[發明專利]一種面向動態環境稠密建圖的動態物體檢測方法

有效

• 申請號: 202110111511.0
• 申請日: 2021-01-27
• 公開（公告）號: CN112802053B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 何力;何劍濤;林旭濱;陳創斌;管貽生
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/194;G06T7/269;G06T7/579;G06V10/762
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 孔祥健

本發明公開了一種面向動態環境稠密建圖的動態物體檢測方法，在面向動態環境的稠密建圖系統中，根據通過xtion?pro?live相機輸入的RGBD視頻流獲得的RGB圖和深度圖進行動態場景的前后景分割，然后根據后景像素初步計算出相機運動模型，最后根據得到的相機位姿來判斷場景中的動態物體。本發明基于前后景分割結合相機運動模型來判斷動態背景中的動態物體，區別于在現有的Dense?Visual?SLAM中利用深度學習模型判斷動態物體的策略，克服了基于深度學習的策略的實時性差、精度低和普適性低的缺點。

技術領域

本發明涉及動態物體檢測的技術領域，尤其涉及到一種面向動態環境稠密建圖的動態物體檢測方法。

背景技術

動態物體檢測問題是計算機視覺領域里對視頻處理的基本且重要的問題之一，是識別、跟蹤、行為分析等高級處理的的前提和關鍵，因此對視頻中運動中的物體進行檢測具有很強的應用和研究價值。

目前，針對視頻中的動態物體檢測的方法幾乎是基于相機是靜止的條件下提出，而不適用于相機運動的情況。在相機靜止條件下的動態物體檢測的技術已發展的很成熟，常用的算法有背景減去法、幀間差分法、光流法以及基于以上方法改進的三幀差分法等。而在相機運動的條件下，由于相機會發生平移、旋轉、縮放的運動，導致目標和背景都會發生運動，使得基于相機靜止提出的動態物體檢測方法不再適用。而在當今生活中，視頻處理技術已被各個領域所應用，比如在自動駕駛、機器人導航和Visual?SLAM領域，如何在一個自身運動情況下面對復雜的動態環境進行動態物體檢測是一個值得研究的問題。

雖然已有基于深度學習訓練的目標檢測模型和語義分割模型來對圖像進行語義分析，通過模型得出的標簽如人、椅子等來判斷場景中的動態物體的方法，但這類方法由于需要大量的計算資源而無法實時運行。

發明內容

本發明的目的在于克服現有技術的不足，提供一種實時性好、精度高和普適性高的面向動態環境稠密建圖的動態物體檢測方法。

為實現上述目的，本發明所提供的技術方案為：

一種面向動態環境稠密建圖的動態物體檢測方法，在面向動態環境的稠密建圖系統中，根據通過xtion?pro?live相機輸入的RGBD視頻流獲得的RGB圖和深度圖進行動態場景的前后景分割，然后根據后景像素初步計算出相機運動模型，最后根據得到的相機位姿來判斷場景中的動態物體。

進一步地，包括以下步驟：

S1、構建固定大小的滑動窗口，對輸入的RGBD視頻流和對應的相機位姿存儲在滑動窗口中，用于構建幀與幀之間的運動約束；

S2、根據相機恒速模型，利用上一幀得到的相機位姿對上一幀的深度圖做仿射變換，得到估計的當前幀深度圖的值；

S3、計算當前幀深度值的中位數，結合步驟S2中得到的估計的當前幀深度圖的值，以深度中位數值作為分界線，對當前幀進行前后景分割；

S4、根據得到后景像素點計算出當前相機運動的位姿，作為相機位姿的粗估計；

S5、根據空間點的空間距離一致性，利用當前幀深度圖的數值做Kmeans聚類，得到在空間中x，y，z距離相近的多個聚類像素塊，把當前動態場景分成固定大小個空間聚類，并認為屬于一個類別的空間點具有相同的運動狀態；

S6、根據后景像素點求出的相機位姿，對上一幀深度圖做圖像仿射變換得到估計的當前幀深度圖，與當前幀輸入的深度圖的數值相比較，當兩者差值相差超過閾值τ，則認為對應像素點為動態像素點，從而得到當前幀所有動態像素點、靜態像素點和無效像素點；

S7、利用步驟S5中得到的空間聚類結果，檢測每一個空間聚類塊中被判斷為動態像素點的比例，若比例高于閾值λ則認為該空間聚類塊為動態聚類塊，從而實現對動態區域的正確區分。