基于改進關鍵幀選擇的RGB-D SLAM算法

李 弋 星，劉 士 榮，仲 朝 亮，王 堅

(杭州電子科技大學 自動化學院， 浙江 杭州 310018 )

基于改進關鍵幀選擇的RGB-D SLAM算法

李 弋 星，劉 士 榮*，仲 朝 亮，王 堅

(杭州電子科技大學 自動化學院， 浙江 杭州 310018 )

關鍵幀選擇是提高視覺SLAM(simultaneous localization and mapping)算法精度及實時性的重要因素．關鍵幀常以圖像的幀間相對運動距離為選擇依據．該方法雖簡單有效，但實時性、魯棒性較差且容易產生大量冗余關鍵幀．針對上述問題，提出一種改進的關鍵幀選擇算法．該算法整合了幀間相對運動距離、幀間特征點跟蹤以及最小視覺變化來選擇關鍵幀并刪除冗余關鍵幀．基于該算法，結合具有較好方向和光照不變性的ORB(oriented FAST and rotated BRIEF)特征，實現了RGB-D SLAM算法．在RGB-D數據集上的實驗表明，改進的關鍵幀選擇算法能夠更精準、及時地選擇關鍵幀，并在減少RGB-D SLAM中冗余關鍵幀的同時提高算法的實時性、建圖和定位精度．

關鍵幀選擇；冗余關鍵幀刪除；ORB特征；RGB-D SLAM

0 引 言

近年來，機器人三維同時定位與建圖(3D SLAM)問題已經成為機器人領域研究的熱點[1]．相較于二維SLAM，三維SLAM能夠更好地利用環境的三維屬性，描述出環境中物體的空間幾何外形，對機器人在未知環境中的導航具有重要的意義[2]．得益于視覺傳感器信號探測范圍寬、信號獲取內容全、價格低廉等特點，國內外學者對VSLAM[3](visual SLAM)進行了大量研究，包括LSD SLAM[4]、ORB-SLAM[5]、RGB-D SLAM[6]等．

TUM(Technische Universit?t München)計算機視覺組提出的LSD SLAM直接利用單目相機實現三維SLAM．不同于ORB-SLAM采用特征點進行幀間匹配，LSD SLAM采用直接法，根據灰度圖強度(image intensities)進行幀間匹配和建圖，實現了大規模環境下的準確定位與建圖．ORB-SLAM利用ORB特征完成SLAM中的所有任務：跟蹤、建圖、重定位和環形閉合檢測．在室內、室外以及大規模環境下，ORB-SLAM有較好的魯棒性和實時性．與LSD SLAM使用單目相機通過三角測量方法恢復環境深度相比，RGB-D相機(如微軟公司的Kinect)能夠在捕獲RGB圖像的同時獲得每一個像素的深度信息，很大程度上簡化了利用三角測量方法獲取深度信息的過程．基于上述優點，德國弗萊堡大學Endres等[6]提出了RGB-D SLAM算法，使用視覺傳感器Kinect 作為唯一傳感器對周圍環境進行三維建圖．實驗證明，RGB-D SLAM算法能快速建圖并具有很好的魯棒性．

在VSLAM中，通常使用關鍵幀進行建圖和定位，這樣可以避免因逐幀插入導致系統實時性降低、計算代價增加、系統內存消耗過大的問題．迄今為止，根據幀間相對運動距離來選擇關鍵幀是VSLAM最常用的方法[7]．該方法雖簡單有效，但精度低、實時性差．同時該方法往往直接將已選擇的關鍵幀全部儲存[1,6]，導致VSLAM算法后期存在大量冗余關鍵幀．本文針對上述問題，首先提出一種結合幀間相對運動距離、特征點跟蹤以及最小視覺變化的關鍵幀選擇算法，以便更加及時、準確地插入關鍵幀．然后通過關鍵幀之間的圖像可跟蹤點進行二次判斷，刪除冗余關鍵幀．最后基于改進的關鍵幀選擇算法，結合具有較好方向和光照不變性的ORB特征，實現RGB-D SLAM算法．

1 RGB-D SLAM算法框架

本文通過基于圖(graph-based)的方法實現RGB-D SLAM算法．該算法主要由前端(front-end)、后端(back-end)、地圖構建3部分組成，如圖1所示．前端又叫位姿圖構建；后端又叫圖優化，用以優化全局位姿圖.

