趙罡，宋鋮，王軍

（中電?？导瘓F(tuán)有限公司研究院，浙江杭州311121）

0 引言

目前在公安刑偵領(lǐng)域，存在大量場(chǎng)景和業(yè)務(wù)都與實(shí)時(shí)定位、地圖構(gòu)建有關(guān)[4]，但總體來(lái)說(shuō)可分為案件偵查和案情分析兩個(gè)大類。在案件偵查的過(guò)程中，辦案人員往往要身處一些地形復(fù)雜或完全未知的場(chǎng)景中進(jìn)行刑偵執(zhí)法，一方面受制于辦案人員個(gè)人的視角，無(wú)法對(duì)整個(gè)刑偵場(chǎng)景進(jìn)行總體的考察度量，另一方面在刑偵過(guò)程中辦案人員可能會(huì)在復(fù)雜場(chǎng)景遇到一些危險(xiǎn)。利用SLAM技術(shù)可以有效地解決案件偵查中的難題并規(guī)避風(fēng)險(xiǎn)：對(duì)于人員進(jìn)入困難的場(chǎng)景，利用機(jī)器人或是無(wú)人機(jī)通過(guò)SLAM技術(shù)輔助辦案人員進(jìn)行刑偵執(zhí)法。在案情分析過(guò)程中，當(dāng)前較常采用照片和視頻相結(jié)合的手段對(duì)案件現(xiàn)場(chǎng)進(jìn)行還原和分析，這種手法所呈現(xiàn)的效果比較簡(jiǎn)單，同時(shí)無(wú)法直觀地反映案件現(xiàn)場(chǎng)的整體效果，更無(wú)法對(duì)未知場(chǎng)景進(jìn)行預(yù)測(cè)分析。而通過(guò)視覺(jué)SLAM技術(shù)的輔助可以有效地對(duì)案件現(xiàn)場(chǎng)進(jìn)行三維建模，對(duì)涉案人員的行蹤軌跡進(jìn)行記錄和預(yù)測(cè)，可大幅度提高公安人員的刑偵辦案效率。

本文將對(duì)當(dāng)前常用的圖像特征提取方法進(jìn)行研究比較，并與公安刑偵領(lǐng)域具體的需求相結(jié)合，尋找一種合適的視覺(jué)SLAM技術(shù)。

1 SLAM技術(shù)及圖像特征提取算法比較

1.1 SLAM技術(shù)介紹

實(shí)時(shí)定位與地圖構(gòu)建（Simultaneous Localization And Mapping，SLAM）技術(shù)[1]，是指在定位設(shè)備或機(jī)器人上，利用各種傳感器進(jìn)行前端的數(shù)據(jù)采集和計(jì)算，實(shí)現(xiàn)其自身位置姿態(tài)的定位以及對(duì)周圍場(chǎng)景地圖進(jìn)行建模的系統(tǒng)。在未知環(huán)境中，SLAM設(shè)備可以利用外部傳感器獲取環(huán)境感知數(shù)據(jù)，系統(tǒng)據(jù)此構(gòu)建周圍的環(huán)境圖，并提供SLAM設(shè)備在環(huán)境圖中的位置，同時(shí)隨著位置的移動(dòng)進(jìn)行場(chǎng)景的構(gòu)建與定位的變換，SLAM技術(shù)可以實(shí)現(xiàn)環(huán)境的智能感知和無(wú)人自動(dòng)化作業(yè)[2]。從整體上來(lái)說(shuō)，SLAM處理單元通常包含多種傳感器和多類數(shù)據(jù)處理模塊。按照采集方式來(lái)區(qū)分，當(dāng)前常見(jiàn)的SLAM系統(tǒng)一般分為兩種形式：基于激光雷達(dá)的SLAM（LiDARSLAM）和基于視覺(jué)的SLAM（Visual SLAM/VSLAM從下簡(jiǎn)稱視覺(jué)SLAM）。其中，視覺(jué)SLAM作為近年來(lái)發(fā)展迅速的新技術(shù)之一，擁有諸多的優(yōu)點(diǎn)[3]：可以將采集圖像中的紋理信息用于實(shí)時(shí)定位；可以對(duì)場(chǎng)景中的動(dòng)態(tài)目標(biāo)進(jìn)行行動(dòng)跟蹤和軌跡預(yù)測(cè)；視覺(jué)SLAM技術(shù)的圖像建模從理論上講，可以在畫面圖像中看到無(wú)限遠(yuǎn)處的物體，通過(guò)精密的數(shù)據(jù)處理計(jì)算后支持極大范圍環(huán)境的定位與地圖構(gòu)建。近年來(lái)，隨著圖像視頻算法的深入研究以及硬件設(shè)備的飛速發(fā)展，視覺(jué)SLAM技術(shù)已經(jīng)被廣泛應(yīng)用于各種行業(yè)的不同場(chǎng)景中。

