Page 118 - 《武汉大学学报（信息科学版）》2025年第10期

第 50 卷第 10 期 张晨阳等：一种自适应点线特征和 IMU 耦合的视觉 SLAM 方法 2053

多特征匹配对，验证了其在提升匹配性能方面的 性。为提升算法可用性与可复用性，本文将该线
有效性。 特征提取方法嵌入到 OpenCV 开源库中，封装为
1.2 图像边缘信息自适应线特征提取 新的线特征提取接口，并扩展了高斯金字塔构建
目前，图像线特征的检测与提取常采用 LSD 与多尺度线特征检测功能，最终实现了自适应边
算法。该算法基于边缘像素的直方图统计实现 缘线特征提取函数的集成与调用。
直线段检测，具有计算速度快、检测精度高等优
点，并可通过参数调整适应不同场景下的线特征
提取需求 ［32］ 。然而，LSD 算法也存在一定的局限
性，容易产生过多短线段或断裂线段，同时对光
照变化较为敏感，可能导致提取的线特征与真实
物体边缘结构不一致。为解决上述问题，本文提
出一种基于图像边缘信息的自适应线特征提取
算法，其流程如图 5 所示。首先对输入图像进行
高斯模糊预处理，并计算整幅图像灰度值的中位

数；随后，基于该中位数自适应设定高低阈值，调
用 OpenCV 中的 Canny 边缘检测函数获取边缘二
图 5 基于图像边缘信息的自适应线特征提取流程
值图像。接下来，算法遍历边缘图像中的每一个
Fig. 5 Flowhart of Adaptive Line Feature Extraction
非零像素点，将其作为种子点，沿 8 个邻域方向进
Based on Image Edge Information
行搜索，统计连续非零像素的数量，并判断是否
满足预设的线特征长度阈值。对符合长度条件 为验证上述基于图像边缘特征的自适应线
的像素集合，利用最小二乘法进行线段拟合，从 特征提取算法，本文开展了多组定性对比实验。
而提取出候选线特征。之后，对空间距离较近的 将在不同场景下的图像线特征检测结果与 LSD
线 段 进 行 合 并 处 理 ，以 优 化 线 特 征 的 结 构 完 整 算法结果进行对比，结果见图 6。

图 6 不同场景下两种线特征算法定性对比结果
Fig. 6 Qualitative Comparison Results of Two Line Feature Algorithms in Several Scenarios

实 验 结 果 表 明 ，在 存 在 噪 声 或 者 光 照 变 化 不存在短线和断裂线段，基本未出现因光照因素
时，LSD 算法容易受干扰，导致检测结果稳定性 导致的错误线段提取。与 LSD 算法相比，本文设
差。LSD 算法提取的线特征往往较为碎片化，出 计的提取检测算法在线特征的完整性、稳定性和
现大量短线和断裂线段，且在个别光照条件复杂 抗干扰能力方面均表现出明显优势。
的图像中易发生误检。相比之下，本文构建的基 为确定算法线特征提取设置的最佳长度阈
于图像边缘信息的自适应线特征提取算法结果 值，本文给出了室内场景线特征检测部分消融实