[发明专利]基于动静态特征提取并行位姿跟踪与地图创建的方法

说明书

本发明公开了基于动静态特征提取并行位姿跟踪与地图创建的方法，通过将特征点分为潜在动态特征和非潜在动态特征，筛选出非潜在动态特征点计算出运动模型，场景中的静态特征点进行位姿跟踪，利用非潜在动态特征中的静态特征点进行建图。基于动静态特征提取并行位姿跟踪与地图创建的方法，在KITTI和TUM数据集上和经典ORB_SLAM2进行对比，提高了跟踪轨迹精度，在保障地图精度的同时，改善了地图的适用性，通过将特征点进行分类并行处理，提高效率，减少动态特征点给位姿跟踪和建图造成的误差。

技术领域

本发明涉及视觉分析系统技术领域，具体为基于动静态特征提取并行位姿跟踪与地图创建的方法。

背景技术

同时定位和地图构建(Simultaneous localization and mapping,SLAM)问题在机器人和计算机视觉领域有着悠久的历史。过去已经探索了不同的传感器模式，包括2D激光扫描仪、3D扫描仪、单目相机、双目相机和RGB-D传感器。现有的SLAM方法，从所处理的输入数据类型的角度，可分为基于深度相机的方法和基于单目相机的方法。从采用方法的角度来看，也可以分为依靠特征点进行匹配并构建稀疏地图的特征点法，和最小化光度误差并构建稠密地图的直接法。

本发明选用基于ORB(ORiented Brief)特征点的SLAM方法，ORB特征点可以在CPU上实时计算；相比Harris角点等简单角点特征,又具有良好的旋转和缩放不变性。并且，ORB定义的描述子，在运动范围较大时也可以实现良好的回环检测和重定位效果。对于如何消除场景中移动目标和潜在移动目标的影响，引入基于深度学习的对象检测算法来检测场景中的移动目标和潜在移动目标。基于非潜在动态目标的运动模型对特征点全集进行筛选，利用其中的静态特征点进行位姿跟踪，利用静态特征点中的非潜在动态特征点进行地图构建。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了基于动静态特征提取并行位姿跟踪与地图创建的方法，通过将基于深度学习的目标检测算法引入到经典ORB_SLAM2方法中，将特征点分为潜在动态特征和非潜在动态特征，基于非潜在动态特征点计算出运动模型，筛选出场景中的静态特征点进行位姿跟踪，利用非潜在动态特征中的静态特征点进行建图，在KITTI和TUM数据集上和ORB_SLAM2进行对比，提高了跟踪轨迹精度，在保障地图精度的同时，改善了地图的适用性。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：基于动静态特征提取并行位姿跟踪与地图创建的方法，具体包括以下步骤：

S1、首先将特征点集合U分为潜在动态特征点和非潜在动态特征点,具体是由残差块构成的全卷积网络Darknet-53网络作为网络主体，在不同尺度上进行特征提取，获得最后目标检测结果，定义检测框集合为，单个检测框定义为，其中为检测框左上角在帧中的坐标，为检测框的宽和高，对特征点集合中的每个特征点判断： ，经过目标检测算法处理后，特征点全集被分为潜在动态特征点集合和非潜在动态特征点集合,集合计算出运动模型，进行位姿跟踪，利用集合进行地图创建,并行处理两种行为。

S2、然后使用特征匹配一致性评估跟踪的车辆位姿运动模型将特征点集合U分为动态特征点集合和静态特征点集合，动态特征点集合和静态特征点集合之间的关系为：；

S3、进行位姿跟踪和建图，在位姿跟踪模块中，只基于场景中的静态特征点进行跟踪，排除动态特征点的影响；在建图模块中，只基于场景中的非潜在动态特征点中的静态特征点进行建图。

优选的，所述步骤S2中动态特征点集合为场景中实际移动了的特征点，且静态特征点集合为场景中未移动的特征点。

优选的，所述步骤S2中在提取特征点后和参考帧中特征点进行粗匹配，中的特征点都是非潜在动态特征点，基于属于集合的特征点对，采用改进的算法，获得能够符合场景中静态特征点的最优运动模型。