Для автономного транспорта важно решить задачу автономной навигации. Один из методов автономной навигации – это SLAM (simultaneous localization and mapping), который в зависимости от типа используемых сенсоров бывает: визуальным, визуально-инерциальным, лидарным, радарным, RGBD и др.

Сегодня особый научный и практический интерес представляют методы визуально-инерциального SLAM (viSLAM) [1, 2], которые делятся на прямые и непрямые. Для непрямых методов viSLAM принципиально важна точность триангуляции трехмерных координат точек [3], а она в свою очередь зависит от точности работы детекторов ключевых точек [4].

Мы провели сравнительный анализ точности наиболее перспективных методов детектирования ключевых точек, как «эвристических» (hand-crafted), так и обучаемых. О наших экспериментах и их результатах расскажем ниже.

Наш подход

Для определения точности выделения ключевых точек мы провели оценку медианных расстояний между точками и соответствующими им эпиполярными линиями для пар изображений с известной взаимной ориентацией.

Чтобы получить такую оценку, мы выполнили следующие шаги:

1) Взяли пары изображений для одной из последовательностей датасета «4-seasons», устранили дисторсию [5]. Выбор данной последовательности был обусловлен желанием протестировать алгоритмы выделения ключевых точек в условиях, приближенных к реальным условиям работы наземного беспилотного транспорта.

2) Взяли соответствующие этим парам изображений значения GT-ориентации (ground-truth).

3) По данным GT-ориентации восстановили фундаментальную матрицу для каждой пары изображений:

где:

K – матрица внутренних параметров камеры:

[t]_×– кососимметричная матрица, получаемая из вектора смещения t = [x, y, z]:

R – матрица поворота;

* – символ матричного перемножения.

def fund(T_cam_cam, mtx):
  shift = T_cam_cam[0:3, 3]
  skew = np.array([[0, -shift[2], shift[1]],[shift[2], 0, -shift[0]],[-shift[1], shift[0], 0]])
  ess = np.dot(skew, T_cam_cam[0:3, 0:3])
  fund = np.dot(np.dot(np.linalg.inv(np.transpose(mtx)),ess),np.linalg.inv(mtx))
  return fund

4) Для каждого из исследуемых методов детектирования ключевых точек выделили точки и вычислили их дескрипторы, где это возможно.

5) Сопоставили выделенные точки для каждой пары изображений.

6) Отфильтровали ложно-отождествленные сопоставления точек при помощи теста Лёва.

def ratio_test(matches, ratio_index):
  good = []
  good_ind0 = []
  good_ind1 = []
  
  for m,n in matches:
    if m.distance < ratio_index*n.distance:
        good.append([m])
        good_ind0.append(m.queryIdx)
        good_ind1.append(m.trainIdx)
  return good, good_ind0, good_ind1

7) Для прошедших фильтр пар точек выполнили two-view refinement [6], чтобы оценить его влияние на точность выделения точек.

8) Для отфильтрованных точек рассчитали эпиполярные линии при помощи фундаментальной матрицы из шага 3.

9) Для прошедших фильтр и уточненных сопоставлений рассчитали целевые метрики – расстояния от точки до ее эпиполярной линии:

где:

def dist_measure(kp, epi_line):
  dist = np.multiply(kp, epi_line)
  dist = np.sum(dist, axis=1, keepdims=True)
  dist = dist/np.linalg.norm(epi_line[:,:2], axis=1, keepdims=True)
  dist = np.abs(dist)
  return dist

10) Для каждого рассмотренного метода детектирования ключевых точек оценили медианное и среднее расстояния от точек до эпиполярных линий – по всем ключевым точкам для всех пар изображений выборки.

Описание экспериментов

Мы выбрали для исследования следующие методы детектирования ключевых точек, признанные как наиболее точные и перспективные на основе анализа работ [7, 8, 9, 10]:

Строго говоря, RLOF не является методом детектирования. Но мы включили его в эксперимент, поскольку этот метод должен с субпиксельной точностью предсказывать для второго изображения положение ключевых точек, выделенных на первом изображении. Выделение ключевых точек на первом изображении выполнили методом SIFT с детектором DOG (difference of Gaussian).

Также отметим, что ORB не входит в число высокоточных методов, на которых мы фокусировались в нашем эксперименте, зато характеризуется высокой скоростью работы. И хотя мы понимали, что ORB должен проигрывать остальным рассмотренным методам по точности, мы все же включили его в эксперимент, поскольку хотели оценить, насколько именно он проиграет.

Для каждого из выбранных методов было проведено по 2 эксперимента:

1) Эксперимент с серией пар изображений с малым межкадровым смещением

Серия содержала 39 изображений, из которых мы сформировали 38 пар. Пары образованы только из соседних изображений, последовательно полученных в процессе съемки, в результате чего смещение между двумя изображениями в паре во всех случаях оказывалось минимальным и составило в среднем примерно 1.6 метра. Пример пары последовательных изображений с малым смещением представлен ниже:

2) Эксперимент серией пар изображений с большим межкадровым смещением

Мы получили данную серию, создав пары из 39 изображений первоначальной серии таким образом, чтобы межкадровое смещение между двумя изображениями вновь образованных пар составляло порядка 20 метров. Для этого мы формировали пары, пропуская каждые 11 изображений первоначальной серии, то есть создали пары из изображений: №0 – №12, №1 – №13, №2 – №14 и т.д. В результате был получен набор из 27 пар изображений. Пример пары последовательных изображений с большим смещением представлен ниже:

Для визуальной оценки распределения ключевых точек мы вывели на изображениях детектированные точки и соответствующие им эпиполярные линии. Ниже представлен пример такой визуализации для всех рассмотренных методов, примененных к паре изображений с большим межкадровым смещением.