圖1 RGB-D SLAM的算法框架Fig.1 The overview of RGB-D SLAM algorithm

1.1 圖構建

圖構建主要包括特征檢測與匹配、運動估計、關鍵幀選擇與冗余關鍵幀刪除以及環形閉合檢測4部分．

常用的特征點包括SIFT[8]、SURF[9]、FAST[10]等．考慮到SLAM對實時性的要求，采用ORB[11]特征進行特征檢測與提取．ORB特征由Rublee等[11]于2011年提出，其計算速率更快、精度更高且具有更好的魯棒性(尺度和旋轉不變性)．對于ORB特征，采用BruteForceMatcher結合漢明距離進行匹配．由于圖像匹配后會包含大量誤匹配對，采用隨機采樣一致性算法(RANSAC)[12]并利用RGB-D相機提供的深度信息對初匹配結果進行采樣，從而剔除外點(outliers)、抑制噪聲并利用正確的匹配對計算幀間匹配的內點(inliers)、旋轉向量和平移向量；然后根據旋轉向量和平移向量進行運動估計，計算出幀間相對運動距離；再結合特征點跟蹤和最小視覺變化進行關鍵幀選擇，之后通過關鍵幀之間的圖像可跟蹤點進行二次判斷，刪除冗余關鍵幀；最后，再次利用RANSAC算法進行局部環形閉合檢測和全局環形閉合檢測，用以檢索當前場景是否重復出現，從而完成SLAM算法前端的所有環節．

1.2 圖優化

完成圖構建后，通過優化位姿圖可以求解相機的最優位姿．常用的圖優化方法包括非線性最小二乘法[13]、基于松弛的優化方法[14]、基于隨機梯度下降法[15]以及流形優化方法[16]．非線性最小二乘法、基于松弛的優化方法和基于隨機梯度下降法都是在歐氏空間中進行優化，但機器人的真實位姿變化卻是在非歐氏空間中的．為了防止歐氏空間中奇異值的出現，使用四元數來表示機器人的位姿變化并在流形空間中進行優化．這樣不僅克服了歐氏空間中產生奇異值的問題，還可取得更高的精度．本文具體采用g2o進行后端優化．g2o是Kümmerle等[16]提出能用于流形優化的開源工具，可以大大提高開發效率．

1.3 地圖構建

三維環境地圖有很多表示方法，本文采用3D點云地圖和3D OctoMap[17]來建圖．3D點云地圖能夠清晰直觀地表示環境信息，但存在大量冗余點且系統內存占用較大，不適合在大規模環境以及終生SLAM(life-long SLAM)算法中使用．3D OctoMap克服了點云地圖上述缺點，在表示地圖的同時占用少量的內存．此外，3D OctoMap能夠更加直觀地表示環境中的占用、空閑和未知區域，更有利于機器人導航和路徑規劃．

2 關鍵幀選擇算法

2.1 常用關鍵幀選擇算法

當前端完成圖像匹配后，利用RGB-D相機提供的各像素深度信息和RANSAC算法，可計算出幀間旋轉向量r和平移向量t，從而求解幀間相對運動距離：

(1)

以D為判斷依據，常用關鍵幀選擇算法如下：

①若Dmin≤D≤Dmax，則Framecurr=Framekey；

②若D

③若D>Dmax，則Framecurr≠Framekey

其中，當前幀為Framecurr，關鍵幀為Framekey，兩幀之間的最小運動距離為Dmin，兩幀之間的最大運動距離為Dmax．條件②說明兩幀之間運動距離較近，變化較小；條件③說明兩幀之間運動距離較遠，變化較大．以上兩種情況均說明當前幀不是關鍵幀．

除此之外，還可以結合RANSAC算法中Inliers來選擇關鍵幀．該算法雖然結合了D和Inliers來判斷是否選擇關鍵幀，但仍不能很好地滿足SLAM算法對實時性、魯棒性和精度的要求．在一些相機旋轉或抖動的特殊情況下仍會出現判斷錯誤甚至關鍵幀丟失的現象．對于終生SLAM算法來說，由于沒有判定冗余關鍵幀，還會導致系統存儲大量冗余的關鍵幀，使計算和存儲負荷不斷增大．