視覺(jué)SLAM技術(shù)的核心是將采集到的圖像進(jìn)行特征識(shí)別匹配，圖像特征匹配成功率的高低關(guān)系到SLAM設(shè)備定位和構(gòu)圖建模效果的好壞，因此SLAM技術(shù)對(duì)圖像特征識(shí)別算法的準(zhǔn)確性有很高的要求。同時(shí)，由于SLAM技術(shù)是在設(shè)備移動(dòng)的過(guò)程中進(jìn)行同步定位與模型構(gòu)建，對(duì)算法的運(yùn)算速度也有較高要求。

1.2 圖像特征提取算法比較

在計(jì)算機(jī)視覺(jué)領(lǐng)域，圖像特征點(diǎn)的應(yīng)用包括圖像識(shí)別、圖像配準(zhǔn)、視覺(jué)跟蹤、還原重建等。視覺(jué)SLAM技術(shù)就是通過(guò)從圖像中提取關(guān)鍵特征點(diǎn)從而對(duì)整幅圖像進(jìn)行特征分析，并不需要提取所有像素點(diǎn)。只要處理的圖像中擁有足夠多的關(guān)鍵特征點(diǎn)，并且各特征點(diǎn)之間差異足夠大且分類明顯，圖像就能被精確地定位，并對(duì)整幅圖像進(jìn)行標(biāo)記識(shí)別。目前主要的圖像特征匹配算法有：SIFT算法、SURF算法、FAST算法以及ORB算法等。

圖1 算法仿真實(shí)驗(yàn)圖像

下文將依次對(duì)目前常用的特征提取算法進(jìn)行簡(jiǎn)要介紹，并通過(guò)對(duì)模擬場(chǎng)景圖像的特征提取仿真實(shí)驗(yàn)對(duì)算法進(jìn)行對(duì)比分析，從而尋找一種更為有效的特征提取算法用以支撐視覺(jué)SLAM技術(shù)的研究與應(yīng)用。本次實(shí)驗(yàn)使用的圖像是在一個(gè)密閉室內(nèi)拐角處的兩幅抓拍圖像，通過(guò)圖像特征提取算法可以對(duì)兩幅圖像進(jìn)行識(shí)別處理，從而完成地圖場(chǎng)景的還原構(gòu)建，如圖1所示。

1.2.1 SIFT算法

SIFT（Scale-invariant feature transform）尺度不變特征變換算法[5]，是由David Lowe于1999年在計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議中提出的一種局部特征提取算法，David Lowe在2004年對(duì)該算法加以完善和總結(jié)，使之成為一種具有良好穩(wěn)定性和極高準(zhǔn)確率的特征提取算法。該算法具有尺度不變性，可以在圖像中提取出關(guān)鍵的特征點(diǎn)，是局部特征描述子的一種。

SIFT算法的基本流程可以分為三部分：特征點(diǎn)提取、特征點(diǎn)描述、特征點(diǎn)匹配。SIFT算法提取的特征點(diǎn)是通過(guò)生成DOG金字塔，并構(gòu)建DOG尺度空間提取的，DOG尺度空間的構(gòu)建包含高斯卷積、特征采樣和差分操作。首先，DOG尺度空間提取在尺度空間和二維空間上都是極值點(diǎn)的局部興趣點(diǎn)，然后過(guò)濾掉不穩(wěn)定和錯(cuò)誤的興趣點(diǎn)，最終得到關(guān)鍵的特征點(diǎn)。特征點(diǎn)描述包括分配特征點(diǎn)方向和設(shè)定128維向量?jī)蓚€(gè)步驟。特征點(diǎn)的匹配步驟是通過(guò)將128維特征點(diǎn)的歐氏距離進(jìn)行計(jì)算處理實(shí)現(xiàn)的。歐氏距離與相似程度成反比，當(dāng)歐氏距離小于設(shè)定閾值時(shí)，即表明特征匹配成功。

