基于改进视觉前端的水下多源SLAM技术.pdf

基于改进视觉前端的水下多源SLAM技术

摘要

随着机器人在水下设备检修、海洋考古、地形测绘、资源管理等任务中发挥出越来

越重要的作用，其中涉及到的水下同步定位与建图（SimultaneousLocalizationandMap-

ping，SLAM）技术也受到了越来越广泛的关注，逐渐成为新一轮的研究热点。然而，在

水下环境实现准确高效的视觉SLAM却存在着众多挑战，如水下环境亮度低、亮度不

均、特征信息少。解决上述问题一个最直接的方法是利用特定设计的水下图像增强算法

来改善视觉SLAM系统图像输入，并设计高效准确的特征提取算法来提高前端视觉里

程计性能。同时，融合多源传感器信息来提高SLAM系统的定位精度与鲁棒性。因此，

本文将研究对象确定为基于改进视觉前端的水下多源SLAM技术，主要的研究内容如

下：

针对亮度低、亮度不均的水下环境，本文研究了基于加权融合的水下视觉图像增强

算法。通过对原始图像分别进行亮度增强与白平衡处理，进一步计算亮度增强与白平衡

处理后水下图像的饱和性权重和显著性权重，最后通过加权融合处理得到增强图像。

为进一步改善视觉前端特征提取效果，本文研究了基于ResNet的特征提取网络。

通过对浅层特征提取网络获得的浅层特征图执行像素重组（PixelShuffle）操作，从而得

到与输入图像分辨率对应的关键点预测。在此基础上，利用预测出的关键点的坐标对描

述子预测网络特征进行选择，通过双线性采样（BilinearSampling）得到初步预测的描述

子。进一步，对初步预测出的描述子进行二值化激活得到最终二进制描述子。

此外，本文研究了基于多源信息的系统初始化、基于多源信息的紧耦合非线性优化

以及基于多源信息的回环检测。通过双目相机信息、IMU信息和深度计信息来实现系统

初始化，通过引入声纳信息、深度计信息来构建基于视觉-声纳-惯性-深度计的紧耦合非

线性优化，从而精确机器人的位姿估计。进一步，建立基于视觉特征信息和深度计绝对

位置信息的拓展词袋模型，构建多源回环检测误匹配剔除机制，实现效果更优的回环检

测。

最后，本文在真实场景数据集上对基于改进视觉前端的水下多源SLAM系统进行

了实验验证与评估，实验结果表明在亮度低、亮度不均、特征信息少的水下环境中，本

文所提基于改进视觉前端的水下多源SLAM系统仍然可以工作。

关键词：水下图像增强；图像特征提取；神经网络；组合导航；水下多源SLAM

基于改进视觉前端的水下多源SLAM技术

ABSTRACT

Asrobotsplayanincreasinglyimportantroleintaskssuchasunderwaterequipment

maintenance,marinearchaeology,topographicmapping,andresourcemanagement,theunder-

watersimultaneouslocalizationandmappingtechnologyisbecomingmoreandmoreimportant.

Ithasreceivedmoreandmoreattentionandhasgraduallybecomeanewroundofresearch

hotspots.However,therearemanychallengesinachievingaccurateandefficientvisualSLAM

inunderwaterenvironments,suchaslowbrightness,unevenbrightness,andlessfeatureinfor-

mation.Oneofthemostdirectwaystosolvetheaboveproblemsistouseaspeciallydesigned

underwateri