Результаты

1) Результаты для серии пар изображений с малым межкадровым смещением:

В этом эксперименте были получены следующие значения расстояний от точек до эпиполярных линий:

Для серии пар изображений с малым смещением метод SIFT показал максимальную точность идентификации ключевых точек, то есть минимальное медианное расстояние от точек до эпиполярных линий.

Также хорошие показатели медианного расстояния дали RLOF и ALIKE. При этом RLOF характеризуется наличием существенных выбросов и худшим среди всех исследованных методов показателем среднего расстояния от точек до эпиполярных линий.

Заметим, что только SIFT и RLOF позволили достичь субпиксельной точности на малой стереобазе.

ORB в данном эксперименте дал худший результат, с почти двукратным превышением медианного расстояния от точек до эпиполярных линий относительно соответствующего показателя лидирующего метода SIFT.

Стоит отметить, что для серии пар изображений с малым смещением two-view refinement не дал положительного эффекта ни для одного из исследованных методов идентификации ключевых точек. Это касается даже метода SIFT, использовавшегося при обучении модели two-view refinement в [6].

2) Результаты для серии пар изображений с большим межкадровым смещением:

По итогам нашего второго эксперимента были получены следующие значения расстояний от точек до эпиполярных линий:

Для серии пар изображений с большим смещением максимальную точность идентификации ключевых точек, то есть минимальное медианное расстояние от точек до эпиполярных линий, дал r2d2. Второе место занял Superpoint.

SIFT, показавший лучший результат в первом эксперименте, оказался лишь третьим для изображений с большим смещением. Его медианное расстояние от точек до эпиполярных линий – в 1.6 раза выше, чему у лидирующего в этом эксперименте метода r2d2.

ALIKE и RLOF, давшие хорошую точность для изображений с малым межкадровым смещением, во втором эксперименте продемонстрировали слабый результат. Их медианные расстояния от точек до эпиполярных линий оказались многократно выше, чем у метода r2d2: в 3 раза выше у ALIKE и в 8 раз – у RLOF, что ожидаемо для любого из методов оптического потока при большой стереобазе.

ORB снова показал самую низкую точность: его медианное расстояние от точек до эпиполярных линий оказалось в 15 раз выше, чем у r2d2.

Отметим, что в эксперименте с серией изображений с большой стереобазой two-view refinement дал некоторое улучшение точности идентификации пар ключевых точек только для метода Superpoint. Для остальных методов two-view refinement оказался неэффективен, хуже всего отразившись на показателях метода r2d2.

Выводы

По результатам наших экспериментов рекомендуем для максимизации точности в отсутствие ограничений на время обработки данных (например, для оффлайн построения карт для беспилотного транспорта, реконструкции 3D-сцен методом SFM) использовать:

• метод SIFT для данных с малым межкадровым смещением;

• метод r2d2 для данных с большим межкадровым смещением.

Источники:

[1] Cheng J et al (2022) A review of visual SLAM methods for autonomous driving vehicles. https://www.sciencedirect.com/science/article/abs/pii/S0952197622001853

[2] Bala JA, Adeshina SA, Aibinu AM (2022) Advances in Visual Simultaneous Localisation and Mapping Techniques for Autonomous Vehicles: A Review. https://pubmed.ncbi.nlm.nih.gov/36433549/

[3] Herrera DC et al (2014) DT-SLAM: Deferred Triangulation for Robust SLAM. https://www.kihwan23.com/papers/3DV14/dtslam_3dv14.pdf

[4] Murphy TC (2022) Examining the Effects of Key Point Detector and Descriptors on 3D Visual SLAM. https://etd.ohiolink.edu/apexprod/rws_etd/send_file/send?accession=ouhonors1461320700&disposition=inline

[5] Wenzel P et al (2020) A Cross-Season Dataset for Multi-Weather SLAM in Autonomous Driving. https://arxiv.org/abs/2009.06364

[6] Dusmanu M,  Schönberger JL, Pollefeys M (2020) Multi-View Optimization of Local Feature Geometry. https://arxiv.org/abs/2003.08348

[7] Revaud J et al (2019) R2D2: Repeatable and Reliable Detector and Descriptor. https://arxiv.org/pdf/1906.06195.pdf

[8] Bojanic D et al (2020) On the Comparison of Classic and Deep Keypoint Detector and Descriptor Methods. https://arxiv.org/pdf/2007.10000.pdf

[9] Zhao X et al (2022) ALIKE: Accurate and Lightweight Keypoint Detection and Descriptor Extraction. https://arxiv.org/pdf/2112.02906.pdf

[10] Senst T, Eiselein V, Sikora T (2012) Robust Local Optical Flow for Feature Tracking. http://elvera.nue.tu-berlin.de/files/1349Senst2012.pdf