為了克服常用關鍵幀選擇存在的不足，本文提出選擇關鍵幀后，檢測冗余關鍵幀，并將其刪除．

2.2 改進關鍵幀選擇算法

2.2.1 關鍵幀的選擇 對D加以限制，能確保幀間運動距離在一定的范圍內，對Inliers加以限制，能夠確保相鄰圖像之間有足夠的匹配精度．而特征點跟蹤能夠保證幀間的相關性，提高建圖的一致性．本文提出最小視覺變化概念．最小視覺變化是指兩幀圖像之間存在足夠小但又滿足需求的運動變化，包括運動距離最小變化和幀間旋轉角度最小變化．最小視覺變化能夠提高幀間匹配精度，保證幀間相關性及建圖的一致性．

為此，在常用關鍵幀選擇算法中引入了特征點跟蹤和最小視覺變化作為關鍵幀判斷依據．該算法偽代碼描述如下：

If (環形閉合檢測空閑)or(距KeyframeL插入后又經過了z個幀)Then

If(Inliers>Inliersmin)Then

If(Dmin≤D≤Dmax)Then

If(Track(Framecurr-1,Framecurr)>α)Then

If(Match(KeyframeL,Framecurr)>β)Then

選擇關鍵幀

EndIf

EndIf

EndIf

EndIf

EndIf

在上述算法中，Inliersmin為最少內點數，Framecurr為當前幀，Framecurr-1為上一幀，KeyframeL為最新插入的關鍵幀，α、β、z為可調參數．Track(Framecurr-1,Framecurr)用以計算Framecurr與Framecurr-1之間跟蹤到的特征點個數，Match(KeyframeL,Framecurr)用以計算Framecurr與KeyframeL之間匹配的特征點個數占KeyframeL特征點個數的比例．

首先，判定是否插入關鍵幀，即在不進行環形閉合檢測時，插入關鍵幀能夠保證環形閉合檢測的準確率、有效性．在距KeyframeL插入后檢測到第z個非關鍵幀時插入關鍵幀，能夠確保在建圖空閑時插入，提高關鍵幀的檢測效率．

其次，利用幀間相對運動距離D以及內點數Inliers對關鍵幀進行篩選．例如，算法語句If (Track(Framecurr-1,Framecurr)>α) Then用來對相鄰幀間特征點進行跟蹤．條件Track(Framecurr-1,Framecurr)>α說明幀間相關性強、匹配度高，將Framecurr作為候選關鍵幀，從而避免關鍵幀丟失．

最后，以最小視覺變化進行判定，檢測Framecurr與KeyframeL之間跟蹤到的特征點個數．當Match(KeyframeL,Framecurr)>β時，說明新插入的關鍵幀與當前幀之間有足夠運動距離，幀間旋轉角度滿足要求且匹配度高，將Framecurr選定為關鍵幀，并在位姿圖中插入該幀．

2.2.2 冗余關鍵幀的刪除 大部分關鍵幀算法都不會檢測冗余關鍵幀，但檢測冗余關鍵幀并將其刪除不僅能在很大程度上保證SLAM算法構建地圖的一致性，還能減少關鍵幀的數量和占用的系統存儲空間．這對于需要檢測環境變化并對地圖進行持續更新和維護的終生SLAM算法，具有重大意義．

本文通過比較相鄰n個關鍵幀圖像間的可跟蹤特征點進行關鍵幀的二次判斷．冗余關鍵幀具體檢測方法如下：

①Track(Keyframecurr-1,Keyframecurr)>ε；

②重復上述比較方法；

③Track(Keyframecurr-n,Keyframecurr)>ε；

④如果以上判別式均成立，Keyframecurr為冗余關鍵幀，將其刪除．

上述檢測方法中，Keyframecurr-1,…,Keyframecurr-n為Keyframecurr之前的n個關鍵幀，Keyframecurr為當前關鍵幀，Track(Keyframecurr-n,Keyframecurr)用以計算Keyframecurr與Keyframecurr-n之間匹配的特征點個數．

當Keyframecurr上占比ε(ε>70%)的特征點能夠在Keyframecurr-n上檢測到時，說明Keyframecurr相對于之前的n個關鍵幀的運動尺度過小，Keyframecurr為冗余關鍵幀，刪除Keyframecurr．這種方法本質上是關鍵幀的局部刪除，由于是在已選擇的關鍵幀中進行二次判斷，在減少關鍵幀數量的同時提高了建圖和定位精度．

3 實驗研究

所有實驗均在Ubuntu 12.04環境下完成，計算機CPU為2.0 GHz Intel i5,運行內存為3 GB．實驗數據來自于RGB-D數據集——TUM RGB-D Benchmark[18]和NYU RGB-D Datasets[19]．其中，coffee來自于NYU RGB-D Datasets，fr1_xyz和long_office_household(loh)來自于TUM RGB-D Benchmark．實驗分別比較了常用關鍵幀選擇算法(僅以D、Inliers為關鍵幀選擇依據)、改進關鍵幀選擇算法(包含冗余關鍵幀)、改進關鍵幀選擇算法(刪除冗余關鍵幀)對RGB-D SLAM實時性、建圖和定位精度以及關鍵幀數量的影響．

