从图5可以看出,传统ORB算法输出的特征点提取效果分布情况较为密集,改进ORB算法的特征点提取效果分布情况较为均匀。为了量化传统ORB算法与改进ORB算法图像特征点分布的均匀情况,引入文中提出的图像特征点分布均匀性评价方法计算特征点在图像中的分布情况,如表1所示。 从表1中可以看出,当特征点期望数值相同时,改进ORB算法...
图2ORB-SLAM算法总体流程 1.1 ORB算法 ORB(oriented FAST and rotated BRIEF)算法具有局部不变特征,ORB特征由关键点(oFAST)和描述子(BRIEF)两部分组成。该算法将FAST角点检测与BRIEF特征描述符进行融合改进,针对FAST算法缺陷,加入了尺度与旋转描述,同时计算了特征点的主方向,对于BRIEF算法,添加了旋转不变性,同时执行g...
对于同步定位与建图(SLAM)中主流的特征点法,特征匹配是估计相机运动的关键,然而在特征匹配过程中存在图像特征的局部特性、误匹配等问题,成为视觉SLAM的瓶颈。此外,特征点法生成的稀疏地图只能用于定位,无法满足更高层次的需求。针对ORB-SLAM3中ORB特征点匹配效率低且未能生成稠密地图的问题,提出一种改进的ORB-GMS匹配...
1 ORB-SLAM算法原理 1.1 ORB特征 ORB-SLAM算法最大的特点是所有步骤均使用ORB?[7]特征。ORB特征是一种快速的特征提取方法,它改进了FAST检测子不具有方向性的问题,并采用速度较快的二进制描述子BRIEF[8],加快了整个图像特征的提取。相较于SIFT(Scale-Invariant Feature Transform)[9]和SURF(Speeded Up Robust ...
我们提供了一个简单而通用的点云特征学习框架。 CNN成功的关键是卷积运算符,其能够利用在网格(例如图像)中密集表示的数据中的空间局部相关性。然而,点云是不规则和无序的,因此对于与点相关联的特征而言,核心的直接卷积将导致抛弃形状信息,同时变化为顺序
本发明公开了一种基于RGB‑D相机的改进ORB‑SLAM2算法地图构建方法,首先从相机TUM获取的图像,并在传统ORB‑SLAM2框架的基础上对相邻的图像帧中新增帧间相对运动量对关键帧进行筛选;同时新增特征点跟踪进行判定,从而提高关键帧选取的准确率;然后在原本系统三线程的基础上添加稠密点云建图线程;将关键帧位姿信息通过...
针对传统ORB-SLAM2算法精度较低,图片帧跟踪容易丢失的问题,以及没有构建稠密点云地图与OctoMap的问题,原本构建的稀疏点云地图不能直接应用于机器人的三维路径规划.在传统ORB-SLAM2算法基础上,对关键帧的选取进行了改进.首先,在传统的ORB-SLAM2算法的基础上,在相邻图像帧间添加相对运动量的综合变换因数,并添加帧间...
针对单目视觉同步定位与地图构建问题对传统定向二进制描述符算法进行改进,结合快速鲁棒特征算法的思想,将尺度空间理论引入传统ORB算法中,同时根据机器人的运动先验信息,预测特征点的可能范围,避免在全局范围内对特征点的检测和匹配。实验表明,改进的ORB算法能显著提高匹配正确率,在多尺度方面表现出色,并能有效减少运算时间...
将改进的算法融合到ORB-SLAM3算法中,并利用LK光流法跟踪目标检测的图像特征,Prosac算法剔除误匹配动态特征点;最后,设置了三种实验,分别测试ORB-SLAM2,ORB-SLAM3,DS-SLAM3与改进算法在TUM数据集上的优良性.【结果】结果表明,第一种为目标检测验证实验,通过对各种YOLOv8版本的验证与测试,YOLOv8n-SLAM3具有轻量化...
摘要 本发明公开了一种通过改进ORB‑SLAM算法实现定位与构图的方法,包括使用机器人携带的深度视觉传感器采集数据集中的连续两幅图像,以分别得到每一幅图像的彩色图像与深度图像,使用显著性区域检测算法对得到的彩色图像进行感兴趣区域初步提取,使用阈值分割法对提取到的感兴趣区域进行优化,以得到优化后的图像,在离散化...