azure kinect三维点云_基于Kinect的室内空间三维地图构建与优化研究

摘要

搭建精确地三维地图是机器人应用的重点问题，采用机器人自身所具有的传感器对未知环境开展三维地图创建，实现自身的定位与实时导航等，已经成为人们所研究的热点问题。本文针对三维地图创建时具有的鲁棒性与实时性不足等问题，设计一种基于图像特征点的三维地图创建模式。首先分析Kinect获取的RGB数据，进行误匹配数据的删除，降低系统匹配算法的迭代次数，利用Kinect深度数据得到对应特征点具有的位置与姿态；其次通过ICP算法迭代得到刚体变换矩阵具有的精确配准操作，获取室内真实场景之下具有的三维地图；最后引入基于T ORO图优化算法的检测模式，开展具体的仿真，分析其有效性。

关键词：三维地图；Kinect；鲁棒性；闭环检测

Construction and optimization of indoor space three-dimensional map based on Kinect

Qinyang

(School of Computer Science, Xi'an University of Engineering, Yan'an 716000, Shaanxi Province)

abstract

Establishing an effective three-dimensional map is the key to the application of robots nowadays. How to create a three-dimensional map of unknown environment through the sensors of robots themselves and realize their own positioning and real-time navigation has become a hot issue of research. Aiming at the problem of insufficient robustness and real-time in creating three-dimensional map, this paper designs a three-dimensional map creation model based on image feature points. Firstly, the RGB data acquired by Kinect are analyzed to delete the mismatched data and reduce the iteration times of the system matching algorithm. Then, the position and attitude of the corresponding feature points are obtained by using the depth data of Kinect. Secondly, the accurate registration operation of the rigid body transformation matrix is obtained by iteration of the ICP algorithm, and the real indoor scene is obtained. Finally, the detection mode based on TORO graph optimization algorithm is introduced to carry out specific simulation and analyze its effectiveness.

Key words: three-dimensional map; Kinect; robustness; Closed-loop Detection

1.特征点分析与匹配检测

1.1特征点检测与分析

目前常用的特征检测方法有SUSAN、SURF等几种模式，不过因为SURF方案在尺度与旋转层面具有不变的特征，计算效率比较高，因此本文研究的是基于SURF算法开展特征点的匹配^[1]。

SURF算法利用Hessian矩阵分析的模式，利用作为具体的积分函数，为此对于Hessian可以表示为：

1.2特征点匹配检测分析

通过SURF的方法开展具体匹配的步骤为，通过快速索引匹配的模式对特征点开展筛选操作，之后利用最近邻匹配如下式所示的模式开展分析。对于一个具体阀值计算，其临近与最近点具有欧式距离比，在具体比值范围内就是可以采用，其他的点需要丢弃。

2.三维位置与姿势位置的估计

2.1依据RANSAC剔除误匹配点

本文研究的移动机器人对三维空间内部的位置与姿态的计算模式，通过Kinect传感器模块具有的色彩匹配开展特征点分析，获取其中具有的深度数据，通过坐标变换后得到对应的三维坐标，为此含有的对应三维点数据集，假设为：

··N，

为此得到的三维点数据满足于刚体变化模式为，所以得到的三维位置与实际姿态的转化矩阵模式Rt进行求解分析^[3]。本文采用的是RANSAC算法，首先对误差匹配开展删除操作。

2.2基于图像特征点的ICP算法

通过上文分析可以看出，本次的研究将机器人三维位置与姿态的分析问题转换为对旋转矩阵R以及平移矩阵t的求就解问题，对于完成其误匹配删除的基础上，采用的是ICP算法对于二者开展求解分析。ICP算法的核心是寻找欧式距离最近的两个三维点集及对应的匹配点，采用求解二者刚体转换关系通过最小二乘法计算两个点集之间的偏移误差关系，重复其迭代操作，最后使得两个点集满足于一定量准则之下的最佳匹配模式。

经过上述的操作之后最小均方差为，使得源点集{Oi}更加的接近目标点集{Si}，经过不断的迭代使得ICP的算法更加的收敛^[4]。

3.闭环检测与地图的优化

本文通过TORO算法开展位置与姿态闭环的检测，TORO算法采用的是目前观测数值相对于位置与姿态同相机的全局位置与姿态关系树，采用迭代随机梯度下降的方法进而实现高维度的最优化问题，其具有的误差函数为：

其中的T表示相机位置预制姿态的描述几何，表示不同时刻相机位置与姿态之间观测相对性矩阵；Tij为不同时刻相机的相对位置与姿态；e(Ti，Tj，Tij)是不同时刻位置与姿态观测值与预测值之间的误差，也就是闭环的误差。在e(Ti，Tj，Tij)=0的时候，表示从i到j时刻相机的位置与姿态估计满足闭环的调节操作，为此相机位置与姿态偏移是不存在的。

4.仿真结果与分析

4.1室内环境的三维地图创建

为针对本文设计的算法开展仿真分析，检测算法具有的科学性与有效性，实验是在真实的环境下实时在线开展三维点云的地图创建，为保证具有较高的鲁棒性，仿真的时候对于机器人开展速度的设计与匹配操作，假设移动的速度为V数值是0.2m/s，角速度W为0.52rad/s。通过试验我们可以看出，利用本文所研究的方法所创建的室内环境三维地图具有的轮廓是较为清晰与光滑的，同真实的环境差异不大，具有较好的三维重建的效果。

4.2闭合环路的检测

在分析搭建的闭环检测算法通过分析是科学与有效的，通过具体实验验证证明闭环检测具有的科学性与有效性，对其具有的离线数据操作之后可以得到室内三维的立体信息，在120帧的外界环境下其内部色彩图像数值为650*480。通过试验分析结果得出，在系统模块的闭合位置开展三维点云数据分析，可以得到真实环境之下具有的三维点云的实际地图。

总结

通过本文的研究，主要提出与验证了依据图像特征点的三维点云地图的创建模式，通过RANSAC保证系统算法具有的精确程度，降低了系统模块计算所花费的时间与繁琐程度，提升了算法的精确度，尤其是增加的闭环检测模块，使得系统的误差大幅度降低，满足于实际的需求。

参考文献

[1]张毅, 陈起, 罗元. 基于Kinect传感器的三维点云地图构建与优化[J]. 半导体光电, 2016, 37(5).

[2]张毅, 汪龙峰, 余佳航. 基于深度信息的移动机器人室内环境三维地图创建[J]. 计算机应用, 2014, 34(12):3438-3440.

[3]Hellwich O . Automatic registration of unordered point clouds acquired by Kinect sensors using an overlap heuristic[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102:96-109.

[4]Kumar T K S . An evaluation of spatial mapping of indoor environment based on point cloud registration using Kinect sensor[C]// International Conference on Control Communication & Computing India. IEEE, 2016.