[发明专利]一种动态场景下的基于概率传递模型的环境感知方法

权利要求书

1.一种动态场景下的基于概率传递模型的环境感知方法，其特征在于，所述方法包括：

步骤1、利用几何模型剔除待处理图像中的动态特征点，获得几何模型下特征点的状态概率；

步骤2、利用Mask R-CNN神经网络模型进行语义分割，根据语义分割结果得到待处理图像中动态物体所在区域，划分出待处理图像中的动态特征点；

步骤3、结合动态特征点在几何模型和语义分割下的状态概率，基于贝叶斯定理的概率传递模型更新待处理图像中特征点的状态概率，剔除动态异常点，从而减少由于动态特征点造成的错误数据关联，保证视觉SLAM系统的定位精度和建图质量。

2.根据权利要求1所述动态场景下的基于概率传递模型的环境感知方法，其特征在于，在步骤1中，进一步采取概率模型更新动态特征点的状态，具体过程为：

定义在时刻t由几何模型判定的特征点p_i状态标签为c_t表示特征点标签的集合

通过计算特征点p_i到对应极线的距离判定该点的状态标签，并利用标准高斯分布的概率密度函数来估计特征点p_i的状态概率表示为：

其中，p_i,p_i'为一对匹配特征点；为p_i对应的极线；表示点p_i到极线的距离；该高斯分布的标准差δ＝1，期望为0。

3.根据权利要求1所述动态场景下的基于概率传递模型的环境感知方法，其特征在于，在步骤1中，所述利用几何模型剔除待处理图像中的动态特征点的过程具体为：

利用光流法计算当前帧中匹配的特征点，如果该特征点太靠近图像边缘或匹配对中心的3×3图像块的像素差太大，则删除匹配对的特征点；

再利用RANSAC算法获得基本矩阵F，计算从匹配的特征点到极线的距离，如果距离大于设定的阈值，则将匹配点定义为动态特征点。

4.根据权利要求1所述动态场景下的基于概率传递模型的环境感知方法，其特征在于，在步骤2中，进一步利用logistic回归模型估计语义分割结果下特征点的状态概率，具体表示为：

其中，α取0.1；表示语义分割结果下特征点的标签，表示为：

s_t表示特征点标签的集合n为特征点的数量；

边界像素点的集合为其中表示语义分割结果的边界像素点，m为边界点的个数；

dist(p_i,z_t)为特征点p_i与语义分割边界的距离，表示为：

其中，边界像素点的集合为其中表示语义分割结果的边界像素点；m为边界点的个数。

5.根据权利要求1所述动态场景下的基于概率传递模型的环境感知方法，其特征在于，所述步骤3的过程具体为：

首先定义特征点p_i的真实状态标签为D_t(p_i)，如果特征点p_i位于待处理图像中动态物体所在区域，即判定为动态特征点并且有D_t(p_i)＝1；如果特征点p_i位于待处理图像中其它区域，即判定为静态特征点并且有D_t(p_i)＝0；

融合几何模型和语义分割两种方法，更新当前帧图像中特征点的状态概率为：

其中，ω为权重参数，表示为：

其中，N_c表示当前帧由几何模型剔除的动态特征点个数；N_s表示当前帧由语义分割方法剔除的动态特征点个数；

假设概率传递模型满足马尔科夫性，即当前状态和上一个时刻有关，基于贝叶斯定理，利用前一帧的信息与当前帧的观测结果相结合更新特征点p_i的状态概率为：

其中，η为归一化参数；表示当前帧的观测概率，表示为：

其中，

再依据概率传递模型得到的状态概率

进一步的，将状态概率高于0.5的特征点划分为动态特征点，状态概率低于0.5特征点划分为静态特征点；

然后剔除动态特征点，仅挑选静态特征点用于视觉定位与建图线程，从而减少由于动态特征点造成的错误数据关联，保证视觉SLAM系统的定位精度和建图质量。