基于Kinect的地图构建研究

论文总字数：27760字

摘 要

移动机器人的智能化表现之一就是实现自主定位与导航，实现这一目的的基础便是同步定位与地图构建（SLAM）。随着计算机视觉的发展，基于视觉的SLAM成为时下研究的热门。

本文基于Kinect深度相机，采用RGB-D SLAM算法构建三维点云地图。RGB-D SLAM算法分为前端和后端算法：前端算法通过特征点的提取与匹配进行图像帧与帧之间的运动估计，后端算法则主要进行相机位姿图的构建与优化，以利用优化后的位姿图进行点云拼接得到三维点云地图。

本文首先对Kinect相机进行标定，利用最大似然估计算法有效地去除了高斯噪声对相机内参标定的影响。针对回环检测所存在的问题，提出了一种图像的测方法，引入远距离闭环检测提高程序的执行效率，引入近距离闭环检测保证闭环的数量。构建点云地图时，对生成的点云进行滤波降采样处理，有效地减少了重复点云的数量。

本文通过手持Kinect进行室内实验，有效地获取了房间内的RGB图像，成功构建出点云地图。同时，使用TUM数据集对所提算法进行了测试，测试结果表明算法具有较高的精度，获取的点云地图效果良好。

关键词：RGB-D SLAM；Kinect相机；点云地图；运动轨迹估计

Abstract

Simultaneously Localization and Mapping (SLAM) is used to realize autonomous positioning and navigation of robots This paper is based on the RGB-D SLAM algorithm and realizes the construction of 3D point cloud maps using the Kinect. The RGB-D SLAM algorithm is divided into front-end and back-end algorithms. The front-end algorithm uses feature points extraction and matching to perform motion estimation between two image frames. The back-end algorithm mainly considers the construction and optimization of camera pose maps. The point cloud map can be obtained by splicing point clouds with the optimized pose diagram.

In this paper, the maximum likelihood estimation is used to optimize the calibration algorithm of Kinect, which effectively removes the influence of Gaussian noise on the calibration of camera internal parameters. This paper presents an image measurement method, which introduces the long-distance closed-loop detection to improve the execution efficiency of the program, and introduces close-distance closed-loop detection to ensure the number of closed loops. When constructing a point cloud map, down-sampling of the generated point cloud effectively reduce the number of duplicate point clouds.

Finally, using hand-held Kinect for indoor experiments, a point cloud map in the room was obtained. The proposed algorithm is tested using TUM dataset. The results show that the algorithm has high accuracy and the acquired point cloud map has good results. At the same time this paper use the dataset to compare the three feature points of ORB, SIFT and SURF. The results show that ORB is faster than SIFT and SURF.

KEY WORDS:RGB-D SLAM,Kinect,Point cloud map, Trajectory estimation

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1课题背景及意义 1

1.2 国内外研究现状 2

1.3 本文主要研究内容 3

第二章 Kinect数据获取 4

2.1 Kinect相关介绍 4

2.1.1 Kinect基本组成 4

2.1.2 Kinect的深度测量原理 5

2.1.3利用Kinect获取图像 6

2.2 Kinect相机标定 7

2.2.1 Kinect相机模型 7

2.2.2相机标定原理 9

2.3 本章小结 12

第三章 RGB-D SLAM算法 13

3.1 SLAM算法概述 13

3.2 特征点的提取和匹配 14

3.2.1特征点概述 14

3.2.2 ORB特征 15

3.2.3特征匹配 16

3.3 运动变换估计 17

3.4 位姿图构建 19

3.4.1位姿图初始化 19

3.4.2闭环检测及图优化 19

3.5点云地图构建 22

3.6 本章小结 23

第四章 基于Kinect地图构建实验 24

4.1 实验平台介绍 24

4.2 实验结果验证 24

4.3 基于数据集的精度评估 26

4.4 本章小结 30

第五章 总结与展望 31

致谢 33

参考文献 34

第一章 绪论

1.1课题背景及意义

自上世纪60年代第一台工业机器人诞生在美国开始，便标志着人类纪元便进入了机器人时代。经过了数十年的发展，机器人已经在很多领域得到了应用，譬如医疗、工业生产、军事以及航天等等方面。随着市场的需求不断提高以及技术的不断革新，人们研制出了不同种类的机器人，其中也包括本文着重介绍的移动机器人。移动机器人，顾名思义是一种可以自由移动的机器人，而机器人的智能化是现各大科研单位在的研究热点。移动机器人的智能化主要表现在实现自主导航和定位以及更好的人工交互。当机器人处于室外工作环境下时，这个问题可以通过卫星定位来解决。然而当机器人处于室内或者所处环境涉密时，卫星定位的精度或安全性显然无法满足当下的需求，因此我们需要用其他的方法来解决定位和导航问题^[1]，因此，SLAM技术便应运而生。

本文所研究的即时定位与地图构建技术（simultaneous localization and mapping，缩写为 SLAM），是移动机器人实现智能化的关键和基础技术之一，也是视觉导航技术中一个十分重要的方向。其主要目的是为了解决机器人处于自身位置未知的情况下，尤其是处于动态复杂的工作状态下，通过自身携带的各种传感器来获取所处位置和环境的信息。并以此为依据，来估计自身在当前环境中所处的相对位置，并且生成当前区域的地图。

剩余内容已隐藏，请支付后下载全文，论文总字数：27760字