE020
（1）
式中，
Figure 508038DEST_PATH_IMAGE021
为旋转变换因子、
Figure 262367DEST_PATH_IMAGE022
为尺度变换因子，（
Figure 563161DEST_PATH_IMAGE023
）为位移变换因子，
Figure 86546DEST_PATH_IMAGE024
表示横坐标位移变换因子，
Figure 578707DEST_PATH_IMAGE025
表示纵坐标位移变换因子，i取值为1,2或3，
Figure 554753DEST_PATH_IMAGE026
表示第i个匹配点的横坐标，
Figure 95456DEST_PATH_IMAGE027
表示第i个匹配点的纵坐标，
Figure 801244DEST_PATH_IMAGE028
表示第i个特征点的横坐标，
Figure 136410DEST_PATH_IMAGE029
表示第i个特征点的纵坐标；
步骤333: 将公式（1）逆用，利用特征点矢量
Figure 865332DEST_PATH_IMAGE019
计算出模板中下一个特征点在实时图像中的期望位置
Figure 944146DEST_PATH_IMAGE030
，并利用粒子群优化算法在搜索半径
Figure 504441DEST_PATH_IMAGE031
的范围内进行优化搜索，更新特征点矢量完成新的匹配，其中，
Figure 10508DEST_PATH_IMAGE032
；
步骤334: 在完成新的匹配之后，返回步骤332，直到完成所有匹配。
通过该过程，基于特征点矢量的特征点匹配算法将粒子群优化算法的搜索范围从全局实时图像缩小到特征点期望位置的搜索半径的范围内，从而解决了粒子群优化算法需要对全局进行搜索以及容易出现局部最优的问题，大大降低了搜索复杂度和匹配准确性。
需要说明的是，步骤332与步骤333之间还包括如下过程：判断是否完成所有匹配，若是，则输出结果，反之则进入步骤333。
作为进一步优选的实施方式，本发明的室内卫星平台包括相机、编码器、九轴陀螺仪和具有双层UKF（Unscented Kalman Filter，无损卡尔曼滤波)的导航模型，所述九轴陀螺仪用于获取室内卫星平台在世界坐标系中的姿态角，所述双层UKF包括内层UKF和外层UKF，所述内层UKF通过九轴陀螺仪对编码器组成的里程计模型进行观测更新，所述外层UKF利用计算机视觉技术对相机获取的环境信息进行处理，来对内层UKF计算出的数据进行观测更新，并在一次迭代完成后，将新的路标位置加入地图。上述具有双层UKF的导航模型基于UKF（无迹卡尔曼滤波）目标跟踪算法进行工作。相比现有技术，将传统的单层导航改为内外层嵌套；在硬件方面，在室内卫星平台上增设九轴陀螺仪，以获取卫星平台在世界坐标系中的姿态角。
此外，如图5所示，位姿校正，精确定位的具体过程如下：
步骤41：移动机器人开始运行；
步骤42：通过具有双层UKF的导航模型计算出实际位姿；
步骤43：通过粒子群优化算法计算位姿转换矩阵；
步骤44：判断移动机器人是否到达终点，若是，则移动机器人结束运行；反之，则进入步骤45；
步骤45：卫星平台的位姿校正：将步骤42计算得到的实际位姿与预设期望位姿阈值作比对，计算出相应的速度和角速度，然后反映到室内卫星平台的轮速上，以使其回归期望位姿；
步骤46：移动机器人继续运行，并返回步骤42。
为验证本发明一种室内卫星平台的视觉导航方法的性能技术效果，分别进行平台识别距离测试、平台识别旋转角度测试、平台翻转角度测试和平台遮挡测试。
1）平台识别距离测试
将信标从距离摄像头0米开始，逐步向远离摄像头的方向平移，分别记录可准确识别出信标时的距离以及与真实距离的误差，经测量，本发明的室内卫星平台在Kinect摄像头下最远可识别距离约为1.952米、最近约为0.069米的信标，最佳识别距离约为0.25米到1.05米。
2）平台识别旋转角度测试
