[发明专利]一种基于FCN和BP神经网络的视觉特征点提取与匹配优化方法

说明书

本发明公开了一种基于FCN和BP神经网络的视觉特征点提取与匹配优化方法，包括步骤S1：构造和训练FCN神经网络，对图像帧中的动态物体进行语义分割和像素剔除；步骤S2：对图像灰度共生矩阵进行分析，结合ORB特征提取算法中的对比度阈值来构造BP神经网络的训练集数据，以拟合特征点数量、图像灰度共生矩阵及图像对比度与对比度阈值之间的非线性关系，实现对图像特征点数量与分布的控制；步骤S3：利用特征位姿偏移稳定性来对特征点匹配结果进行优化，控制匹配特征点在图像中的像素位置范围；步骤S4：将训练好的FCN和BP神经网络移植到算法框架中，加速特征点提取和匹配过程，减少特征提取过程中不必要的特征点提取与描述子计算，实现ORB‑SLAM算法计算效率的提高。

技术领域

本发明属于基于特征点法的视觉SLAM技术领域，尤其涉及一种基于FCN和BP神经网络的视觉特征点提取与匹配优化方法。

背景技术

特征提取与匹配是基于特征点法的SLAM系统中的关键技术。图像的特征是指图像中具有代表性的一些像素点，按照某种认为设计的方式，描述了该像素点周围像素的信息。特征点由关键点和描述子两部分组成。在视觉特征发展历史中，SIFT(Scale-invariantfeature transform)和SURF(Speed up robust feature)都是较为常用的特征，而近年来ORB特征点由于其在尺度不变、旋转不变、光变不敏感以及计算较为简单的优势，在经典SLAM算法ORB-SLAM系列中占据了一席之地。目前，ORB-SLAM算法已经做到了在常规配置计算机中实时运行的程度，但是其中主要的计算机算力用于图像ORB特征点的提取与匹配，实现的功能仅仅是稀疏特征点地图建立和定位功能，容易出现图像特征提取的分布不均、过度提取或SLAM特征匹配中的误匹配问题，ORB-SLAM算法计算效率低下；并且，如果要新增其它功能则SLAM算法运行的实时性无法保障。

发明内容

本发明正是针对现有技术解决图像特征提取的分布不均、过度提取和SLAM特征匹配中的误匹配问题，提供一种基于FCN和BP神经网络的视觉特征点提取与匹配优化方法，综合考虑图像对比度、图像纹理复杂度、图像灰度共生矩阵的影响，解决了以ORB(OrientedFast and Rotated Brief)特征点作为主要算法处理对象的SLAM(SimultaneousLocalization and Mapping，即时定位与建图)系统(简称ORBSLAM)在对图像帧提取ORB特征点时提取特征点密集但可利用率低的问题。包括步骤S1：构造和训练FCN神经网络，对图像帧中的动态物体进行语义分割和像素剔除，仅将剔除了动态物体的像素范围作为特征检测算法的操作区域；步骤S2：对图像灰度共生矩阵进行分析，结合ORB特征提取算法中的对比度阈值来构造BP神经网络的训练集数据，以拟合特征点数量、图像灰度共生矩阵及图像对比度与对比度阈值之间的非线性关系，实现对图像特征点数量与分布的控制；步骤S3：利用特征位姿偏移稳定性来对特征点匹配结果进行优化，及控制匹配特征点在图像中的像素位置范围；步骤S4：将训练好的FCN和BP神经网络移植到算法框架中，加速特征点的提取和匹配过程，减少特征提取过程中不必要的特征点提取与描述子计算，实现ORB-SLAM算法计算效率的提高。

为了实现上述目的，本发明采取的技术方案是：一种基于FCN和BP神经网络的视觉特征点提取与匹配优化方法，包括以下几个步骤：

S1，构造和训练FCN神经网络：所述FCN神经网络共包含五个卷积层、五个池化层、三个全连接层和三个上采样层，并将第二、三池化层的输出结果作为上采样的输入参与上采样过程，针对输入的图像序列，对图像帧中的动态物体进行语义分割和像素剔除，仅将剔除了动态物体的像素范围作为特征检测算法的操作区域；

S2，控制图像特征点数量与分布：对图像灰度共生矩阵进行分析，结合ORB特征提取算法中的对比度阈值来构造BP神经网络的训练集数据，以拟合特征点数量、图像灰度共生矩阵及图像对比度与对比度阈值之间的非线性关系，实现对图像特征点数量与分布的控制，具体定义如下：

Th_ζ＝f(ψ,ζ,s)