中国惯性技术学报杂志投稿格式参考范文：种低照度场景下的视觉定位技术

　　1 引言

　　同步定位与地图构建(SLAM)技术在移动机器人、自动驾驶等领域应用广泛，但现有视觉 SLAM 方案(如 VINS-Mono、ORB-SLAM3 等)在光照充足环境表现良好，不适用于低照度场景。

　　低照度场景下的研究主要集中在图像增强，方法包括基于直方图均衡化、Retinex 理论和深度学习的增强方法。其中，直方图均衡化方法简单但易导致细节消失;Retinex 理论方法能保留细节但计算复杂;深度学习方法适应性好，如基于深度注意力机制的图像增强方法、Zero-DCE 网络等。

　　目前低照度场景下定位技术研究较少，虽有基于深度神经网络的视觉测距、生成对抗网络改善图像质量等方法，但缺乏完整定位技术方案支撑视觉导航。

　　本文提出低照度场景下的视觉定位技术，包括：结合 U-Net 网络与注意力机制的图像去噪网络、基于四叉树改进的 ORB 特征均匀提取策略、基于光束平差法的位姿估计与优化。

　　2 总体方案

　　定位系统分为三部分：

　　图像去噪处理：采用微光传感器采集图像，在视觉跟踪前加入基于深度学习的去噪模块提升图像质量，为后续处理奠定基础。

　　特征跟踪：基于四叉树思想划分图像网格，改进特征分布策略，避免特征集中分布，利用对极几何、三角测量估计帧间位姿，选取关键帧建立帧间关系。

　　位姿估计与优化：利用光束平差法构建视觉重投影误差方程，求解最小二乘问题完成局部位姿估计和优化;基于词袋模型进行闭环检测，估计全局位姿图。

　　3 基于深度学习的视觉前端去噪处理

　　3.1 低照度图像去噪网络

　　微光传感器成像过程中会产生固定噪声(如散粒噪声、暗电流噪声)和时变噪声(如读出噪声)，其中散粒噪声和暗电流噪声服从泊松分布，读出噪声服从高斯分布。

　　在 Neighbor2Neighbor 去噪网络基础上加入注意力机制，由通道注意力模块与空间注意力模块组合学习图像特征。通道注意力模块通过卷积层和 “压缩 - 激励” 操作，学习不同尺度的通道特征并分配注意力权重;空间注意力模块利用非局部自注意力网络，探索像素间全局依赖，提升降噪性能，同时采用残差连接避免网络退化。

　　3.2 图像去噪实验与分析

　　实验基于 SIDDM 和 LLID 数据集展开，LLID 是利用微光传感器采集的私有数据集，包含 100 对低照度图像及 2000 张噪声图像，分辨率为 1280×1024。

　　采用 Python 和 PyTorch 框架，在 3 块 Nvidia 3090 GPU 上训练测试，使用 Adam 优化器。预训练和微调阶段设置不同的 epoch、学习率等参数。

　　实验结果表明，改进后的去噪网络 PSNR 和 SSIM 指标显著提升，引入通道注意力和空间注意力模块均能提高模型性能。

　　4 低照度场景下的视觉跟踪与位姿估计

　　4.1 特征跟踪技术

　　采用 ORB 特征跟踪，提取 FAST 角点和 BRIEF 描述子，通过汉明距离匹配。针对低照度下特征提取不均匀问题，基于四叉树网格分配思想改进特征提取和分布策略。利用四叉树筛选特征，剔除冗余，当网格特征点数>1 时四等分区域提取，点数为 1 或达到期望特征数时停止分裂，保留 Harris 响应值最大的特征点，并对不同金字塔层设置不同深度以提高效率。计算特征点的方向与描述子。

　　4.2 位姿估计与优化

　　视觉定位系统以第一帧为参考帧，相机光心为原点，z 轴指向前方，x 轴向右，y 轴向下。搭载 IMU 获取尺度信息，视觉初始化时计算相邻帧平移向量，IMU 通过加速度二次积分求得实际尺度信息，计算尺度因子并归一化坐标点，尺度因子稳定后 IMU 不再参与后续位姿估计。

　　5 低照度场景下的定位实验

　　5.1 实验准备

　　选取 PHOTONIS 的 NOCTURN U3 超低照度 CMOS 成像器件、XSENS MTI-G-710 惯性测量元件等设备，实验轨迹真值由高精度实时差分定位系统测得，环境光照强度由 KLL-04 型弱光照度计测得，选取两个室外 0.01 lx 光照强度的低照度场景进行实验。

　　5.2 小车实验

　　场景为北京理工大学中关村校区停车场，以高精度卫导数据为真值参考。实验结果表明，本文方法定位精度高于 ORB-SLAM3，轨迹闭环时平均定位均方根误差<1.47 m。

　　5.3 手持实验

　　场景为北京市海淀区苏家坨稻香湖路稻香湖公园，ORB-SLAM3 难以完成定位任务，本文方法在轨迹无闭环时平均定位均方根误差<4.26 m。

　　实验表明，本文方法能在 0.01 lx 光照环境下实现视觉定位。

　　6 结论

　　本文提出低照度场景下单目视觉定位技术，主要工作包括：提出集成通道注意力机制的图像去噪网络，提升低照度图像质量。采用基于改进四叉树的特征均匀分布策略，提高特征提取效率和跟踪效果。构建基于最小二乘的非线性优化估计器，利用词袋模型完成定位任务。实验验证方法可行，定位精度优于 ORB-SLAM3，闭环和无闭环时均方根误差分别<1.47 m 和<4.26 m。后续将研究视觉惯性紧耦合技术，提升定位系统精度。

李磊磊;钟 傲;郝家镁;陈家斌;韩勇强,北京理工大学自动化学院,202409