曹一波,赵鹏飞,朱海文,刘 顺,张智辉
(华南师范大学 软件学院,广东 佛山 528200)
近年来,视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术是计算机视觉和机器人领域的一大研究热点,其核心在于帮助机器人更加准确高效地认知自身位姿和周围环境的几何结构。在基于特征的视觉SLAM中,点特征因其结构简单且容易表达最为常用。典型的点特征方法有PTAM[1]、ORBSLAM[2],通过传统特征检测算法提取图像中的显著角点,再根据角点附近领域信息计算该点的描述子,最后根据数据关联情况构造并求解状态变量。随着近些年深度学习的发展,深度学习以其提取特征更丰富、鲁棒性更强、精度更高和不需要手工设计特征等优点在图像分类、目标检测和图像分割等领域得到了广泛应用[3]。使用深度学习方法进行特征点及描述子的提取也是该领域研究的一大热点问题。如SuperPoint_SLAM[4]使用神经网络提取SuperPoint特征点[5]代替传统手工设计特征,提高了定位的精度和鲁棒性。基于点特征的方法中,特征点在质量上和数量上都对算法的鲁棒性和准确性起着决定性作用。在结构化场景中[6],物体表面、材质性能均一,结构及尺寸变化规律且稳定,多带有显著的几何特征和相对规则的形状,例如墙壁、桌子、门窗和箱子等等。这种场景以低纹理表面为特征的人造环境居多,如走廊、室内停车场等,难以提取到足够多的特征点。为了弥补单一点特征提供特征信息的不足,有学者提出了多种特征相结合的方法,如Pumarola等[7]在ORBSLAM的基础上加入线特征,并提出利用线特征进行系统初始化的方法。……