一种动态环境下融合边缘信息的稠密视觉里程计方法技术

本发明专利技术公开了一种动态环境下融合边缘信息的稠密视觉里程计方法，具体步骤为：首先，根据深度信息进行场景聚类，再基于光度信息与边缘信息的聚类构建出残差模型，并引入平均背景深度，加大前景残差。然后，将残差模型与非参数统计模型相结合，分离动态物体并得到聚类权重。最后，将加权聚类残差加入到位姿估计的非线性优化函数中，以降低动态物体的影响，提高位姿估计的精度。在TUM数据集上进行实验，结果表明本文算法在动态环境下比现有算法有更高的精度与鲁棒性。

【技术实现步骤摘要】
一种动态环境下融合边缘信息的稠密视觉里程计方法
本专利技术属于视觉SLAM领域，特别是一种动态环境下融合边缘信息的稠密视觉里程计方法。
技术介绍
视觉里程计(visualodometry)是一种利用视觉传感器信息对机器人或其他载体进行准确的位姿估计的方法，相比于使用激光传感器的方法，视觉信息更加丰富，可用于三维重建、物体识别、语义分割等。同时，因其成本低、体积小、精度高等优点，而广泛的应用于机器人自主导航、自动驾驶、增强现实等领域。为了简化定位与建图问题，现阶段大部分视觉里程计都是假设相机处于静态环境或者图像信息的变化仅依赖于相机自身的运动。然而实际的环境中不可避免的存在动态物体，当动态物体在图像中所占比重较小时，一般可采用随机采样一致性(RANSAC)或鲁棒Huber函数等概率方法将动态部分当作噪声剔除掉。若动态物体在图像中占比较大时，则无法通过概率方法剔除，动态特征会影响到位姿估计，得到错误的位姿，最终导致定位与建图失败。
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种能够在动态环境下实时且准确的本文档来自技高网...

【技术保护点】
1.一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：包括以下步骤：/nS1，使用K-means聚类法，将图像分为N个集群；/nS2，将聚类后的边缘图与灰度图分别坐标变换到关键帧及其DT图上，分别计算出光度及几何一致性误差与边缘对齐误差；/nS3，将S2中的两种误差进行数据融合，构建融合边缘信息的聚类残差模型，并将其正则化；/nS4，引入平均背景深度进行运动分割，基于S3构建引入平均背景深度的聚类残差模型；/nS5，构建基于t分布的非参数统计模型，根据自适应阈值构建场景分割模型，并计算得到加权聚类残差；/nS6，将步骤S5得到的加权聚类残差加入到优化函数中进行位姿估算，并将得到的位姿...

【技术特征摘要】
1.一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：包括以下步骤：
S1，使用K-means聚类法，将图像分为N个集群；
S2，将聚类后的边缘图与灰度图分别坐标变换到关键帧及其DT图上，分别计算出光度及几何一致性误差与边缘对齐误差；
S3，将S2中的两种误差进行数据融合，构建融合边缘信息的聚类残差模型，并将其正则化；
S4，引入平均背景深度进行运动分割，基于S3构建引入平均背景深度的聚类残差模型；
S5，构建基于t分布的非参数统计模型，根据自适应阈值构建场景分割模型，并计算得到加权聚类残差；
S6，将步骤S5得到的加权聚类残差加入到优化函数中进行位姿估算，并将得到的位姿进行跟踪质量检查，更新下次迭代的变换矩阵或关键帧。


2.根据权利要求1所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：所述K-means聚类法，通过计算每一个三维空间点距离集群中心点的距离，来确定该空间点属于哪一个集群。


3.根据权利要求1所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：所述步骤S2具体包括：
S21：将聚类后的当前帧Fc的灰度图坐标变换到关键帧Fk，根据光度及几何一致性构建残差模型，计算光度及几何一致性误差，所述基于光度及几何一致性的残差模型具体公式如下：






式中，和分别表示点i对应的光度误差与深度误差，为当前帧的第i个像素点，Ik和Zk表示关键帧的灰度图与深度图，Ic和Zc表示当前帧的灰度图与深度图，|·|Z表示三维坐标点的Z坐标值，Tkc表示从当前帧到关键帧的坐标变换矩阵，ξkc为当前帧到关键帧坐标变换的李代数，π-1为逆投影函数，ω为坐标变换函数；
S22：将聚类后的边缘图坐标变换到关键帧的DT图，得到基于边缘对齐的残差模型，计算边缘对齐误差，所述基于边缘对齐的残差模型具体公式如下：



式中，表示边缘点i对应的DT误差，DTk表示关键帧的DT误差函数。


4.根据权利要求1所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：所述构建融合边缘信息的聚类残差模型，将边缘对齐误差引入到光度及几何一致性误差中构建融合边缘信息的残差模型，具体公式如下：



式中，rn表示第n个集群的残差值，Sn表示第n个集群中所有深度有效的像素个数，On表示第n个集群中遮挡的像素个数，En表示第n个集群中所有深度有效的边缘点，为第n个群的平均深度，αI与αE分别表示光度误差与DT误差在残差模型中所占权重，表示边缘点i对应的DT误差。


5.根据权利要求4所述一种动态环境下融合边缘信息的稠密视觉里程计方法，其特征在于：...

【专利技术属性】
技术研发人员：罗元，周凯，李晋宏，曾念文，吕元元，范晶晶，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50