SIFT算法具有如下的優(yōu)點(diǎn)：①通過(guò)調(diào)整閾值設(shè)定可以提取到相當(dāng)多的關(guān)鍵特征點(diǎn)；②通過(guò)SIFT算法提取到的圖像特征之間相互獨(dú)立，擁有較為明顯的獨(dú)立特點(diǎn)，在數(shù)據(jù)庫(kù)中能夠進(jìn)行精確的匹配；③提取的圖像特征具有平移、亮度、旋轉(zhuǎn)及尺度不變性，對(duì)于視點(diǎn)的變化也具有一定的不變性。SIFT算法的缺點(diǎn)是提取實(shí)時(shí)性較低，并且對(duì)于光滑邊緣的目標(biāo)圖像，特征點(diǎn)提取能力較弱。

圖2 SIFT算法仿真結(jié)果

如圖2所示為SIFT算法的仿真實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果中可以看出，SIFT算法能夠識(shí)別出轉(zhuǎn)角圖中的大部分關(guān)鍵特征并能夠?qū)煞鶊D進(jìn)行匹配，理論上能夠進(jìn)行大致的地圖建模。同時(shí)也存在有部分錯(cuò)誤匹配和冗余的特征識(shí)別，會(huì)給整體的視覺(jué)SLAM技術(shù)建模帶來(lái)一些問(wèn)題。

1.2.2 SURF算法

SURF（Speeded Up Robust Features）加速穩(wěn)健特征算法[6]，是一種穩(wěn)定的局部特征點(diǎn)檢測(cè)和描述算法。該算法由Herbert Bay最初發(fā)表于2006年的歐洲計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議ECCV上，并在2008年正式發(fā)表于《計(jì)算機(jī)視覺(jué)與圖像理解》期刊。

SURF算法本質(zhì)上是對(duì)David Lowe在1999年提出的SIFT算法的改進(jìn)，其極大提升了算法的運(yùn)算效率，讓算法能夠更好地應(yīng)用在實(shí)時(shí)計(jì)算機(jī)視覺(jué)系統(tǒng)中。與SIFT算法相同，SURF算法的基本流程也可以分為三大部分：特征點(diǎn)的提取、特征點(diǎn)的描述、特征點(diǎn)的匹配。但SURF算法在執(zhí)行效率上有兩大優(yōu)勢(shì)：第一是使用了Hessian黑塞矩陣的積分圖，第二是使用了降維的特征描述子。SURF算法用改進(jìn)特征提取和描述的方式，以更為高效的方法完成特征的提取和描述。SURF算法的具體實(shí)現(xiàn)流程如下：①構(gòu)建Hessian矩陣，生成所有的興趣點(diǎn)用于圖像特征的提??；②構(gòu)建尺度空間；③特征點(diǎn)定位；④分配特征點(diǎn)的主要方向；⑤生成特征點(diǎn)描述子；⑥特征點(diǎn)匹配。

SURF算法在保持SIFT算法良好性能特點(diǎn)的基礎(chǔ)上，進(jìn)一步解決了SIFT算法計(jì)算耗時(shí)長(zhǎng)、復(fù)雜度高的缺點(diǎn)，在特征點(diǎn)提取以及特征向量描述方面進(jìn)行了改進(jìn)，并且極大地提升了數(shù)據(jù)處理速度。

圖3 SURF算法仿真結(jié)果

如圖3所示為SURF算法的仿真實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果中可以看出，在相同閾值下SURF算法比SIFT算法提取了更少的特征點(diǎn)信息，最直觀的反映就是算法的運(yùn)算速度有了大幅提升，帶來(lái)的負(fù)面影響就是圖片的匹配度下降，整體的建模效果受到影響。

