[发明专利]一种适用于室内动态环境的视觉SLAM方法

权利要求书

1.一种适用于室内动态环境的视觉SLAM方法，其特征在于：包括：

S1、获取包括环境的彩色图、深度图，将所获取的彩色图和深度图封装成帧，输入跟踪线程，进行特征提取和匹配，利用匹配关系计算动态概率传播结果，

S2、根据动态概率，剔除当前帧中的动态特征点，保留静态特征点，优化当前帧的位姿，然后进行关键帧判定，

S3、若当前帧满足关键帧条件，对该关键帧进行目标检测，

S4、根据关键帧目标检测的结果，对图片做语义分割，确定属于动态物体的区域，更新与关键帧特征点对应的的3D地图点的动态概率，

S5、对动态概率更新后的关键帧输入局部建图线程，对系统维护的共视图进行更新，提取局部共视图，对关键帧和地图点的位姿进行局部优化，

S6、对当前帧进行回环检测与回环融合，消除系统的累积误差，利用回环融合结果更新本质图，并利用本质图对所有关键帧和地图点的位姿进行全局优化。

2.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S1中：在特征匹配过程中：如当前帧的特征点x_i与关键帧特征点成功匹配，则关键帧特征点的动态概率传播到当前帧的特征点的动态概率P(x_i)上，如当前帧的特征点x_i与局部地图中的3D地图点X_i匹配成功，则3D地图点的动态概率P(X_i)传播到当前帧的特征点的动态概率P(x_i)上。

3.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S1中：

当前帧中任一特征点的动态概率首先受到与其成功匹配的关键帧特征点或3D地图点的动态概率的影响：对于匹配成功的特征点，关键帧特征点或3D地图点的动态概率通过一定权重更新当前帧中特征点的动态概率；

当前帧中任一特征点在受到匹配成功的特征点的动态概率影响后，其动态概率还会受到邻域高内动态概率特征点的影响：高动态率特征点由动态概率极高或极低的特征点组成，高动态率特征点会影响以其为中心、以一定像素距离为半径的区域内其余特征点的动态概率。

4.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S2中：以最小化重投影误差为优化方程，当前帧位姿为优化对象构建位姿优化器，将动态概率高的特征点设置为外点，利用最小化重投影误差对当前帧位姿进行优化，将当前帧中重投影误差超过阈值的特征点作为外点去除。

5.根据权利要求4所述的适用于室内动态环境的视觉SLAM方法，其特征在于：非线性优化将进行多次，在每次优化后计算所有点的重投影误差，若重投影误差小于阈值则将该点设置为内点，反之将该点设置为外点，外点不参与下一次优化过程。

6.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S3中，利用神经网络对该关键帧进行目标检测，使用预训练好的神经网络进行目标检测，对目标检测网络判定为动态类别的物体，使用语义分割算法提取出该物体在图像中轮廓作为动态区域。

7.根据权利要求6所述的适用于室内动态环境的视觉SLAM方法，其特征在于：关键帧目标检测网络前向传播过程和视觉SLAM系统为两个不同的ROS系统下的工作节点，其间的交互通过ROS系统下话题和消息机制实现。

8.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S4中：提取出动态物体轮廓区域作为动态区域，动态区域内的特征点被认定为动态点，其余特征点被认定为静态特征点，更新被检测关键帧所有特征点和与之相匹配的3D地图点的动态概率。

9.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S4中：动态物体类别需根据系统使用环境进行设定，在室内环境下设置人，猫，狗三个物体类别为动态物体类别。

10.根据权利要求1所述的适用于室内动态环境的视觉SLAM方法，其特征在于：在S5中：通过图优化方法对关键帧和3D地图点的位姿进行局部优化，以最小化重投影误差方程为优化方程，与当前帧共视程度高的其余帧位姿和地图点位姿为优化对象，构建图优化器，优化跟踪线程所求得位姿。