在最佳识别距离区间，从信标与摄像头的夹角为零开始，按顺时针方向逐渐旋转信标，分别记录可准确识别出信标时的旋转角度以及与真实角度的误差，经测量，本发明的室内卫星平台在Kinect摄像头下可以有效识别一周内所有的角度，识别最佳角度约为-45°到45°以及135°到225°。
3）平台翻转角度测试
在最佳识别距离区间，从信标与摄像头夹角为零开始，以竖直方向为轴，分别按顺时针和逆时针旋转90°，分别记录可准确识别出信标时的翻转角度以及与真实角度的误差，经测量，本发明的室内卫星平台在Kinect摄像头下能识别的翻转范围约为-51°到81.3°，其中最佳识别翻转角度约为-30°到60°。
4）平台遮挡测试
在最佳识别距离区间，从信标与摄像头夹角为零开始，将信标向一侧卫星以使摄像头不能观测到完整的信标，直至信标不再出现在摄像头视野内，分别记录可准确识别出信标时视野内的信标占整体的比例，经测量，本发明的室内卫星平台在Kinect摄像头下在信标被遮挡时所能识别出的最小面积约为信标面积的1/11。
将以上四个实验中记录的测定结果与真实值的误差和本发明的室内卫星平台的性能参数整理，如表1所示。
表1 室内卫星平台的参数
Figure 811016DEST_PATH_IMAGE034
此外，将室内卫星平台分别以不同导航策略、不同速度和距离信标不同距离在直线模型和直角模型两种场景中进行实验；
令室内卫星平台以相同的速度0.4
Figure 693521DEST_PATH_IMAGE035
分别应用现有惯性加视觉里程计模型和本课题提出的算法在上述两个场景中进行实验，室内卫星平台运动15米，记录两种情况下室内卫星平台运行中的坐标，并在平台停止运动时测量平台侧面中点与期望路径的横向静态误差，表2所示；
表2在两种场景下两种模型里卫星平台的导航误差（
Figure 46005DEST_PATH_IMAGE036
）
Figure 988553DEST_PATH_IMAGE038
令卫星平台分别以0.2
Figure 488805DEST_PATH_IMAGE035
、0.4
Figure 909422DEST_PATH_IMAGE035
和0.6
Figure 381991DEST_PATH_IMAGE035
的速度分别应用惯性加视觉里程计模型和本发明的具有双层UKF的导航模型在两个场景中进行实验，用上文方式记录卫星平台运行中的坐标和横向静态误差，如表3和表4所示。
表3 卫星平台在直线模型场景的三种速度下两种模型运行的导航误差（
Figure 292179DEST_PATH_IMAGE036
）
Figure DEST_PATH_IMAGE040
表4 卫星平台在直角模型场景的三种速度下两种模型运行的导航误差（
Figure 217409DEST_PATH_IMAGE036
）
Figure DEST_PATH_IMAGE042
令卫星平台以0.4
Figure 504034DEST_PATH_IMAGE035
的速度运行，分别将摄像头距离信标0.3
Figure 831110DEST_PATH_IMAGE036
、0.6
Figure 679243DEST_PATH_IMAGE036
和0.9
Figure 91770DEST_PATH_IMAGE036
应用具有双层UKF的导航模型在两种场景中进行实验，用上文方式记录卫星平台运行中的坐标和横向静态误差，如表5所示。
表5卫星平台在两种场景下三种距离运行的导航误差（
Figure 854189DEST_PATH_IMAGE036
）
Figure DEST_PATH_IMAGE044
由上表可知，具有双层UKF的导航模型在精度上远远超过了应用较多的惯性加视觉里程计模型，在信标位置准确的情况下能够达到很高的精度，可以应用于卫星平台的定位导航。
上面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，不能理解为对本发明保护范围的限制。
总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围内。

