[发明专利]一种动态场景下基于实例分割的鲁棒性位姿估计方法

权利要求书

1.一种动态场景下基于实例分割的鲁棒性位姿估计方法，其特征在于，包括如下步骤：

(1)用实时实例分割网络Yolcat(You Only Look At Coefficients)进行实例分割识别潜在的动态物体，并结合连续自适应的Mean-Shift算法(Camshift，ContinuouslyAdaptive Mean Shift algorithm)对识别物体进行跟踪，获得物体的分割结果；

(2)结合LK(Lucas–Kanade)光流法，计算分割物体内所有特征点的动态概率，得到该物体的动态概率p_d；

(3)预设特定类别物体的动态概率p_w作为语义先验概率，将物体的动态概率p_d作为似然概率，由贝叶斯公式确定后验概率p_post，并设定阈值σ判断分割区域是否为动态区域；

(4)剔除动态区域的特征点，再进行特征匹配并计算相机位姿。

2.根据权利要求1所述的一种动态场景下基于实例分割的鲁棒性位姿估计方法，其特征在于，所述步骤(1)中，用Yolcat进行实例分割识别潜在的动态物体，并结合Camshift对识别物体进行跟踪，获得物体的分割结果，具体步骤为：

(1.1)提取当前帧的ORB特征点；

(1.2)使用Yolact识别分割物体，并为每个物体标号；

(1.3)使用Camshift跟踪每个分割物体；

(1.4)在下一帧中计算Camshift跟踪的物体区域C_area与Yolact分割物体区域Y_area的区域重合度θ，其中：

(1.5)若重合度θ超过设定阈值ε，则证明Yolact分割失败，使用Camshift跟踪到的结果，否则使用Yolact的结果；

(1.6)用步骤(1.5)得到的物体更新Camshift跟踪物体。

3.根据权利要求1所述的一种动态场景下基于实例分割的鲁棒性位姿估计方法，其特征在于，所述步骤(2)中，结合LK光流法，计算分割物体内所有特征点的动态概率，得到该物体的动态概率p_d，具体步骤为：

(2.1)用LK光流法跟踪当前帧的匹配点对；

(2.2)剔除无效的匹配点对；

(2.3)根据相机内参计算得到基础矩阵F；

(2.4)根据基础矩阵F计算当前帧的基线I；

(2.5)计算当前帧中特征点距离极线的距离并对实例分割物体内所有特征点距离极线的距离求均值，得到分割物体的动态概率p_d。

4.根据权利要求1所述的一种动态场景下基于实例分割的鲁棒性位姿估计方法，其特征在于，所述步骤(3)中，预设特定类别物体的动态概率p_w作为语义先验概率，将物体的动态概率p_d作为似然概率，由贝叶斯公式确定后验概率p_post，并设定阈值σ判断分割区域是否为动态区域，具体步骤为：

(3.1)根据物体潜在动态概率表(表1)，获得特定物体动态概率p_w，作为语义先验概率；

(3.2)将步骤(2)获得的动态概率p_d作为似然概率；

(3.3)利用贝叶斯公式得到观测的后验概率p_post；

(3.4)将后验概率p_post与设定的阈值σ比较，判断分割区域是否为动态区域；

5.根据权利要求1所述的一种动态场景下基于实例分割的鲁棒性位姿估计方法，其特征在于，所述步骤(4)中，剔除动态区域的特征点，进行特征匹配并计算相机位姿，具体步骤为：若步骤(3)中判断分割区域为动态区域，则剔除动态区域内特征点，再进行特征匹配和相机位姿的计算。