[发明专利]语义信息与几何约束相结合的动态特征点剔除方法

权利要求书

1.语义信息与几何约束相结合的动态特征点剔除方法，其特征在于，包括以下步骤：

S1：在ORB-SLAM2系统框架创建一个目标检测线程并行运行，并设计一轻量级的YOLOv5目标检测网络为视觉SLAM提供物体的语义信息；

S2：提取图像ORB特征点，使用对极几何约束的运动一致性检测算法判断特征点动态性；

S3：提出语义信息与几何约束相结合的动态特征点剔除模块，最终确定目标检测边界框中的动态物体，实现了动态特征点的有效剔除；

S4：利用保留的静态特征点进行位姿估计，提高动态场景中的SLAM定位精度。

2.根据权利要求1所述的语义信息与几何约束相结合的动态特征点剔除方法，其特征在于，S1包括以下步骤：

S100：改进ORB-SLAM2系统框架的ShuffleNetv2网络：

在步长为1的基本单元块中引入了Ghost模块和SE模块；

在步长为2的基本单元块中增加SE模块；

并在步长为1和步长为2的两个基本单元块中均新增深度可分离卷积，得到改进后两个步长不同的基本单元块；

S101：使用改进后的ShuffleNetv2网络替换YOLOv5的骨干网络：

S102：骨干网络使用Hard-Swish激活函数代替ReLu；

颈部使用PAN结构获得三个不同尺度的特征图，并使用CSP结构对相邻特征图进行特征连接和融合；

S103：训练过程中使用SIoU损失函数；

S104：进行ShuffleNet-YOLOv5目标检测模型训练，使用数据集进行训练，得到语义信息。

3.根据权利要求1所述的语义信息与几何约束相结合的动态特征点剔除方法，其特征在于，所述SIoU损失函数由4个Cost函数组成：Angle cost、Distance cost、Shape cost、IoU cost；

总损失函数为：

Loss＝W_boxL_box+W_clsL_cls

其中，L_cls使用Focal Loss作为分类预测损失，W_box、W_cls分别是边界框和分类损失的权重，L_box是边界框的坐标预测损失，如下所示：

Δ＝∑_t＝x,y(1-e^-(2-Λ)ρt)

式中，Δ是添加了角度惩罚Angle cost的Distance cost函数，其中Angle cost的表达式如上式Λ所示，Ω是Shape cost函数，IOU是IoU cost函数。