[发明专利]一种基于语义光流和逆深度滤波的视觉SLAM方法

权利要求书

1.一种基于语义光流和逆深度滤波的视觉SLAM方法，其特征在于，包括以下步骤：

步骤(1)视觉传感器采集图像，并对采集到的图像进行特征提取和语义分割，得到提取的特征点与语义分割结果；

步骤(2)根据所述特征点与分割结果，通过语义光流法进行地图初始化，剔除动态特征点，创建出可靠的初始化地图；

步骤(3)将所述初始化地图采用逆深度滤波器对初始化地图中3D地图点是否为动态点进行评估，并根据逆深度滤波器的评估结果扩展地图；

所述步骤(3)中，采用逆深度滤波器对初始化地图中3D地图点进行评估和扩展地图，方法如下：

将基于高斯-均匀混合分布假设的深度滤波器应用于SLAM，首先，将地图点逆深度的观测值用高斯分布和均匀分布的混合模型进行建模：

p(x|Z,π)＝πN(x|Z,τ²)+(1-π)U(x|Z_min,Z_max)

上边公式中各个量的含义为：

x是地图点逆深度的观测值，是一个随机变量；Z是地图点的真实逆深度，是需要计算出的值；π是该地图点为内点的概率,简称为内点率，内点是指地图中一个静态地图点，且其深度是通过正确的匹配点进行三角化得到的点；p(x|Z,π)表示地图点逆深度观测值的分布；N(x|Z,τ²)表示以地图点真实逆深度Z为均值，τ²为方差的高斯分布；U(x|Z_min,Z_max)表示均匀分布，Z_min和Z_max为均匀分布的下界和上界，即最小逆深度和最大逆深度；

计算当前时刻(Z,π)的后验概率分布得到：

p(Z,π|x₁,…,x_n)∝p(Z,π|x₁,…,x_n-1)p(x_n|Z,π)

其中x₁,…,x_n为一个地图点逆深度的系列互相独立的观测值,n为观测值的序号；p(Z,π|x₁,…,x_n)是当前时刻(Z,π)的后验概率分布，p(Z,π|x₁,…,x_n-1)是前一时刻(Z,π)的后验概率分布，p(x_n|Z,π)是当前时刻深度测量值的似然概率；为估计出参数Z和π且简化运算，将p(Z,π|x₁,…,x_n)近似于一个高斯-贝塔形式的分布：

q(Z,π|a,b,μ,σ²)＝N(Z|μ,σ²)Beta(π|a,b)

其中q(Z,π|a,b,μ,σ²)表示(Z,π)服从参数为(a,b,μ,σ²)的高斯-贝塔分布，N(Z|μ,σ²)为高斯分布，Beta(π|a,b)为贝塔分布，高斯-贝塔分布一共有4个参数(a,b,μ,σ²)，其中a,b为概率论中贝塔分布里两个大于零的参数，μ,σ²是高斯分布中的期望与方差，在获取新的逆深度观测值后，对这4个参数进行更新获取新的高斯-贝塔分布；先用求出Z和π的一、二阶矩，再用p(Z,π|x₁,…,x_n)求得Z和π的一、二阶矩，其中表示此时(Z,π)服从参数为的高斯-贝塔分布；再使用矩比较法对p(Z,π|x₁,…,x_n)和q(Z,π|a,b,μ,σ²)分别求得的Z和π的一、二阶矩进行比较，求出新的参数当小于一个设定的阈值时，即认为地图点的逆深度已经收敛；内点率π的一阶矩可以作为π的估计值：

当地图点的逆深度收敛时，内点率π低于设定的阈值，则仍然认为该地图点是一个动态点，将其剔除；只有地图点的逆深度收敛时，内点率π高于设定的阈值，才认为该地图点是一个可靠的静态地图点，并以此为依据对之前获得的可靠初始地图进行更新；

步骤(4)针对逆深度滤波器扩展后的扩展地图继续依次序进行跟踪、局部建图以及回环检测，进而在动态场景下构建出准确地图，最终实现基于语义光流和逆深度滤波的面向动态场景的视觉SLAM。