1.2.3 FAST算法

FAST（Features from Accelerated Segment Test）特征點(diǎn)檢測(cè)算法[7]，是一種用在角點(diǎn)檢測(cè)領(lǐng)域的算法。最初由Edward Rosten和Tom Drummond于2006年在《Machine learning for high-speed corner detection》中提出，2010年算法稍作改進(jìn)后再一次發(fā)表在《Features From Accelerated Segment Test》上。FAST算法只是一種用于特征點(diǎn)檢測(cè)的算法，并不包括特征點(diǎn)的特征描述。它與SIFT和SURF算法有本質(zhì)上的區(qū)別。

FAST算法的基本流程為：

①取圖像中任一點(diǎn)假設(shè)為p，它的像素值假設(shè)為I；

②以p點(diǎn)為圓心，n為半徑畫圓，其中像素點(diǎn)個(gè)數(shù)假設(shè)為m；

FAST算法最大的特點(diǎn)是速度上要比其他算法快很多，但檢測(cè)結(jié)果受圖像噪聲以及設(shè)定的閾值影響很大。由于FAST算法不具有多尺度特征而且特征點(diǎn)也不具有方向信息，所以FAST算法會(huì)失去旋轉(zhuǎn)不變性。

圖4 FAST算法仿真結(jié)果

如圖4所示為FAST算法的仿真實(shí)驗(yàn)結(jié)果。相對(duì)于SURF和SIFT算法，F(xiàn)AST算法在運(yùn)算速度上又獲得了部分的提升。同時(shí)在圖片關(guān)鍵特征點(diǎn)的選取方面，F(xiàn)AST算法精簡(jiǎn)了眾多冗余的特征點(diǎn)，保留了更多形狀的輪廓特征，在實(shí)驗(yàn)圖像的識(shí)別匹配度上有了一定的提高，更有利于SLAM的場(chǎng)景建模和進(jìn)一步的技術(shù)應(yīng)用。

1.4 ORB算法

ORB（Oriented FAST and Rotated BRIEF）是一種快速提取并描述特征點(diǎn)的算法[8]。ORB算法是Ethan Rublee、Vincent Rabaud、Kurt Konolige以及Gary R.Bradski在2011年一篇名為《ORB：An Efficient Alternative to SIFT or SURF》的文章中提出。與上面的3種算法都不同，ORB算法一般分為兩部分：特征點(diǎn)提取和特征點(diǎn)描述。特征點(diǎn)提取是以FAST算法為基礎(chǔ)發(fā)展來(lái)的，特征點(diǎn)描述是由BRIEF特征描述算法改進(jìn)而來(lái)的。ORB算法的核心是將FAST特征點(diǎn)的檢測(cè)方法與BRIEF特征描述子結(jié)合起來(lái)，并在其原來(lái)的基礎(chǔ)上進(jìn)行了改進(jìn)與優(yōu)化。根據(jù)相關(guān)的測(cè)試結(jié)果，ORB算法的特征提取速度是SIFT算法的100倍，是SURF算法的10倍。

由前文的描述可知，F(xiàn)AST算法是一種非?？焖俚奶卣鼽c(diǎn)提取方法，但是其有兩大不足，即提取到的特征點(diǎn)沒(méi)有方向，也無(wú)法完成尺度變化。ORB算法的特征提取部分由FAST算法改進(jìn)而來(lái)，稱為oFAST（FAST Key point Orientation）。oFAST在使用FAST算法提取出特征點(diǎn)之后，添加一個(gè)特征點(diǎn)方向，保證特征點(diǎn)具有旋轉(zhuǎn)不變性的特性。

