专利名称：基于跟踪时间预测的特征选择方法
技术领域：
本发明涉及机器人同时定位与地图重建领域，具体来说是一种关于机器人如何从 环境中选取特征的方法。
背景技术：
移动机器人在未知环境中工作时，需要创建一份关于环境的地图，同时利用这份 地图来决定自身的位置。在基于特征的同时定位与地图重建算法中，地图通常由环境中的 特征来表示，因此，对环境中的特征进行选择是一个首先需要解决的问题。广义上的特征选 择包含了对图像中的特征进行提取和从提取到的特征中进行选择两个过程。然而，在基于 视觉的同时定位与地图重建算法中，特征的选择通常仅被看成是特征提取的过程。目前，对各种特征提取算法在同时定位与地图重建算法中的应用的研究非常之 多，但是在不同的场景和不同的衡量指标下，各种特征提取算法的表现有着明显差异，因而 需要结合具体的应用来选择相应的特征提取算法。在基于扩展卡尔曼滤波的算法框架下， 计算的复杂度是与特征数量的平方成正比的；而常用的点特征提取算法往往能从一幅图像 中提取出成百上千个特征，这就对定位的实时性形成了巨大的挑战。通过从提取到的特征 点集合里选取出一个特征子集来表示地图，则可以起到降低计算复杂度的目的。因此，对特 征进行选择是非常重要而且有意义的。G. Dissanayake等最早对同时定位与地图重建算法 的计算效率与特征选择之间的关系做了研究，提出可以通过删除地图中的大部分特征来大 幅提高计算的效率，并且不会影响到重建地图的一致性，但是这种方法会对机器人定位的 精度会带来轻微的影响。在基于熵的特征选择方法中，根据特征的熵值来决定该特征是否 参与扩展卡尔曼滤波更新阶段，其中所需要选取的特征的数目则由系统的计算资源和机器 人位姿估计的效果来决定。在基于后验协方差敏感的特征选择方法中，通过在扩展卡尔曼 滤波的更新阶段选择后验协方差敏感的特征进行更新，可以使得扩展卡尔曼滤波算法能够 以更快的速度收敛。而组合式特征选择方法则可以显著减少Harris角点特征的数目，同时 可以提高特征点跟踪的效果，但是这种组合式的特征选择方法比单一的harris特征提取 算法在特征的提取阶段显然要占用更多的计算资源。对基于特征的同时定位与地图重建算 法而言，如果不能保证特征的选择算法足够实时，那么也就无法保证整个算法的实时性。为 实现实时的定位与地图重建算法，特征的选择通常以一种随机的方式进行随机选择一个 图像子区域，然后从中提取特征。选择出来的特征应当满足以下的条件特征应尽可能均勻 地分布在整个图像上；任何时候都应有相当一部分数量的特征处于被跟踪状态；如果处于 被跟踪状态的特征数量不足，则需要从环境中提取新的特征。随机特征选择算法的主要出 发点是为了提高同时定位与地图重建算法的计算效率，因此并没有进一步考虑特征选择对 移动机器人定位估计的影响。
发明内容
本发明提供了一种基于跟踪时间预测的特征选择方法，在用于机器人从环境中选
3取特征时可以有效减少其自身定位估计的不确定性。一种基于跟踪时间预测的特征选择方法，包括以下步骤(1)随机选择一帧二维图像的η个特征进行特征跟踪，获得特征匹配的结果，并利 用所述的特征匹配的结果估计二维图像的运动信息；(2)对二维图像进行分割，得到一组互相不重叠的图像子区域，将每个子区域的中 心像素作为特征点，根据二维图像的运动信息和特征点的当前所在位置，通过前向迭代算 法来预测特征点的跟踪时间，并以此作为特征点所在子区域内任一特征的预测跟踪时间， 即作为每个子区域的预测跟踪时间；(3)比较所有子区域的预测跟踪时间，在具有最大预测跟踪时间的子区域内进行 特征提取。