[发明专利]一种在视觉SLAM前端去除动态特征点的方法

说明书

本发明公开了一种在视觉SLAM前端去除动态特征点的方法，属于计算机视觉技术领域。该方法主要是通过将YOLOv5目标检测算法与传统视觉SLAM前端相结合，通过深度相机采集环境图像信息，对采集到的RGB图像进行ORB特征提取的同时，对其进行目标检测，对检测出的物体分为动态物体和静态物体两类，筛选并剔除仅存在于动态物体框内的特征点。之后，计算相邻两帧之间匹配对的场景流模值，建立高斯混合模型，进一步分离场景中动态物体和静态物体，剔除剩余的动态特征点。剩余的静态特征点用于特征匹配并估计相机位姿。利用本方法在ORBSLAM2前端进行测试，大大提升了其在动态环境中的定位精度，且能够满足实时性要求。

技术领域

本发明涉及一种在视觉SLAM前端去除动态特征点的方法，属于计算机视觉与深度学习技术领域。

背景技术

同时定位与建图技术(Simultaneous Localization And Mapping,SLAM)是指机器人在没有任何先验知识的情况下，凭借自身携带的环境感知传感器完成对周围未知环境地图的构建。使用视觉传感器完成地图构建的技术称为视觉SLAM，因视觉传感器价格低，采集环境信息丰富，可实现自主定位于导航功能，使得其在相关领域备受关注，成为目前SLAM技术领域的研究热点。因此也涌现出一批诸如ORB-SLAM，RGBD-SLAM，OPENVSLAM等优秀的开源视觉SLAM算法。

传统的视觉SLAM算法大都基于静态环境假设，在实际环境中，往往因为环境中存在不断运动的物体如人或其他动物的走动，车辆的移动等，使得机器人位姿估计出现较大偏差，从而导致定位失败。针对上述传统视觉SLAM算法在实际动态环境中存在的不足，本发明提出一种面向动态环境，在视觉SLAM前端去除动态特征点的方法。使用去除动态特征点之后剩余特征点进行位姿估计，可以大大提高视觉SLAM系统在动态环境中的定位精度，以及它的鲁棒性和稳定性。

发明内容

本发明所要解决的技术问题是，提供一种在视觉SLAM前端去除动态特征点的方法，此方法应用在视觉SLAM系统中，可有效去除动态物体对位姿估计的影响，提高视觉SLAM在动态环境中的精确性和稳定性。

为解决上述技术问题，本发明采用的技术方案为：

一种在视觉SLAM前端去除动态特征点的方法，包括如下步骤：

Step1：使用深度相机获取彩色和深度图像，对采集到的RGB图像均匀化提取ORB特征点，并使用目标检测算法获取边界框检测结果；

Step2：将边界框检测结果分类，分为动态物体和静态物体并对其建立集合，筛选出仅存在于动态物体检测框内的特征点并剔除；

Step3：计算剩余特征点相邻帧间场景流，根据场景流计算结果筛选出剩余动态特征点并剔除；

Step4：利用剩下的静态特征点进行特征匹配，得到最佳匹配特征点并进行相机位姿估计，得到准确的相机运动结果，从而实现准确的面向动态场景下的视觉SLAM。

Step1中，均匀化提取ORB特征点的方法如下：首先构建图像金字塔模型，即对原始的RGB图像用高斯卷积核进行高斯模糊处理，然后对其进行降采样，依次将原始的RGB图像分成若干个层，在各个层上进行FAST角点的提取，然后计算图像金字塔每层需要提取的特征点数量N_α，公式如下：

式(1)中，N代表设置的各层的总特征点数量，α代表当前层数，s代表图像金字塔各层的图像的缩放因子，l代表图像金字塔总层数，其次对构建的图像金字塔每一层都均匀的划分出30×30像素的格子，单独对每个格子提取FAST角点，如果有格子提取不到FAST角点则降低FAST阈值，从而保证一些纹理较弱的区域也可以提取到FAST角点；最后对于提取到的大量FAST角点，使用基于四叉树的方法，均匀的选取N_α个FAST角点。