[发明专利]一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法

说明书

本发明提出了一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法。本发明通过RGBD相机实时采集图像，将当前帧图像的序号与预设的滑动窗口长度进行比较，计算当前帧图像特征提取的网格尺寸；根据前一帧图像特征点集合构建多个像素块，将像素块向当前帧投影，根据前一帧图像中各像素块与其在当前帧图像中对应的投影像素块的灰度差，去除前一帧图像中的动态特征点，得到前一帧图像静态特征点集合；基于前一帧图像静态特征点集合构建位姿求解目标函数，对当前帧相机位姿进行第一阶段优化求解，基于关键帧共视图对当前帧相机位姿进行优化，得到优化后的当前帧相机位姿。本发明在弱纹理及存在移动目标的动态场景中稳定工作，具备较强的环境适应能力。

技术领域

本发明方法属于计算机视觉领域，尤其涉及一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法。

背景技术

随着计算机、电子工程、虚拟现实及人工智能等科学技术的不断进步和发展，机器人技术逐渐成为了当今科学研究的热点。同时，医疗、军事、农业、工业生产及日常生活的众多领域中也逐渐开始出现服务型机器人的身影。可以预见，随着时代和科技水平的发展，在生产和生活都更加自动化、智能化的未来，服务型机器人将会具有非常广阔的应用前景，并将渗透至人类生产生活的各个领域。为了实现机器人的自主移动，机器人需要实时获取自身位置及周围环境信息，为此SLAM技术应运而生。SLAM是同步定位与建图(SimultaneousLocalization and Mapping)的简称，它是指机器人或移动平台在不断对自身进行定位的同时对周围的环境地图进行构建。

传统SLAM方案的传感器主要是激光雷达，但由于激光雷达成本高昂，且点云信息只能反映周围物体点的距离和角度，丢弃了周围环境的纹理及语义等丰富的信息，与人的交互性较差。因此相机逐渐成为了近年来SLAM方案的主流传感器，以相机作为主要传感器的SLAM方案被称为视觉SLAM。

在实际应用中，许多因素都会对视觉SLAM系统的精度和稳定性产生较大干扰，其中最为显著的因素就是场景特征。由于大部分视觉SLAM方案强烈地依赖特征提取与匹配，因此当场景纹理较弱或场景中存在移动目标时，图像间的特征提取及匹配将受到较大影响从而对视觉SLAM系统的稳定运行造成影响。专利文献公开的一种结合单目视觉的RGB-DSLAM方法(授权公告号CN106127739B)和一种基于单目视觉实现SLAM定位的方法及相关装置(申请公布号CN111928842A)都对图像进行特征提取，并通过相邻两帧图像间的特征匹配建立数据关联，以此对相机进行定位，但这两种方法都没有提及视觉SLAM在弱纹理及存在动态目标的场景下的运行问题。专利文献公开的一种基于动态目标检测的视觉SLAM方法及装置(申请公布号CN112435278A)和一种动态环境中实现SLAM定位的方法及相关装置(申请公布号111928857A)都使用了深度学习网络对图像中的潜在运动目标进行检测，以此对潜在的动态特征点进行剔除，提高视觉SLAM系统在动态场景下的运行能力。但这种方法需要预先训练网络模型，当环境发生改变需要对模型包含的动态物体种类进行变更，在实际应用中深度学习网络也占用了较大的计算资源。另外，这种基于深度学习网络的方法会将图像中一切可能发生移动的物体都进行去除，即使这些物体实际中并没有发生移动(如静止的车辆和人类等)，而当环境中存在一些被移动的非潜在运动目标时(如被移动的书本和柜子等)，深度网络并不能将它们去除。因此这类方法虽能在一定程度上解决视觉SLAM系统在动态场景中的运行问题，但还存在一定问题，在实际场景中适用性不强。

发明内容

针对现有技术的问题，本发明的目的是提供一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法，且该方法不依赖于深度学习网络，实时性好，对不同环境适应性强。

为实现上述目的，本发明的技术方案提供一种基于RGBD相机的弱纹理及动态场景视觉SLAM定位方法，包括以下步骤：

步骤1，通过张正友相机标定法对相机主点、焦距、畸变参数进行标定，得到标定后相机主点、标定后焦距、标定后畸变参数；进一步设置尺度因子、预设特征点数量、滑动窗口的长度；