进一步，所述的步骤(1)中，利用所述的特征匹配的结果估计二维图像的运动信 息的过程如下采用如式(I)所示的六参数仿射模型表示二维图像的运动U2 = B1X U^a2 X V^a3(I)V2 = B4Xu^a5 X V^a6式(I)，, a2, a3, a4, a5, a6]为所述的六参数仿射模型的参数，B1, a2, a4, a5表示 图像的缩放和旋转，a3和a6分别对应上下和左右的平移运动；根据所述的特征匹配的结果，特征点Pi在k时刻的坐标为( ),在k+Ι时刻的 坐标为似+1，vf+1)，由式⑴得到特征点Pi的运动方程如式(II)所示 则，η个特征点对应的运动方程组如式(III)所示 求解式(III)所示的运动方程组，确定参数[a1; a2, a3, a4, a5, a6]，从而确定表示二 维图像运动的六参数仿射模型，以估计二维图像的运动信息。进一步，所述的步骤(3)为计算已有的η个特征在各子区域的分布情况，从没有 特征分布的子区域中选择具有最大预测跟踪时间的子区域进行特征提取。本发明的基于跟踪时间预测的特征选择方法，在用于机器人从环境中选取特征时 可以有效减少其自身定位估计的不确定性。
图1为本发明的基于跟踪时间预测的特征选择方法的流程图；图2为图像分割；
图3为仿真环境；图4为机器人位置估计不确定性比较；图5为机器人航向角估计不确定性比较。
具体实施例方式下面结合实施例和附图来详细说明本发明，但本发明并不仅限于此。图1所示，一种基于跟踪时间预测的特征选择方法，包括以下步骤(1)随机选择一帧图像的η个特征进行特征跟踪，获得特征匹配的结果，并利用所 述的特征匹配的结果估计二维图像的运动信息采用如式(I)所示的六参数仿射模型表示二维图像的运动
U2 = B1X U^a2 X V^a3(I)V2 = B4Xu^a5 X V^a6式(I)，, a2, a3, a4, a5, a6]为所述的六参数仿射模型的参数，B1, a2, a4, a5表示 图像的缩放和旋转，a3和a6分别对应上下和左右的平移运动；根据在特征跟踪阶段得到的特征匹配的结果(η对匹配的特征)，特征点Pi在k时 刻的坐标为( )，在k+Ι时刻的坐标为，由式⑴得到特征点Pi的运动方程如 式(II)所示 则，η个特征点对应的运动方程组如式(III)所示 求解式(III)所示的运动方程组，确定参数[a” a2, a3, a4, a5, a6]，从而确定表示二 维图像运动的六参数仿射模型，以估计二维图像的运动信息。由于仿射运动模型只有6个参数，因此当η > 6时，可以通过最小二乘法来计算仿 射模型的参数，得到二维图像的运动模型，以估计二维图像的运动信息。(2)如图2所示，对输入的二维图像进行分割，得到一组互相不重叠的图像子区 域，将每个子区域的中心像素作为特征点，根据二维图像的运动信息和特征点的当前所在 位置，通过前向迭代算法来预测特征点的跟踪时间，考虑到二维图像上相邻像素的运动趋 势是相近的，以此特征点的预测跟踪时间作为特征点所在子区域内任一特征的预测跟踪时 间，即作为每个子区域的预测跟踪时间；所述的特征的跟踪时间tv为tv = t。-、，特征在、时刻被提取，此后一直处于被 跟踪的状态，直至t。时刻跟踪失败。假设特征在当前时刻位于(Ul，V1)处，则基于式(III)所示的运动方程组的k次前
5向迭代方程如式(IV)所示U2= O1XU1+a2x V1 + α3V2 = O4XU^a5Xvl+ α6·· · (IV)uk =^x uk_{ + α2 χ Vi., + α3ν4 = α4 χ +α5χ Vi., + α6该迭代模型在遇到以下两种情况时自动停止UU1 L]\\V^[\ #]，其中L和W为图像的长度和宽度;2、迭代次数满k次；因此，预测跟踪时间Zv可以近似表示为式(V)所示