3.1 RGB-D SLAM實時性分析

實時性對任何SLAM來說都是重要的性能評價指標．表1比較了ORB、SIFT和SURF特征在同一數據集下的實時性和匹配精度．從表1可知，ORB特征檢測時間約為SIFT和SURF特征的1/10，且匹配時間遠遠少于SIFT和SURF特征．同時，ORB特征的匹配精度為SIFT和SURF特征的2倍以上．顯然ORB特征在檢測和匹配速率上都比其他特征更快且精度更高．

表1 ORB、SIFT和SURF特征實時性和匹配精度比較Tab.1 Comparison of ORB, SIFT and SURF features in terms of real-time and matching precision

在使用ORB特征的基礎上，3種關鍵幀選擇算法對RGB-D SLAM實時性的影響結果如表2所示．從表2可知，無論是否刪除冗余關鍵幀，改進的關鍵幀選擇算法都可以減少系統運作時間，提高實時性．特別是在場景loh中，由于數據較多，基于刪除冗余關鍵幀的改進算法的實時性尤為顯著．

表2 RGB-D SLAM中3種關鍵幀選擇算法實時性比較Tab.2 Comparison of three key-frame selection algorithms in terms of real-time in RGB-D SLAM

3.2 RGB-D SLAM建圖和定位精度分析

圖2為3種關鍵幀選擇算法構建的3D點云地圖．顯然，圖2(a)、(b)中存在大量漂移點，場景中房屋、桌子和人的輪廓都不夠清晰．由于場景中存在動態行人，前兩種關鍵幀選擇算法都不能很好地構建人所經過區域的局部地圖．與圖2(a)、(b)相比，圖2(c)中的漂移點和冗余點較少，房屋、桌子和人的輪廓很清晰．并且人在移動過程中未被遮擋時的圖像也可以清晰顯示．由此可見，刪除冗余關鍵幀改進算法構建的3D點云地圖比其他兩種算法精度更高．

(a) 關鍵幀選擇算法

(b) 包含冗余關鍵幀改進算

(c) 刪除冗余關鍵幀改進算法

圖2 3種關鍵幀選擇算法構建的3D點云地圖
Fig.2 3D pointcloud map constructed by three key-frame selection algorithms

圖3(a)為TUM計算機視覺組利用運動視覺捕捉系統記錄的攝像頭在該場景下真實且連續的軌跡，圖3(b)、(c)、(d)分別為fr1_xyz場景下常用關鍵幀選擇算法、刪除冗余關鍵幀改進算法以及包含冗余關鍵幀改進算法計算的軌跡．各關鍵幀選擇算法生成軌跡是非連續的，且與真實運動軌跡(ground truth)間存在旋轉和平移關系，所以并未將所有軌跡統一到一個坐標系中．可以看出，圖3(c)中刪除冗余關鍵幀改進算法對應的運動軌跡奇點較少，與真實軌跡更加一致．

(a) 軌跡1

(b) 軌跡2

(c) 軌跡3

(d) 軌跡4

圖3 真實運動軌跡與3種關鍵幀選擇算法的實際運動軌跡
Fig.3 Ground truth and actual trajectory of three key-frame selection algorithms

對于定位精度[18]，采用實際運動軌跡與真實運動軌跡間的均方根誤差(root mean square error,Erms)進行比較．Erms越小，精度越高，計算式如下：

(2)

表3比較了3種關鍵幀選擇算法對應的Erms．從表3可知，在不同實驗數據下，改進關鍵幀選擇算法(刪除冗余關鍵幀)的Erms最小，約為常用關鍵幀選擇算法的1/2，從而表明該算法的定位精度最高．

3.3 RGB-D SLAM關鍵幀數量分析

本文通過對相鄰兩關鍵幀(n=2)進行二次判斷來刪除冗余關鍵幀．圖4比較了不同數據集下3種關鍵幀選擇算法計算的關鍵幀數量N．很顯然，改進關鍵幀選擇算法(刪除冗余關鍵幀)的關鍵幀數量遠遠小于其他兩種算法．當RGB-D SLAM算法在大規模環境loh中使用時，這種差異尤為明顯，其計算的關鍵幀數量約為常用關鍵幀選擇算法的一半．