BRIEF算法是由Michael Calonder等人在2010年的一篇名為《BRIEF:Binary Robust Independent Elementary Features》的文章中提出，BRIEF算法利用已檢測(cè)到的特征點(diǎn)進(jìn)行相關(guān)的數(shù)據(jù)描述，是一種二進(jìn)制編碼的描述子，沒(méi)有利用區(qū)域灰度直方圖的方法來(lái)描述特征點(diǎn)。BRIEF算法在極大加快特征描述符建立速度的基礎(chǔ)上，同時(shí)也降低了特征匹配的時(shí)間，是一種非常快速且準(zhǔn)確的算法。ORB算法的特征描述部分是在BRIEF特征描述的基礎(chǔ)上加入旋轉(zhuǎn)因子改進(jìn)成為rBRIEF特征描述。這種方法使BRIEF算法具有了旋轉(zhuǎn)不變性，以統(tǒng)計(jì)學(xué)習(xí)的方式對(duì)點(diǎn)對(duì)集合重新選擇。因此，rBRIEF特征描述的所有特征點(diǎn)均滿足大方差的高斯分布，不同圖像特征點(diǎn)的描述子的差異越大，特征點(diǎn)匹配的優(yōu)勢(shì)就更加明顯。同時(shí)，rBRIEF具備旋轉(zhuǎn)不變性，改善了BRIEF特征描述子易受噪聲影響的缺陷，大大提高了特征提取算法的識(shí)別準(zhǔn)確率，還保持了較快的識(shí)別速度。

圖5 ORB算法仿真結(jié)果

如圖5所示為ORB算法的仿真實(shí)驗(yàn)結(jié)果。ORB算法作為FAST算法的衍生技術(shù)，保留了FAST算法高速高效的特點(diǎn)。同時(shí)從實(shí)驗(yàn)仿真結(jié)果中也不難看出，ORB算法對(duì)圖像的匹配度有了明顯的提升，圖像的關(guān)鍵特征點(diǎn)和主要形狀的輪廓特征都能被較為準(zhǔn)確的識(shí)別提取。ORB算法融合了多種算法的優(yōu)勢(shì)，在圖像特征提取方面具有非常大的應(yīng)用空間。

2 基于ORB的SLAM技術(shù)

通過(guò)前文對(duì)圖像特征提取算法和仿真結(jié)果比較，不難看出在當(dāng)前的視覺(jué)SLAM技術(shù)領(lǐng)域，不同的圖像特征識(shí)別算法都有各自的技術(shù)特點(diǎn)，同時(shí)也各有優(yōu)缺點(diǎn)。其中，ORB算法作為近年來(lái)新提出的算法，本身就綜合有FAST和BRIEF兩種算法的優(yōu)點(diǎn)，擁有巨大的發(fā)展?jié)摿ΑＲ虼嗽谝曈X(jué)SLAM領(lǐng)域很早就有人建議將ORB算法用于視覺(jué)SLAM技術(shù)。

ORB-SLAM技術(shù)最早是由Raul MurArtal等人提出[9]，這種視覺(jué)SLAM技術(shù)的提出，在機(jī)器視覺(jué)領(lǐng)域引起了高度的關(guān)注[10]。ORB-SLAM技術(shù)共分為三個(gè)線程：跟蹤、構(gòu)圖和閉環(huán)。在圖像特征識(shí)別部分中，采用的是ORB特征點(diǎn)檢測(cè)法，隨后利用光束調(diào)整Bundle Adjustment（BA）對(duì)跟蹤、構(gòu)圖和閉環(huán)三個(gè)過(guò)程進(jìn)行非線性迭代優(yōu)化，最后得到精確的位置信息和地圖建模點(diǎn)。整體流程如圖6所示。

ORB-SLAM圖像處理技術(shù)過(guò)程的核心是ORB特征點(diǎn)提取算法，該算法采用具有方向信息的FAST特征點(diǎn)提取算法，利用像素點(diǎn)與周圍鄰域內(nèi)像素點(diǎn)灰度值的像素值差距對(duì)圖像進(jìn)行特征點(diǎn)識(shí)別提取，而后利用特征點(diǎn)的灰度梯度來(lái)代表特征點(diǎn)的方向，最后得到特征點(diǎn)的方向角和像素坐標(biāo)點(diǎn)，整體流程如圖7所示。ORB算法的過(guò)程簡(jiǎn)單高效，適合構(gòu)建基于特征識(shí)別的單目SLAM系統(tǒng)，可以實(shí)時(shí)運(yùn)行，適用于各種場(chǎng)合，具有很強(qiáng)的魯棒性，可以很好地處理劇烈運(yùn)動(dòng)圖像，可以有比較大的余地自由處理、閉環(huán)控制、重定位甚至全自動(dòng)位置初始化。地圖重構(gòu)的方法采用云點(diǎn)和關(guān)鍵幀技術(shù)，具有很好的魯棒性，生成了精簡(jiǎn)、可追蹤的地圖，當(dāng)場(chǎng)景的內(nèi)容改變時(shí)，地圖構(gòu)建可持續(xù)工作。同時(shí)該技術(shù)也極易與其他技術(shù)相融合，共同支撐SLAM技術(shù)的不斷提升發(fā)展。