Claims (3)

1.一种室内卫星平台的视觉导航方法，其特征在于，包括以下步骤：
步骤1、识别信标：将信标布置在室内，通过相机的摄像头采集室内信标信息，建立信标地图，具体为：
步骤11、将信标布置在室内，控制室内卫星平台沿预设规划路径行走，所述预设规划路径包括直线路径和直角路径，所述室内卫星平台为移动机器人；
步骤12、所述移动机器人分别在直线路径和直角路径 两种情形下运行，并通过其上安装的相机的摄像头采集实时坐标数据，完成室内信标信息采集，建立信标地图；
步骤2、提取图像特征点：采用改进ORB算法提取信标地图中图像特征点，所述改进ORB算法即在ORB特征描述子中加入图像特征点的位置和速度信息，再以栅格的形式对图像进行区域划分，然后对每个栅格内的特征点进行筛选，每个栅格内至多保留一个有效特征点，所述有效特征点为提取的图像特征点，具体为：
步骤21、ORB特征点提取：对信标地图中图像以不同尺度建立图像高斯尺度金字塔，对每一层的图像都提取FAST特征点，并为提取的FAST特征点增加方向因子；
步骤 22、ORB特征点匹配：增加BRIEF特征描述子和特征点方向，以使其具有旋转不变性和尺度不变性；
步骤23、基于栅格划分的特征点提取：将信标地图中图像分为N层图像高斯尺度金字塔；在N层图像高斯尺度金字塔的每一层中提取图像特征；利用栅格将全部的特征点划分为不同区间并确定每个区间的主特征；对所述每个区间的主特征的特征点进行描述；
步骤3、图像特征匹配：利用基于特征点矢量的图像特征匹配算法对步骤2提取图像特征点进行特征匹配，所述基于特征点矢量的图像特征匹配算法根据待匹配图像中ORB特征描述子的速度和位置信息缩小特征匹配的搜索范围，并用已匹配的特征点对求出特征点矢量，应用于待匹配特征点，具体为：
步骤S31、距离描述：利用最近邻算法计算得到最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离，然后计算最近邻特征点特征向量的欧氏距离与次近邻关键点特征向量的欧氏距离的比值，并将所述比值与预设阈值进行比较，若比值小于预设阈值，则认为成功匹配特征点；
步骤S32、搜索策略：基于粒子群优化算法进行搜索，具体包括：
步骤321、初始化粒子群，包括粒子总数
Figure 751253DEST_PATH_IMAGE002
、种群中各粒子的位置
Figure 940925DEST_PATH_IMAGE003
和速度
Figure 309590DEST_PATH_IMAGE004
；
步骤322、计算各个粒子的初始适值
Figure 875700DEST_PATH_IMAGE005
；
步骤323、将初始适值
Figure 177369DEST_PATH_IMAGE005
和预设个体极值
Figure 131418DEST_PATH_IMAGE006
比较，如果
Figure 518537DEST_PATH_IMAGE007
，则用
Figure 888339DEST_PATH_IMAGE005
替代
Figure 247776DEST_PATH_IMAGE006
；
步骤324、将每个粒子的初始适值
Figure 44831DEST_PATH_IMAGE005
和预设全局极值
Figure 653667DEST_PATH_IMAGE008
比较，如果
Figure 420634DEST_PATH_IMAGE009
，则用
Figure 900157DEST_PATH_IMAGE005
替换掉
Figure 868113DEST_PATH_IMAGE008
；
步骤325、更新粒子的位置
Figure 964245DEST_PATH_IMAGE003
和速度
Figure 269325DEST_PATH_IMAGE004
；
步骤326、判断更新后粒子的位置
Figure 134512DEST_PATH_IMAGE003
和速度
Figure 273370DEST_PATH_IMAGE004
是否满足预设结束条件，若是，则输出更新后粒子的位置
Figure 325639DEST_PATH_IMAGE003
和速度
Figure 575355DEST_PATH_IMAGE004
并退出，否则返回步骤322；
S33、特征匹配，具体包括以下过程：
步骤331:从信标地图左上角开始选择三个特征点
Figure 154104DEST_PATH_IMAGE010
，利用粒子群优化算法找到在实时图像中的匹配点