表3 RGB-D SLAM中3種關鍵幀選擇算法定位精度的比較Tab.3 Comparison of localization accuracy of three key-frame selection algorithms in RGB-D SLAM

圖4 不同數據集下3種關鍵幀選擇算法計算的關鍵幀數量
Fig.4 The number of key-frame calculated by three key-frame selection algorithms under different datasets

3.4 實驗結果分析

從上述實驗中可以發現，引入刪除冗余關鍵幀方法的改進關鍵幀選擇算法在實時性、建圖和定位精度方面性能較其他兩種算法更好．在加入 “當前環形閉合檢測空閑或距KeyframeL插入后又經過了z個幀”條件且未刪除冗余關鍵幀時，改進算法中關鍵幀數量略多于常用關鍵幀選擇算法中的數量．但是在加入刪除冗余關鍵幀的方法后，改進算法中的關鍵幀的數量就會有所下降．特別是在大規模環境中，基于刪除冗余關鍵幀的改進算法中的關鍵幀數量更是大幅下降．

實驗過程中，當可調參數設置不準確時會出現地圖重影、定位有奇異值等現象．對于不同的數據集，文中提到的這些參數最優取值范圍往往需要通過大量的實驗反復測試才能確定．

一般情況下，Inliersmin、Dmin和Dmax可以通過相鄰兩幀圖像之間的匹配情況以及算法實際所需精度來確定：Inliersmin越大，Dmin和Dmax的范圍越小，關鍵幀的選取條件就越嚴格，在一定程度上會提高定位和建圖的精度但也會增加系統的計算代價．

α表示Framecurr與Framecurr-1之間跟蹤到的特征點個數，α越大表明可跟蹤的特征點個數越多，兩幀圖像匹配度越高．由于在Track(Framecurr-1,Framecurr) 之前已經使用常用關鍵幀選擇算法進行了一次關鍵幀的篩選且還需為后續環節留有足夠的候選關鍵幀，所以此時α在50～100為宜．β表示Framecurr與KeyframeL之間匹配的特征點個數所占KeyframeL特征點個數的比例．β越大表明Framecurr與KeyframeL之間的相關性越高．為了防止關鍵幀丟失以及滿足最小視覺變化原則，β在85%～95%為宜．對于α、β，均不能因精度要求而選擇過大，這樣不僅會導致候選關鍵幀數量不足，還會增加計算量，降低算法實時性．設參數d表示幀間間隔空隙．d過小會頻繁插入關鍵幀，在增加計算負荷的同時降低建圖的精度甚至出現定位和環形閉合檢測錯誤的現象；d過大則不能充分利用系統資源合理進行計算．一般情況下，d在20～30為宜．設參數k表示關鍵幀刪除時需檢測的關鍵幀個數，該參數可隨著環境規模的增加適當增加．考慮到整個算法的實時性，k在2～4即可滿足刪除冗余關鍵幀的需求．

4 結 語

本文提出的改進關鍵幀選擇算法不僅在一定程度上解決了常用關鍵幀選擇算法魯棒性較差、精度較低的問題，還通過刪除冗余關鍵幀的方法減少了關鍵幀數量．整體上，本文提出的關鍵幀選擇算法在及時、準確地插入關鍵幀的同時，提高了RGB-D SLAM算法的實時性、建圖和定位精度．

[1]GARCIA-FIDALGO E, ORTIZ A. Vision-based topological mapping and localization methods:A survey [J]. Robotics and Autonomous Systems, 2015, 64:1-20.

[2]CARLONE L, TRON R, DANIILIDIS K,etal. Initialization techniques for 3D SLAM:A survey on rotation estimation and its use in pose graph optimization [J]. Proceedings - IEEE International Conference on Robotics and Automation, 2015, 2015-June:4597-4604.

[3]FUENTES-PACHECO J, RUIZ-ASCENCIO J, RENDN-MANCHA J M. Visual simultaneous localization and mapping:a survey [J]. Artificial Intelligence Review, 2012, 43(1):55-81.

[4]ENGEL J, SCH?PS T, CREMERS D. LSD-SLAM:Large-scale direct monocular SLAM [J]. Lecture Notes in Computer Science, 2014, 8690 LNCS(part 2):834-849.

[5]MUR-ARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM:a versatile and accurate monocular SLAM system [J]. IEEE Transactions on Robotics, 2015, 31(5):1147-1163.

