视觉SLAM中的误匹配筛选算法研究.docx

视觉SLAM中的误匹配筛选算法研究
引言
在计算机视觉和机器人领域中，同步定位与地图构建（SLAM）是一个经典的问题，它的主要目标是从一个移动机器人或者一个摄像头观察到的场景中同时估计机器人的轨迹和场景的三维几何结构。视觉SLAM是一种使用摄像头而不是传感器（如激光测距仪）进行SLAM的方法。本文重点关注视觉SLAM中的误匹配筛选算法。
视觉SLAM中的误匹配
视觉SLAM能够提供高精度的地图和轨迹信息，但是在实际应用中，由于种种原因，比如扰动和视觉噪声，误匹配也会不可避免地发生。误匹配有可能造成SLAM系统的崩溃，降低SLAM的安全性和鲁棒性，因此如何进行误匹配的筛选是关键问题。
误匹配的分类
误匹配分为两种类型：假阳性（falsepositives）和假阴性（falsenegatives）。假阳性指的是特征点们被错误地匹配在了一起，也就是说它们在不同的帧上被误认为是相同的物体。而假阴性意味着一些正确的特征点在不同的帧上没有关联起来。
误匹配的发生原因
误匹配可能是由以下原因导致的：1）噪声和变形；2）遮挡或背景物体的动态变化（如人、车、树）；3）相邻帧之间的光度突变；4）不同图像区域的不同分布等。
误匹配解决方法
为了解决误匹配，通常有两个策略。第一种是从技术上提高可靠性或减少噪声。这通常涉及使用更好的图像处理算法、传感器技术和硬件、运动估计算法以及机器学习算法等。第二种策略是在算法阶段添加过滤器，即将通过特定算法运行的所有结果与特定标准进行比较，并仅保留符合标准的结果。过滤器有很多种，也可以使用不同的过滤器组合来获得更好的效果。
误匹配筛选算法
传统的误匹配筛选方法是基于地图点的约束和二次原理的，它需要使用稠密的三维地图或SIFT/SURF等高质量的特征提取器来创建大量的匹配对，从而使用一些优化技术来辨别有效的匹配对和误匹配两种情况。但是，针对视觉SLAM的实时性要求，稠密地图可能会显著减慢SLAM系统的速度，而SIFT/SURF等高质量的特征提取器也会对SLAM系统的效率产生不良影响。
因此，最近的研究开始采用其他策略来解决这个问题。其中一种策略是利用深度学习神经网络来理解和分辨误匹配，因为deeplearning在这领域已经取得了显著的成功。例如，Poudel等人提出了通过在控制误差固定物体间隔的情况下，学习如何在原始图像上随机扰动的情况下保持特征点相似性的深度神经网络，从而实现对误匹配的去除。
另外还有一种新颖的解决方案，需要基于几何连接约束。描述不同位置渐变的几何形状也会随着机器人的移动发生变化。因此，几何连续性检查可以用于检测和移除SLAM过程中的错误点。通过计算三角形形状或其他具有几何意义的特征，系统可以比较少量选定的路径中的匹配点，并判断其几何连续性，从而识别和移除错误特征点。
总结
误匹配对SLAM系统的影响可能是致命的，所以需要开发新的、更有效的误匹配筛选算法来提高SLAM系统的准确性和可靠性。当前的研究倾向于采用深度学习神经网络和几何连接约束，这些策略充分利用了计算机视觉和机器学习领域取得的新技术和新进展，提高了误匹配的检测和筛选效率。