ORB-SLAM技術(shù)能廣泛應(yīng)用于各類不同場(chǎng)景[11]例如在AR/VR設(shè)備中，就需要應(yīng)用視覺(jué)+IMU（VIO）的方案，通過(guò)對(duì)實(shí)際場(chǎng)景的準(zhǔn)確收集識(shí)別和感知分析完成虛擬場(chǎng)景的構(gòu)建；在無(wú)人車輛駕駛領(lǐng)域，無(wú)人車輛對(duì)周圍道路環(huán)境的感知也可以利用ORB-SLAM技術(shù)實(shí)現(xiàn)；在場(chǎng)景建模定位領(lǐng)域，利用少數(shù)幾張實(shí)景照片以及ORB-SLAM技術(shù)，就可以在一定程度上取代GPS進(jìn)行定位識(shí)別，這在GPS覆蓋不到的偏遠(yuǎn)地區(qū)以及室內(nèi)場(chǎng)景，擁有著非常廣闊的應(yīng)用前景[12]。

圖6 ORB-SLAM整體實(shí)現(xiàn)流程

圖7 ORB算法流程

3 ORB-SLAM技術(shù)在公安刑偵領(lǐng)域的應(yīng)用

隨著互聯(lián)網(wǎng)、云計(jì)算和物聯(lián)網(wǎng)技術(shù)的發(fā)展，“智慧公安”的建設(shè)步伐不斷推進(jìn)。在公安刑偵領(lǐng)域，實(shí)時(shí)定位和地圖構(gòu)建將是未來(lái)辦案破案的重要手段之一。以案情分析為例，在當(dāng)前的辦案過(guò)程中，公安機(jī)關(guān)使用案件現(xiàn)場(chǎng)模擬分析系統(tǒng)輔助辦案人員進(jìn)行案情分析[13]。案件現(xiàn)場(chǎng)模擬分析系統(tǒng)一般分為兩部分，即三維數(shù)字化圖形軟件和現(xiàn)場(chǎng)記錄系統(tǒng)。辦案人員通過(guò)現(xiàn)場(chǎng)勘查或走訪查詢，獲取整個(gè)案情現(xiàn)場(chǎng)的相關(guān)信息；回到公安部門后，辦案人員通過(guò)三維數(shù)字化圖形軟件對(duì)案件現(xiàn)場(chǎng)進(jìn)行建模構(gòu)圖，利用直觀模型進(jìn)行案情的分析討論。在現(xiàn)場(chǎng)記錄系統(tǒng)中，一些老舊的系統(tǒng)依舊采用案發(fā)現(xiàn)場(chǎng)平面草圖、拍攝照片與記錄犯罪過(guò)程的文字描述相結(jié)合的方式進(jìn)行案件場(chǎng)景的記錄。這種記錄現(xiàn)場(chǎng)的形式只能進(jìn)行粗略的案件場(chǎng)景還原，遠(yuǎn)遠(yuǎn)無(wú)法滿足公安刑偵的要求[14]。如圖8所示為傳統(tǒng)的案件現(xiàn)場(chǎng)二維還原圖。

