Analysis of visual landmark detectors and descriptors in SLAM in indoor and outdoor environments

[ES] El objetivo de este artíıculo es encontrar un extractor de características visuales que pueda ser utilizado en un proceso de SLAM (Simultaneous Localization and Mapping). Este extractor de características consiste en la combinación de un detector que extrae puntos significativos del entorno, y un descriptor local que caracteriza dichos puntos. Este artículo presenta la comparación de un conjunto de detectores de puntos de interés y de descriptores locales que se utilizan como marcas visuales en un proceso de SLAM. El an´ alisis comparativo se divide en dos fases diferenciadas: detección y descripción. Se evalúa la repetibilidad de los detectores, así como la invariabilidad de los descriptores ante cambios de vista, escala e iluminación. Los experimentos se han realizado a partir de un conjunto de secuencias de imágenes tanto interiores (entorno de oficinas) como exteriores, con diversas variaciones en la imagen (iluminación y posición), representando asíı de una forma bastante general los entornos típicos de un robot. Se considera que los resultados de este trabajo pueden ser útiles a la hora de seleccionar una marca adecuada en SLAM visual, tanto para entornos interiores como exteriores.[EN] The aim of this paper is to find a visual feature extractor that can be used in the process of SLAM (Simultaneous Localization and Mapping). This feature extractor is the combination of a detector which extracts significant points from the environment, and a local descriptor which characterizes those points. This paper presents the comparions of a set of interest point detectors and local descriptors that are used as visual landmarks in a SLAM context. The comparative analysis is divided into two diferent steps: detection and description. We evaluate the repeatability of the detectors and the invariance of the descriptors to changes in viewpoint, scale and illumination. The experiments have been carried out with sequences of indoor (building with offices) and outdoor images, having different imaging condition changes (position and illumination). In this way, the typical environments of robot navigation tasks is represented. We consider that the results obtained in this work can be useful when selecting a suitable landmark in visual SLAM, in indoor and outdoor environments.Este trabajo ha sido realizado parcialmente gracias al apoyo del Ministerio de Ciencia e Innovación con el proyecto CICYTDPI2007-61197 y de la Generalitat Valenciana con la beca BFPI/2007/096.Ballesta, M.; Gil, A.; Reinoso, Ó.; Úbeda, D. (2010). Análisis de Detectores y Descriptores de Características Visuales en SLAM en Entornos Interiores y Exteriores. Revista Iberoamericana de Automática e Informática industrial. 7(2):68-80. https://doi.org/10.1016/S1697-7912(10)70027-3688072Ballesta, M., A. Gil, O. MartínezMozos and O. Reinoso (2007). Local descriptors for visual SLAM. In: Workshop on Robotics and Mathematics (ROBOMAT07), Portugal. pp. 209-215.Grisetti, G., Stachniss, C., & Burgard, W. (2007). Improved Techniques for Grid Mapping With Rao-Blackwellized Particle Filters. IEEE Transactions on Robotics, 23(1), 34-46. doi:10.1109/tro.2006.889486Hygounenc, E., Jung, I.-K., Souères, P., & Lacroix, S. (2004). The Autonomous Blimp Project of LAAS-CNRS: Achievements in Flight Control and Terrain Mapping. The International Journal of Robotics Research, 23(4-5), 473-511. doi:10.1177/0278364904042200Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60(2), 91-110. doi:10.1023/b:visi.0000029664.99615.94Mikolajczyk, K., & Schmid, C. (s. f.). Indexing based on scale invariant interest points. Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001. doi:10.1109/iccv.2001.937561Mikolajczyk, K., & Schmid, C. (2005). A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(10), 1615-1630. doi:10.1109/tpami.2005.188Mikolajczyk, K., Tuytelaars, T., Schmid, C., Zisserman, A., Matas, J., Schaffalitzky, F., … Gool, L. V. (2005). A Comparison of Affine Region Detectors. International Journal of Computer Vision, 65(1-2), 43-72. doi:10.1007/s11263-005-3848-xSchmid, C., Mohr, R., & Bauckhage, C. (2000). International Journal of Computer Vision, 37(2), 151-172. doi:10.1023/a:1008199403446Soria, C., Roberti, F., Carelli, R., & Sebastián, J. M. (2008). Control Servo-Visual de un Robot Manipulador Planar Basado en Pasividad. Revista Iberoamericana de Automática e Informática Industrial RIAI, 5(4), 54-61. doi:10.1016/s1697-7912(08)70177-8Triebel, R. and W. Burgard (2005). Improving simultaneous mapping and localization in 3D using global constraints. In: National Conference on Artificial Intelligence (AAAI).Vol. 3. pp. 1330-1335.Valls Miro, J., W. Zhou and G. Dissanayake (2006). Towards vision based navigation in large indoor environments. In: IEEE/RSJ Int. Conf. on Intelligent Robots & Systems. pp. 2096-2102.Zernike, von F. (1934). Beugungstheorie des schneidenver-fahrens und seiner verbesserten form, der phasenkontrastmethode. Physica, 1(7-12), 689-704. doi:10.1016/s0031-8914(34)80259-5Zhang, Z., Deriche, R., Faugeras, O., & Luong, Q.-T. (1995). A robust technique for matching two uncalibrated images through the recovery of the unknown epipolar geometry. Artificial Intelligence, 78(1-2), 87-119. doi:10.1016/0004-3702(95)00022-