Figure 463863DEST_PATH_IMAGE011
，
Figure 534587DEST_PATH_IMAGE012
、
Figure 587993DEST_PATH_IMAGE013
和
Figure 896615DEST_PATH_IMAGE014
分别为三个特征点的坐标，
Figure 377275DEST_PATH_IMAGE015
、
Figure 669716DEST_PATH_IMAGE016
和
Figure 120289DEST_PATH_IMAGE017
分别为匹配点的坐标；
步骤332:根据公式（1），联立三组点对的方程求出模板到实时图像的特征点矢量
Figure 814575DEST_PATH_IMAGE018
：
Figure 934978DEST_PATH_IMAGE019
（1）
式中，
Figure 980295DEST_PATH_IMAGE020
为旋转变换因子、
Figure 375504DEST_PATH_IMAGE021
为尺度变换因子，
Figure 517772DEST_PATH_IMAGE022
为位移变换因子，
Figure 605814DEST_PATH_IMAGE023
表示横坐标位移变换因子，
Figure 872847DEST_PATH_IMAGE024
表示纵坐标位移变换因子，i取值为1,2或3，
Figure 540589DEST_PATH_IMAGE025
表示第i个匹配点的横坐标，
Figure 943888DEST_PATH_IMAGE026
表示第i个匹配点的纵坐标，
Figure 202831DEST_PATH_IMAGE003
表示第i个特征点的横坐标，
Figure 550636DEST_PATH_IMAGE027
表示第i个特征点的纵坐标；
步骤333: 将公式（1）逆用，利用特征点矢量
Figure 287648DEST_PATH_IMAGE018
计算出模板中下一个特征点在实时图像中的期望位置
Figure 811033DEST_PATH_IMAGE028
，并利用粒子群优化算法在搜索半径
Figure 709719DEST_PATH_IMAGE030
的范围内进行优化搜索，更新特征点矢量完成新的匹配，其中，
Figure DEST_PATH_IMAGE031
；
步骤334: 在完成新的匹配之后，返回步骤332，直到完成所有匹配；
步骤4、位姿校正，精确定位：通过室内卫星平台检测到特征点，进行位姿校正和精确定位。
2.根据权利要求1所述的室内卫星平台的视觉导航方法，其特征在于，所述室内卫星平台包括相机、编码器、九轴陀螺仪和具有双层UKF的导航模型，所述九轴陀螺仪用于获取室内卫星平台在世界坐标系中的姿态角，所述双层UKF包括内层UKF和外层UKF，所述内层UKF通过九轴陀螺仪对编码器组成的里程计模型进行观测更新，所述外层UKF利用计算机视觉技术对相机获取的环境信息进行处理，来对内层UKF计算出的数据进行观测更新，并在一次迭代完成后，将新的路标位置加入地图。
3.根据权利要求2所述的室内卫星平台的视觉导航方法，其特征在于，
所述步骤4的具体过程如下：
步骤41：移动机器人开始运行；
步骤42：通过具有双层UKF的导航模型计算出实际位姿；
步骤43：通过粒子群优化算法计算位姿转换矩阵；
步骤44：判断移动机器人是否到达终点，若是，则移动机器人结束运行；反之，则进入步骤45；
步骤45：卫星平台的位姿校正：将步骤42计算得到的实际位姿与预设期望位姿阈值作比对，计算出相应的速度和角速度，然后反映到室内卫星平台的轮速上，以使其回归期望位姿；
步骤46：移动机器人继续运行，并返回步骤42。
CN202210089566.0A 2022-01-26 2022-01-26 一种室内卫星平台的视觉导航方法 Active CN114111803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210089566.0A CN114111803B (zh) 2022-01-26 2022-01-26 一种室内卫星平台的视觉导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210089566.0A CN114111803B (zh) 2022-01-26 2022-01-26 一种室内卫星平台的视觉导航方法

