Real-Time RGB-D SLAM with Points and Lines

本文提出了一种结合点特征和线性特征的实时RGB-D SLAM方案。通过改进特征点提取方法，有效避免了光度变化对定位效果的影响。系统将特征点和线性特征分别处理，并结合ORB和LSD方法进行提取。在跟踪过程中，通过BA优化进一步提升精度。该方案在保证实时性的同时，显著提高了定位和匹配的鲁棒性。

Real-Time RGB-D SLAM with Points and Lines

• Abstract: 摘要部分
• Introduction: 引言部分
• System Overview: 系统概述部分
• Methods in Tracking Procedure: 跟踪过程中的方法论
• Experiments: 实验分析
• Conclusions: 总结部分

Abstract

一种基于特征点和线性特征信息的实时RGBD-SLAM方案，在特征点提取过程中通过改进措施有效抑制了光度变化对定位效果的干扰。

Introduction

该研究深入探讨了视觉SLAM的发展历程，揭示了基于特征点类型的方案在较少语义和较多光度变化的场景中效果欠佳。针对原ORB-SLAM算法，我们进行了改进，通过改进ORB特征点提取方案，有效降低了光度变化对其性能的影响。

System Overview

本文所提出的系统将线性特征信息和特征点划分为两个线程进行处理，并对特征点提取方式进行优化，以降低光度变化对跟踪效果的负面影响。

Methods in Tracking Procedure

A.Point Feature
特征点信息的提取方法基于ORB算法。为了解决特征点匹配精度受光照变化影响的问题，在特征点角度的求解过程中，将质心替换为光度最小值，从而有效避免了光度信息对匹配精度的负面影响。此外，由于图像块对应的质心会受到整体光度信息的影响，因此需要将锚点精确定位到一个标定的点。

B.Line Feature
线性特征信息的提取采用LSD算法。通过计算端点在空间中的欧氏距离，可以判断两条线段是否成功匹配。

C.Stability of Points and Lines
在特征信息处理过程中，对存在不合理特征的数据进行剔除处理。

D.Information Matrix of Bundle Adjustment
通过Bundle Adjustment（BA）算法对优化后的结果进行进一步优化处理。

Experiments

Conclusions

本研究提出了一种融合线性特征信息与点特征信息的视觉SLAM方法。在特征点提取过程中，本方案通过改进方法有效缓解了光照变化对提取效果的负面影响。同时，本方案采用了AGAST算法替代FSAT。为确保系统的实时性需求，本方案采用了将特征点与线性特征分别编入两个独立线程的方式进行处理。