[發明專利]一種基于YOLO算法及GMS特征匹配的動態場景SLAM方法

在審

• 申請號: 201911394459.3
• 申請日: 2019-12-30
• 公開（公告）號: CN111161318A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 魯仁全;陳伯松;陶杰;李鴻一;孟偉
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/10;G06N3/08;G06N3/04
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 杜鵬飛

本發明公開了一種基于YOLO算法及GMS特征匹配的動態場景SLAM方法，包括下述步驟：通過視覺傳感器讀取第一幀RGB圖像，對圖像進行ORB特征點提取并計算特征點數量，如果特征點數量大于閾值則把圖像作為參考幀，系統初始化；如果特征點數量小于閾值則讀取下一幀RGB圖片，提取ORB特征點，直到特征點數量大于閾值進行系統初始化；本發明結合深度卷積神經網絡模型和圖像特征點匹配技術，充分利用圖片的信息，對圖像中的動態物體像素進行剔除，保留靜態像素；提高動態場景下的圖像特征點匹配精度，減小位姿估計的誤差積累，提高系統魯棒性。

技術領域

本發明涉及計算機視覺和移動機器人定位技術領域，具體涉及一種基于YOLO算法及GMS特征匹配的動態場景SLAM方法。

背景技術

SLAM(simultaneous localization and mapping，即時定位與地圖構建)，指的是在自身位置不確定的條件下在完全未知環境中創建地圖并擴展地圖同時利用地圖進行自主定位和導航。

從室內機器人到室外、水下和空中系統以及AR(增強現實)，slam在許多不同的領域中得到了應用。在理論和概念層面上，slam現在可以被認為是一個已經解決的問題。然而在實踐中，實現一般性的slam解決方案，特別是在構建和使用感知豐富的地圖作為slam算法的一部方面，仍然存在大量問題。近年來，由于視覺傳感器結構簡單、技術難度較大，視覺SLAM成為技術研究的熱點。

傳統的slam系統提前假設場景都是固定不變的，但是在現實的環境中會存在很多不確定因，比如光照的強弱變化，行走的行人或者動物，移動的汽車等。在動態環境中，傳統的視覺SLAM很容易出現誤匹配，并且具有較大的誤差。傳統的基于特征點的視覺SLAM算法通過檢測動態特征點并標記為噪聲點的方式來處理簡單動態場景問題。ORB-SLAM通過RANSAC(random sample consensus)、關鍵幀以及局部地圖的優化來減輕運動物體對定位與建圖精度的影響。基于直接法的視覺SLAM算法通過優化方程中的代價函數來處理動態物體造成的遮擋問題。但是這些方法處理動態物體都有很大的誤差以及局限性。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于YOLO算法及GMS特征匹配的動態場景SLAM方法，該方法結合深度卷積神經網絡模型和圖像特征點匹配技術，充分利用圖片的信息，對圖像中的動態物體像素進行剔除，保留靜態像素；提高動態場景下的圖像特征點匹配精度，減小位姿估計的誤差積累，提高系統魯棒性。

本發明的目的通過下述技術方案實現：

一種基于YOLO算法及GMS特征匹配的動態場景SLAM方法，包括下述步驟：

步驟一，通過視覺傳感器讀取第一幀RGB圖像，對圖像進行ORB特征點提取并計算特征點數量，如果特征點數量大于閾值則把圖像作為參考幀，系統初始化；如果特征點數量小于閾值則讀取下一幀RGB圖片，提取ORB特征點，直到特征點數量大于閾值進行系統初始化；

步驟二，讀取下一幀的RGB圖像作為當前幀，對當前幀使用YOLO算法進行移動物體檢測，并將場景中的物體框選出來；

步驟三，YOLO算法檢測結果的目標框內除了目標物體之外還包含有其他物體的像素點，為了充分利用圖像的像素信息，通過FCN和segnet算法對場景進行語義分割，從而得到圖像的動態像素和靜態像素；

步驟四，對步驟三中的靜態像素和參考幀進行特征點匹配，對得到的特征匹配點通過網格運動統計(GMS)算法剔除錯誤匹配；網格運動統計(GMS)算法基于運動的平滑性提出一種假設：第一幀圖像上的一個特征點p1在第二幀圖像上的匹配點為p2，若該匹配為正確匹配，則以p1為中心的3*3網格中的特征點的匹配點都大概率地落在第二幀圖像以p2為中心的3*3網格中；基于該假設通過對兩幀圖像進行網格劃分并對對應網格區域內的匹配點數進行評分，評分的定義如下：