Publications (2)

Publication Number Publication Date
CN114111803A CN114111803A (zh) 2022-03-01
CN114111803B true CN114111803B (zh) 2022-04-19

Family

ID=80361429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210089566.0A Active CN114111803B (zh) 2022-01-26 2022-01-26 一种室内卫星平台的视觉导航方法

Country Status (1)

Country Link
CN (1) CN114111803B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108426576B (zh) * 2017-09-15 2021-05-28 辽宁科技大学 基于标识点视觉导航与sins的飞行器路径规划方法及***
CN107680133A (zh) * 2017-09-15 2018-02-09 重庆邮电大学 一种基于改进闭环检测算法的移动机器人视觉slam方法
CN107657640A (zh) * 2017-09-30 2018-02-02 南京大典科技有限公司 基于orb slam的智能巡防巡检管理方法
CN108830191B (zh) * 2018-05-30 2022-04-01 上海电力学院 基于改进环境测量模块emm及orb算法的移动机器人slam方法
CN109903338A (zh) * 2019-03-14 2019-06-18 中国计量大学 一种基于改进orb算法的移动机器人定位方法
CN109974707B (zh) * 2019-03-19 2022-09-23 重庆邮电大学 一种基于改进点云匹配算法的室内移动机器人视觉导航方法
CN112183171B (zh) * 2019-07-05 2024-06-28 杭州海康机器人股份有限公司 一种基于视觉信标建立信标地图方法、装置
CN111627114A (zh) * 2020-04-14 2020-09-04 北京迈格威科技有限公司 室内视觉导航方法、装置、***及电子设备
CN111780763B (zh) * 2020-06-30 2022-05-06 杭州海康机器人技术有限公司 一种基于视觉地图的视觉定位方法、装置

Also Published As

Publication number Publication date
CN114111803A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN109631855B (zh) 基于orb-slam的高精度车辆定位方法
CN105792353B (zh) 群智感知式WiFi信号指纹辅助的图像匹配室内定位方法
CN111968177B (zh) 一种基于固定摄像头视觉的移动机器人定位方法
CN106295512B (zh) 基于标识的多纠正线室内视觉数据库构建方法以及室内定位方法
CN102865859B (zh) 一种基于surf特征的航空序列图像位置估计方法
CN105335973B (zh) 运用于带钢加工生产线的视觉处理方法
CN105913489A (zh) 一种利用平面特征的室内三维场景重构方法
CN103488972B (zh) 基于深度信息的指尖检测方法
CN110033489A (zh) 一种车辆定位准确性的评估方法、装置及设备
CN113409410A (zh) 一种基于3d激光雷达的多特征融合igv定位与建图方法
CN101750017A (zh) 大视场中多移动目标位姿的视觉检测方法
CN107607091A (zh) 一种测量无人机飞行航迹的方法
CN109376208A (zh) 一种基于智能终端的定位方法、***、存储介质及设备
CN112163588A (zh) 基于智能进化的异源图像目标检测方法、存储介质及设备
CN114663473A (zh) 基于多视角信息融合的人员目标定位与追踪方法及***
CN113592961A (zh) 一种基于精度控制场和点云特征相似性的点云拼接方法
CN114137562B (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN108876862A (zh) 一种非合作目标点云位置姿态计算方法
CN116563377A (zh) 一种基于半球投影模型的火星岩石测量方法
CN112862818B (zh) 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法
CN114111803B (zh) 一种室内卫星平台的视觉导航方法
US20240185595A1 (en) Method for evaluating quality of point cloud map based on matching
CN106959101B (zh) 一种基于光流法的室内定位方法
CN116679314A (zh) 融合点云强度的三维激光雷达同步建图与定位方法及***
CN114608560B (zh) 一种基于智能终端传感器的无源组合室内定位***及方法

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