[6]ENDRES F, HESS J, STURM J,etal. 3D mapping with an RGB-D camera [J]. IEEE Transactions on Robotics, 2014, 30(1):177-187.

[7]KLEIN G, MURRAY D. Parallel tracking and mapping for small AR workspaces [C] // 2007 6th IEEE and ACM International Symposium on Mixed and Augmented Reality, ISMAR. Piscataway:IEEE Computer Society, 2007:4538852.

[8]LOWE D G. Distinctive image features from scale-invariant keypoints [J]. International Journal of Computer Vision, 2004, 60(2):91-110.

[9]BAY H, TUYTELAARS T, VAN GOOL L. SURF:Speeded up robust features [J]. Lecture Notes in Computer Science, 2006, 3951 LNCS(1 of 4):404-417.

[10]ROSTEN E, DRUMMOND T. Machine learning for high-speed corner detection [J]. Lecture Notes in Computer Science, 2006, 3951 LNCS(1 of 4):430-443.

[11]RUBLEE E, RABAUD V, KONOLIGE K,etal. ORB:An efficient alternative to SIFT or SURF [C] // 2011 International Conference on Computer Vision, ICCV 2011. Piscataway:IEEE, 2011:2564-2571.

[12]FISCHLER M A, BOLLES R C. Random sample consensus:a paradigm for model fitting with applications to image analysis and automated cartography [J]. Communications of the ACM, 1981, 24(6):381-395.

[13]DELLAERT F, KAESS M. Square root SAM:Simultaneous localization and mapping via square root information smoothing [J]. International Journal of Robotics Research, 2006, 25(12):1181-1203.

[14]FRESE U, LARSSON P, DUCKETT T. A multilevel relaxation algorithm for simultaneous localization and mapping [J]. IEEE Transactions on Robotics, 2005, 21(2):196-207.

[15]GRISETTI G, STACHNISS C, GRZONKA S,etal. A tree parameterization for efficiently computing maximum likelihood maps using gradient descent [C]// Robotics:Science and Systems. Cambridge:MIT Press Journals, 2008:65-72.

[16]KüMMERLE R, GRISETTI G, STRASDAT H,etal. G2o:A general framework for graph optimization [C] // 2011 IEEE International Conference on Robotics and Automation, ICRA 2011. Piscataway:IEEE, 2011:3607-3613.

[17]HORNUNG A, WURM K M, BENNEWITZ M,etal. OctoMap:An efficient probabilistic 3D mapping framework based on octrees [J]. Autonomous Robots, 2013, 34(3):189-206.

[18]STURM J, ENGELHARD N, ENDRES F,etal. A benchmark for the evaluation of RGB-D SLAM systems [C] // 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2012. Piscataway:IEEE, 2012:573-580.

[19]SILBERMAN N, FERGUS R. Indoor scene segmentation using a structured light sensor [C] // 2011 IEEE International Conference on Computer Vision Workshops, ICCV Workshops 2011. Piscataway:IEEE, 2011:601-608.

RGB-D SLAM algorithm based on improved key-frame selection

LI Yixing,LIU Shirong*,ZHONG Chaoliang,WANG Jian

(School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China )

The key-frame selection is an important factor to improve the accuracy and real-time of visual SLAM algorithm. The key-frame selection is often based on the relative motion distance of the images. This method is simple and effective, but with poor real-time and robustness, and is easy to generate a large number of redundant key-frames. Aiming at the above problems, an improved key-frame selection algorithm is proposed. The algorithm incorporates the distance of relative motion of the frames, the feature points tracking and the minimum visual change to select a key-frame and delete the redundant key-frames. Based on this algorithm, combined the ORB (oriented FAST and rotated BRIEF) features with better direction and illumination invariant, the RGB-D SLAM algorithm is implemented. Experiments on RGB-D datasets indicate that the improved key-frame selection algorithm can be more accurate, timely in selecting key-frames, and improve the real-time and the accuracy of mapping and localization while reduce the redundant key-frames.

key-frames selection; redundant key-frames deletion; ORB feature; RGB-D SLAM

1000-8608(2017)04-0411-07

2016-12-30；

2017-05-26．

國家自然科學基金資助項目(61175093).

李弋星(1992-)，女，碩士生，E-mail:yixing_li_323@163.com；劉士榮*(1952-)，男，教授，博士生導師，E-mail:liushirong@hdu.edu.cn.

TP242

A

10.7511/dllgxb201704012