[发明专利]一种适用于动态环境的建图方法

权利要求书

1.一种适用于动态环境的建图方法，其特征在于，包括以下步骤：

获取动态帧数据；

将所述动态帧数据输入至神经网络模型进行特征提取，得到先验知识；

根据所述先验知识对所述动态帧数据进行特征点筛选，保留静态特征点；

根据所述静态特征点进行建图。

2.根据权利要求1所述的一种适用于动态环境的建图方法，其特征在于，所述先验知识包括动态物体数量、动态物体画面占比以及每个动态物体的范围标记和坐标信息。

3.根据权利要求2所述的一种适用于动态环境的建图方法，其特征在于，所述特征点筛选，步骤包括：

所述范围标记内的当前特征点，根据当前帧先验动态物画面占比进行二次判断，筛选得到静态特征点。

4.根据权利要求3所述的一种适用于动态环境的建图方法，其特征在于，所述二次判断，具体为：

设置第一阈值和第二阈值；

当前帧先验动态物画面占比小于第一阈值且当前帧先验动态物体数量小于第二阈值时，所述标记范围内的特征在所述动态帧数据中建立当前特征点，

获取当前特征点，并判断所述当前特征点是否位于先验动态物体的范围标记内，将不位于所述范围标记内的当前特征点认为是静态特征点，否则通过几何方法进行三次判断。

5.根据权利要求4所述的一种适用于动态环境的建图方法，其特征在于，通过几何方法进行三次判断，具体为：

在所述范围标记的外围选取一层元素设为膨胀层；

当膨胀层内无特征点时，判定所述标记范围内的特征点为静态层；

当膨胀层内有特征点时，将当前帧的所述范围标记内的特征点和所述膨胀层的特征点与上一帧进行匹配，通过对极几何计算本质矩阵，并根据所述本质矩阵筛选静态特征点。

6.根据权利要求5所述的一种适用于动态环境的建图方法，其特征在于，根据所述本质矩阵筛选静态特征点，具体为：

计算本质矩阵的无穷范数，其中，本质矩阵包括范围标记本质矩阵E₁和膨胀层本质矩阵E₂；

计算范围标记本质矩阵E₁的无穷范数L₁与膨胀层本质矩阵E₂的无穷范数L₂的比值r：

根据所述比值r，筛选静态特征点。

7.根据权利要求6所述的一种适用于动态环境的建图方法，其特征在于，根据所述比值r，筛选静态特征点，具体为：

设置阈值，当所述比值r大于所述阈值时，则认为所述范围标记中的先验动态物体为静态；当所述比值小于所述阈值时，则对当前帧的全部特征点进行双目特征点匹配，并筛选出最佳匹配点作为静态特征点。

8.根据权利要求1所述的一种适用于动态环境的建图方法，其特征在于，将所述动态帧数据输入至神经网络模型进行特征提取，得到先验知识，具体为：

在所述动态帧数据中引入注意力机制，获得注意力加权后的特征图；

根据所述加权后的特征图进行预测，得到动态物体的先验知识。

9.根据权利要求8所述的一种适用于动态环境的建图方法，其特征在于，在所述动态帧数据中引入注意力机制，获得注意力加权后的特征图，具体为：

沿宽高两个方向进行全局平均池化，得到宽高两个方向分别对应的特征图；

将宽度和高度两个方向的特征图联合后送入1*1的卷积模块，并进行批量归一化；

将经过批量归一化处理后的特征图f₁送入激活函数得到特征图f₂；将特征图f₂按照原来的高度和宽度进行1*1的卷积，通过激活函数得到特征图在宽度上的注意力权重g^h和高度上的注意力权重g^w，再通过加权得到在宽度和高度方向上带有注意力权重的特征图y_c。

10.根据权利要求8所述的一种适用于动态环境的建图方法，其特征在于，所述神经网络为引入注意力机制的YOLOv5s网络，通过加入CA注意力机制的Backbone模块提取图像信息，之后使用Neck模块提取小目标，然后使用Head模块生成bounding box框，最后Yolo线程通过发送包含bounding box坐标信息的ros message以获得坐标message。