转载请注明链接：https://blog.csdn.net/weixin_42344264/article/details/100175564
在无人车，无人机等自主机器人或者AR等领域中，需要确定自身各时刻相对于工作环境的位置，此定位是保证自主导航的关键。SLAM技术是指：搭载传感器的载体在移动时建立对环境的描述模型，同时估计自己的运动。其中通过视觉和惯导融合的SLAM简称为VIO系统。
VIO系统在纹理丰富的场景，大部分时候能够产生误差较小的结果；但在经过长走廊且纹理不够丰富的场景时，容易累积误差。
本文针对长走廊弱纹理环境下，对现有VIO系统进行优化，来实现精度更高、实时性好的VIO系统
本次改进只在前端进行部分。考虑到长走廊纹理较弱，而VINS-Fusion采用的仅是Harris角点进行光流跟踪，对于弱纹理长走廊环境下，可能会产生特征点滑移或者跳动等现象，从而引起位姿计算误差增大。本文在原本Fast角点基础上加入边特征选取强梯度的边缘点来增强前端视觉跟踪的鲁棒性及准确性。
本文增加的是OpenCV库里的Canny边缘检测算子\footnote{Canny, J., A Computational Approach To Edge Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6):679–698, 1986.}。具体步骤如下：
第一步：消除噪声。一般情况下，使用高斯平滑滤波器卷积降噪。本文采用一个size=3的高斯内核。对于一个位置 ( m , n ) (m,n) (m,n)的像素点，其灰度值为 f ( m , n ) f(m,n) f(m,n)，那么经过高斯滤波后的灰度值将变为：
g σ ( m , n ) = 1 2 π σ 2 e − m 2 + n 2 2 σ 2 ⋅ f ( m , n ) g_\sigma(m,n)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{m^2+n^2}{2\sigma^2}}\cdot{f(m,n)} gσ(m,n)=2πσ2 1e−2σ2m2+n2⋅f(m,n)
第二步：计算梯度幅值和方向。边缘就是灰度值变化大的像素点的集合。在图像中，用梯度表示灰度值的变化程度和方向。它可以通过点乘一个sobel或其它算子得到不同方向的梯度值
g
x
(
m
,
n
)
,
g
y
(
m
,
n
)
g_x(m,n),g_y(m,n)
gx(m,n),gy(m,n)。综合梯度通过以下公式计算梯度值和梯度方向：
G
(
m
,
n
)
=
g
x
(
m
,
n
)
2
+
g
y
(
m
,
n
)
2
θ
=
a
r
c
t
a
n
g
y
(
m
,
n
)
g
x
(
m
,
n
)
G(m,n)=\sqrt{g_x(m,n)^2 + g_y(m,n)^2} \\ \theta = arctan{\frac{g_y(m,n)}{g_x(m,n)}}
G(m,n)=gx(m,n)2+gy(m,n)2
θ=arctangx(m,n)gy(m,n)
第三步：非极大值抑制。在高斯滤波过程中，边缘有可能被放大。这一步使用一个规则来过滤不是边缘的点，使用边缘宽度尽可能为1个像素点：如果一个像素点属于边缘，那么这个像素点在梯度方向上的梯度值是最大的，否则不是边缘，将其灰度值设为0。
M
T
(
m
,
n
)
=
{
M
(
m
,
n
)
i
f
M
(
m
,
n
)
>
T
0
o
t
h
e
r
w
i
s
e
M_T(m,n)= \begin{cases} M(m,n) &if M_(m,n)> T \\ 0 & otherwise \end{cases}
MT(m,n)={M(m,n)0ifM(m,n)>Totherwise
第四步：滞后阈值。Canny使用了滞后阈值，滞后阈值需要两个阈值（高阈值和低阈值），若某一像素位置的幅值超过高阈值，该像素被保留为边缘像素；若某一像素位置的幅值小于低阈值，该像素被排除；若某一像素位置的幅值在两个阈值之间，该像素仅在连接到一个高于高阈值的像素时被保留。
本次实验数据采集使用的小觅相机+Autolaber小车。相机标定和具体使用VINS-Fusion配置参考网上其它使用小觅相机的文章。
采集设备如下图：
实际测试环境如下图：
{双目DSO}：由于双目DSO要求相对单目算力高，故需要设置检查像素点在1000内才可以流畅跑完整个轨迹，否则容易崩溃，其结果如图，可以看出效果略差，一方面相机光度参数未标定，而是在此环境下，光强变化大，DSO在此复杂环境下表现出略低的精度。
{VINS-Fusion（单目+IMU）}：由于单目无法恢复绝对尺度，对于长走廊，相似特征下，即使有关键帧策略，相似的特征有相似的关键帧，视差小，容易造成尺度漂移，如图所示。
{VINS-Fusion（双目+IMU）}:双目由于可以直接通过视差获得绝对尺度，故鲁棒性和精确性在此环境下较单目版本高。而且可以看出比双目DSO精度略高。
J.J. Lim, H. Pirsiavash, and A. Torralba. Parsing IKEA objects: Fine pose estimation[J]. In Intl. Conf. on Computer Vision (ICCV), 2013,46(7)2992–2999
VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator, Tong Qin, Peiliang Li, Zhenfei Yang, Shaojie Shen, IEEE Transactions on Robotics
H Zhou.StructSLAM: Visual SLAM With Building Structure Lines - IEEE Xplore,2015
Stefan Leutenegger, Paul Timothy Furgale, Vincent Rabaud, Margarita Chli, Kurt Konolige, Roland Siegwart. Keyframe-Based Visual-Inertial SLAM using Nonlinear Optimization. In Proceedings of Robotics: Science and Systems, 2013
Christian Forster, Luca Carlone, Frank Dellaert, Davide Scaramuzza，On-Manifold Preintegration for Real-Time Visual-Inertial Odometry[J],IEEE Transactions on Robotics,2016,45(3)334-353
AI Mourikis,A Multi-State Constraint Kalman Filter for Vision-aided Inertial Navigation Anastasios I. Mourikis and Stergios I. Roumeliotis.
Mingyang Li and Anastasios I. Mourikis，High-Precision, Consistent EKF-based
Visual-Inertial Odometry，IJRR2012
Canny, J., A Computational Approach To Edge Detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(6):679–698, 1986.
https://zhuanlan.zhihu.com/p/46560299
感谢网友biubiubiu提的建议
