Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLAM
2020-09-08 10:43 计算机视觉life 阅读(420) 评论(0) 编辑 收藏 举报Good Feature Matching: Towards Accurate, Robust VO/VSLAM with Low Latency 良好的特征匹配:实现准确、鲁棒的低延迟VO/VSLAM
论文：https://arxiv.org/abs/2001.00714
代码：
单目https://github.com/ivalab/GF_ORB_SLAM
双目https://github.com/ivalab/gf_orb_slam2
摘要
—在VO或VSLAM系统中保持性能（精确度和鲁棒性）和效率（延迟）的取舍是一个重要的课题。基于特征的系统展现了良好的性能，但由于显式的数据关联有更高的时延；直接和半直接系统低时延，但在一些场景不适用，比基于特征的系统精度低。本论文旨在为基于特征的视觉SLAM提高性能效率，提出了一个主动的地图到图像帧的特征匹配算法：特征匹配和一个需要评分的子矩阵选择联系起来，经过仿真，用Max-logDet矩阵评分有最好的表现。对于实时的适用性，调研了线性时间选择（deterministic selection）和随机加速（randomized acceleration）的组合。本文提出的算法用于了基于特征点的单目和双目SLAM系统。在多个数据集的表现可量化地表明不降低鲁棒性前提下可减少时延。
本文的主要结果如上图所示，左图描述了四种VO/VSLAM系统在EuRoC MAV数据集上时延和精度对比，本文提出的GF-ORB-SLAM在左下区域，相比SVO和DSO有着较高精度，且平均延迟比ORB-SLAM低。GF-ORB-SLAM和ORB-SLAM相比，特征提取时间相同，但是它极大减少了特征匹配和接下来的模块的耗时，在四个系统中延迟最低。
本文主要贡献：
- 最小二乘位姿优化误差模型的研究，将位姿优化性能和带权重的雅各比矩阵的谱性质联系起来。
- 将度量指标的探索和位姿优化的最小二乘条件结合起来，选择Max-logDet值最为最优度量。
- 以Max-logDet为度量提出的高效特征选择算法比现有特征选择算法快一个数量级。
- 提出高效的且适用于基于特征点的VO/VSLAM的将特征选择和主动特征匹配结合起来的普适特征匹配算法
- 将提出的特征匹配算法在基于特征的VSLAM系统上用不同数据集，传感器配置和计算平台进行综合分析。结果证明精度和鲁棒性不变下延迟降低。单目和双目版本实现已开源。
在ORB-SLAM上应用该特征匹配算法被称作GF-ORB-SLAM或简称GF，相比于ORB-SLAM它可以减少时延，同时跟踪精度提高（在计算机上）或保持不变（在低功率设备上），鲁棒性不变（如避免跟踪失败）。下图一些单目VO/SLAM系统在EuRoC三个数据集上的时延和精确度关系图，GF的时延和SVO差不多，但精确度比SVO和DSO高一个数量级，精确度保留可以从和ORB-SLAM的其他两个变种Rnd和Long对比看出，GF的曲线更低更平坦。
下图展示了GF算法延迟的减少，它最大特征点数量设为800，和ORB-SLAM相比延迟有更小的方差。
以下为单目算法量化数据对比
下图为在EuRoC双目数据集上运行的延迟和精度曲线
下表为双目算法量化对比
以下表格分别显示在低功率设备上运行时算法的精度和时延数据
欢迎加入公众号读者群一起和同行交流，目前有SLAM、检测分割识别、三维视觉、医学影像、GAN、自动驾驶、计算摄影、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
投稿、合作也欢迎联系：simiter@126.com
长按关注计算机视觉life
