《激光与光电子学进展》研究论文报告：低光照环境下基于轻量级SuperPoint的单目VI-SLAM算法

这篇文档属于类型a，即报告了一项原创性研究成果。以下为详细学术报告：

该研究由曾旭东、樊绍胜(通讯作者)、续尚植和周宇霆共同完成，作者来自长沙理工大学电气与信息工程学院和电力机器人湖南省重点实验室。这项研究发表在2024年9月的《激光与光电子学进展》第61卷第18期。

研究背景与目的

在机器人自主导航领域，视觉惯性同时定位与建图技术(VI-SLAM, Visual-Inertial SLAM)通过融合视觉与惯性测量单元(IMU)数据来提高定位和建图的精度。然而在低光照环境下，传统视觉前端面临特征点提取质量低和跟踪稳定性差的问题，导致算法易丢失跟踪且定位精度下降。现有VI-SLAM系统如VINS-Mono虽在正常光照条件下表现良好，但在低光照环境下性能显著降低。

研究团队旨在解决低光照环境下VI-SLAM系统的关键技术挑战，包括： 1. 低质量图像导致的特征提取困难 2. 光照变化引起的跟踪不稳定 3. 现有深度学习网络计算复杂度高，难以满足实时性要求

研究的核心目标是开发一种在低光照条件下仍能保持高精度和鲁棒性的单目VI-SLAM算法，为巡检机器人等在复杂光照条件下的应用提供解决方案。

研究方法与技术路线

研究提出的GS-VINS算法基于VINS-Mono框架改进，包含两个关键创新模块：自适应图像增强算法和GN2_SuperPoint特征检测网络。整个研究工作流程可分为以下主要环节：

1. 自适应图像增强模块开发

针对低光照图像质量差的问题，研究团队设计了一套高效的图像预处理流程： - 光照分量提取：采用快速引导滤波(Guided Filter)从输入图像中分离出光照分量。选择窗口半径为max(h,w)/16，平衡边缘保持与全局平滑效果 - 自适应伽马校正：基于图像平均灰度值动态调整伽马值。引入参数ξ(设定为0.7)调节校正强度，确保对过暗和过亮区域均有良好处理效果 - CLAHE增强：最后使用限制对比度自适应直方图均衡化进一步优化图像对比度

研究团队收集了来自EUROC数据集和实际场景的低光照图像样本，对比了多种增强算法的处理效果。实验数据显示，所提方法相比传统CLAHE算法在平均梯度(MG)和信息熵(IE)指标上有显著提升，分别达到0.0332-0.0579和4.1852-6.9092，同时保持较低计算耗时(0.1265-0.3540秒/帧)。

2. GN2_SuperPoint特征提取网络开发

为了提高特征提取对光照变化的鲁棒性，研究团队对SuperPoint网络进行了轻量化改进： - 网络架构改进：用GhostNetV2替换原始SuperPoint的VGG风格编码层，结合DFC注意力机制增强特征表达能力 - 轻量化设计：设置宽度乘数为1.25，保持特征丰富性的同时减少计算量 - 训练策略：使用灰度化的MS-COCO数据集，在PyTorch框架下进行自监督训练，采用Adam优化器和0.001学习率

网络测试结果显示，改进后的GN2_SuperPoint在特征重复率上达到0.678(nms=4)，仅比原SuperPoint(0.695)低0.56%，但显著高于Harris(0.603)和Shi-Tomasi(0.613)等传统算法。特征提取速度比原SuperPoint快约20.30%，满足实时性要求。

3. 动态特征跟踪模块设计

为了应对光照突变导致的跟踪不稳定性，研究提出： - 跟踪成功率评估：实时计算特征跟踪率(tr=nf/nt) - 动态阈值调节：根据帧间灰度变化(Δm)和跟踪成功率自适应调整特征提取阈值 - 当Δm>128时，倍率设为0.8；Δm<128时设为1.2

实验数据显示，在EUROC数据集的v1_03_difficult序列(平均灰度67)中，GS-VINS的跟踪成功率比VINS-Mono提高了8个百分点，达到97%。

4. 系统集成与优化

完整算法框架保留了VINS-Mono的后端优化模块： - 前端：增强图像→特征提取→光流跟踪→IMU预积分 - 后端：基于重投影误差、IMU预积分误差和先验约束的滑窗优化 - 回环检测：4自由度位姿图优化更新全局位姿

实验结果与分析

研究团队在EUROC数据集和真实场景中对算法性能进行了系统评估：

1. 图像增强效果评估

对EUROC数据集中的低光照序列(mh_04_difficult和v1_03_difficult)以及变电站场景图像进行了测试： - 所提算法在MG(0.0221-0.0579)和IE(4.1852-6.9092)指标上优于对比算法(ZeroDCE++、单尺度Retinex等) - 特征点数量较原始图像增加3-15倍(如从94增加到1396)

2. 特征跟踪性能评估

在EUROC数据集上的测试显示： - mh_04_difficult序列：跟踪成功率从98%提升至99% - v1_03_difficult序列：成功率从89%显著提升至97% - 特征提取速度：GN2_SuperPoint(0.1836s)比原SuperPoint(0.2333s)快21.3%

3. 定位精度评估

绝对轨迹误差(ATE)分析结果表明： - mh序列：平均精度提升28.88%(如mh_02从0.118628m降至0.052764m) - v1序列：提升31.99%(v1_03从0.238229m降至0.130703m) - v2序列(光照充足)：仍提升17.25%

4. 实际场景测试

在144米的变电站巡检路径上测试： - 闭合误差：从VINS-Mono的5.03m降至2.73m(减少45.73%) - 处理速度：32fps(满足实时性要求，略低于VINS-Mono的40fps但高于位姿图优化最低要求的27fps)

研究结论与价值

该研究提出了专门针对低光照环境优化的GS-VINS算法，通过三个技术创新解决了关键挑战：

1. 自适应图像增强：通过引导滤波和动态伽马校正，有效改善了低光照图像质量，使CLAHE等后续处理能提取更多稳定特征
2. 轻量化特征提取：GN2_SuperPoint网络在保持SuperPoint精度的同时提高了20%的处理速度
3. 动态跟踪机制：根据光照变化自动调整特征阈值，显著提高了复杂光照下的跟踪稳定性

科学价值体现在： - 为低光照VI-SLAM提供了系统化的解决方案 - 验证了轻量化网络在SLAM系统中的实用性 - 提出动态特征管理机制，增强了算法对环境变化的适应性

应用价值包括： - 为变电站巡检等低光场景下的机器人导航提供了可行方案 - 算法实时性满足工程应用要求(>27fps) - 定位精度显著提升(最高达31.99%)，闭合误差减少45.73%

研究亮点

1. 多重创新：结合图像增强、轻量网络和动态跟踪，系统性解决低光照SLAM问题
2. 性能优越：在保证实时性的前提下显著提升定位精度和稳定性
3. 实用性强：使用公开数据集验证后，又在真实变电站场景测试，证明工程适用性
4. 开源基础：基于广泛使用的VINS-Mono框架改进，便于后续研究和应用

这项研究为低光照环境下的视觉导航提供了创新解决方案，其提出的自适应图像增强方法和轻量化特征网络也可为其他计算机视觉任务提供参考。