圖8 案件現(xiàn)場(chǎng)二維還原圖

最近幾年，多媒體技術(shù)和人工智能技術(shù)飛速發(fā)展，公安部門案件現(xiàn)場(chǎng)模擬分析系統(tǒng)已經(jīng)開(kāi)始運(yùn)用全景拍攝系統(tǒng)對(duì)案件現(xiàn)場(chǎng)進(jìn)行拍攝記錄和全景重建：運(yùn)用公安專用的單反數(shù)碼相機(jī)、超廣角鏡頭和手持拍攝云臺(tái)，在短時(shí)間內(nèi)拍攝一組完整的案情現(xiàn)場(chǎng)照片，以智能化的方式進(jìn)行拼接融合，就能夠完成案發(fā)現(xiàn)場(chǎng)的快速全景重建。同時(shí)，在處理多個(gè)案發(fā)現(xiàn)場(chǎng)時(shí)，可以通過(guò)熱點(diǎn)跳轉(zhuǎn)的方式將多個(gè)案發(fā)現(xiàn)場(chǎng)的全景圖串聯(lián)起來(lái)，除此之外，還可以建立全景圖與現(xiàn)場(chǎng)方位圖、現(xiàn)場(chǎng)立體圖之間的位置關(guān)系，以更加立體形象的視角呈現(xiàn)案發(fā)現(xiàn)場(chǎng)[15]。如圖9所示為案件現(xiàn)場(chǎng)的三維建模。

ORB-SLAM技術(shù)作為新一代的實(shí)時(shí)定位和地圖建模技術(shù)，其本身可以作為案件現(xiàn)場(chǎng)記錄的核心技術(shù)。除了能夠在案情分析階段準(zhǔn)確完成案件現(xiàn)場(chǎng)的環(huán)境記錄和建模還原外，ORB-SLAM技術(shù)快速高效的特性還能夠支持辦案人員在案件偵查時(shí)進(jìn)行實(shí)時(shí)的人員定位和現(xiàn)場(chǎng)勘查，并將采集的信息快速傳回公安指揮中心，進(jìn)行遠(yuǎn)程實(shí)時(shí)的案件調(diào)查和分析，節(jié)省辦案人員來(lái)回時(shí)間，極大的提升辦案效率。ORB-SLAM技術(shù)還可以與AR/VR技術(shù)相融合，將三維模型與現(xiàn)實(shí)的全景圖像相結(jié)合，通過(guò)增強(qiáng)現(xiàn)實(shí)技術(shù)與全景圖像進(jìn)行互動(dòng)融合，對(duì)案發(fā)過(guò)程實(shí)地模擬還原，幫助辦案人員更加準(zhǔn)確地分析案情。

隨著大數(shù)據(jù)、物聯(lián)網(wǎng)和人工智能技術(shù)的發(fā)展，將來(lái)會(huì)考慮將更多智能化的方法與視覺(jué)SLAM技術(shù)相結(jié)合，例如圖像濾波算法、神經(jīng)網(wǎng)絡(luò)模型等。它們?cè)谧R(shí)別、分類和建模等方面都具有各自的優(yōu)勢(shì)，這些算法的融合可以讓視覺(jué)SLAM變得更加高效和進(jìn)一步擴(kuò)大應(yīng)用場(chǎng)景。對(duì)于圖像特征提取算法來(lái)說(shuō)，ORB算法并不是全無(wú)缺點(diǎn)：ORB-SLAM技術(shù)在圖像旋轉(zhuǎn)時(shí)比較容易丟幀；點(diǎn)云在地圖中的分布很稀疏，結(jié)構(gòu)化的輪廓不是很明顯；加載處理需要一定時(shí)間等。這些都需要其他算法對(duì)其進(jìn)行優(yōu)化和融合。ORB-SLAM如何能適應(yīng)各類不同的場(chǎng)景也是未來(lái)研究的方向。

圖9 案件現(xiàn)場(chǎng)三維建模圖

4 結(jié)語(yǔ)

ORB-SLAM技術(shù)作為實(shí)時(shí)定位和圖像建模手段能夠很好地支撐當(dāng)前案件偵查和案情分析的需求。未來(lái)將利用ORB-SLAM技術(shù)對(duì)公安刑偵各方面進(jìn)行定制化研究設(shè)計(jì)，以進(jìn)一步提升公安部門的智能化辦公和辦案水平，提升工作效率，推動(dòng)“智慧公安”的建設(shè)和發(fā)展。