[发明专利]基于深度特征的相机姿态估计优化方法

权利要求书

1.基于深度特征的相机姿态估计优化方法，其特征在于包括以下步骤：

1)使用基于随机森林的匹配算法，快速计算2D-3D点的相似性以映射2D-3D点信息；

2)使用约束函数和多特征融合的方法评估相机姿态；

3)针对基于深度学习的SLAM算法中存在的不稳定性问题，提出一种多特征集束优化算法。

2.如权利要求1所述基于深度特征的相机姿态估计优化方法，其特征在于在步骤1)中，所述使用基于随机森林的匹配算法，快速计算2D-3D点的相似性以映射2D-3D点信息的具体方法为：

每个决策树由内部节点和叶节点组成，决策树的预测能够计算出2D像素点之间的相似度，再由2D像素点之间的相似度推算到三维空间的相似度，从根节点开始一直到叶子，通过反复修改决策函数而使训练收敛，决策函数表达如下：

split(p；δ_n)＝[f_n(p)＞δ_n]

其中，n表示决策树中节点的索引，p是代表2D关键点的非叶节点，[.]是0～1指标函数，δ是决策阈值，f()是决策函数：

f(p)＝a₁D_shape(p₁,p₂)+a₂D_texture(p₁,p₂)+a₃D_color(p₁,p₂)

在特征融合中定义a和D()，若split(p；δn)求值为0，则为训练路径分支到左边的子树，否则分支到右边，p1和p2是关键点周围的像素对点，在训练的过程中，三维重建数据包含相关的相应3D点和2D点的映射；将先验划分为训练数据和验证数据；在算法1中展示训练框架；目标函数Q用于使训练数据和验证数据具有相同的学习趋势，其中，Θ是验证数据进入与相关训练数据不同路径的数量，P_verification是验证数据集，λ是折衷相同分支的相似度和不同分支的多样性的参数；目标函数是基于落入相同分支的验证数据和训练数据的比例去衡量点与点之间的相似性：

算法1基于随机森林的2D-3D点映射训练过程如表1所示：

表1