Λ i, i < k ,tv=\(V)(3)比较所有子区域的预测跟踪时间，在具有最大预测跟踪时间的子区域内进行 特征提取。为了使得特征能够尽可能均勻的分布在整个图像上，需要维护各图像子区域内特 征点的分布信息，避免从已有特征点分布的子区域内提取新的特征。可以在本次步骤开始 之前，先计算已有的η个特征在各子区域的分布情况，再从没有特征分布的子区域中选择 具有最大预测跟踪时间的子区域进行特征提取。在如图3所示的特征分布的仿真环境下，采取本发明的特征选择方法与现有技术 中的随机特征选择方法对机器人位置不确定性的比较，从图4和图5分别可以看出，使用本 发明的方法可以减少机器人位置估计的不确定性和机器人航向角估计的不确定性。因此， 本发明可以改进机器人定位估计的不确定性。
权利要求
一种基于跟踪时间预测的特征选择方法，其特征在于，包括以下步骤(1)随机选择一帧二维图像的n个特征进行特征跟踪，获得特征匹配的结果，并利用所述的特征匹配的结果估计二维图像的运动信息；(2)对二维图像进行分割，得到一组互相不重叠的图像子区域，将每个子区域的中心像素作为特征点，根据二维图像的运动信息和特征点的当前所在位置，通过前向迭代算法来预测特征点的跟踪时间，并以此作为特征点所在子区域内任一特征的预测跟踪时间，即作为每个子区域的预测跟踪时间；(3)比较所有子区域的预测跟踪时间，在具有最大预测跟踪时间的子区域内进行特征提取。
2.如权利要求1所述的特征选择方法，其特征在于，所述的步骤⑴中，利用所述的特 征匹配的结果估计二维图像的运动信息的过程如下采用如式(I)所示的六参数仿射模型表示二维图像的运动U2 = B1Xu^a2X V^a3(I)V2 = B4Xu^a5X V^a6式(I)，La1, a2, a3, a4, a5, a6]为所述的六参数仿射模型的参数，B1, a2, a4, a5表示图像 的缩放和旋转，a3和a6分别对应上下和左右的平移运动；根据所述的特征匹配的结果，特征点Pi在k时刻的坐标为(wf，vf)，在k+Ι时刻的坐标 ),由式⑴得到特征点Pi的运动方程如式(II)所示 则，η个特征点对应的运动方程组如式(III)所示 求解式(III)所示的运动方程组，确定参数[ai，a2，a3，a4，a5，，从而确定表示二维图 像运动的六参数仿射模型，以估计二维图像的运动信息。
3.如权利要求1所述的特征选择方法，其特征在于，所述的步骤(3)中，先计算已有的 η个特征在各子区域的分布情况，再从没有特征分布的子区域中选择具有最大预测跟踪时 间的子区域进行特征提取。
全文摘要
本发明公开了一种基于跟踪时间预测的特征选择算法，包括随机选择一帧二维图像的n个特征进行特征跟踪，获得特征匹配的结果，并利用该结果估计二维图像的运动信息；对二维图像进行分割，得到一组互相不重叠的图像子区域，将每个子区域的中心像素作为特征点，根据二维图像的运动信息和特征点的当前所在位置，通过前向迭代算法来预测特征点的跟踪时间，并以此作为特征点所在子区域内任一特征的预测跟踪时间，即作为每个子区域的预测跟踪时间；比较所有子区域的预测跟踪时间，在具有最大预测跟踪时间的子区域内进行特征提取。本发明提供的特征选择方法，在用于机器人从环境中选取特征时可以有效减少其自身定位估计的不确定性。
文档编号G06T7/20GK101916374SQ201010262039
公开日2010年12月15日 申请日期2010年8月20日 优先权日2010年8月20日
发明者史勇强, 孟旭炯, 欧进利, 陈耀武 申请人:浙江大学