【技术实现步骤摘要】
一种泊车场景下精确提取视觉SLAM静态特征的方法
[0001]本专利技术属于视觉SLAM与深度学习领域，尤其涉及一种泊车场景下视觉SLAM利用深度学习目标检测去除动态特征点的方法，能够在泊车场景下精确提取视觉SLAM静态特征，便于完成建图。
技术介绍
[0002]同时定位与地图构建(Simultaneous localization and mapping，SLAM)技术在没有环境先验内容的前提下，利用机器人自身的传感器完成对周围环境信息的摄取和处理，进而完成地图构建与机器人的自身定位。利用相机传感器完成对周围环境的感知称为视觉SLAM，视觉传感器利用其成本低廉、采集信息丰富等优势，成为现代SLAM研究常用到的传感器。
[0003]随着视觉SLAM的技术不断完善和发展，涌现一批如ORB
‑
SLAM2，OpenVSLAM等优秀的开源SLAM框架。经典的视觉SLAM主要由传感器数据输入、前端视觉里程计、后端优化、回环检测、建图几个模块组成。ORB
‑
SLAM2由跟踪、局部建图和回环检测...
【技术保护点】
【技术特征摘要】
1.一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，包括以下步骤：步骤1：对车前方的停车场场景提取图像，对图像进行预处理后将图像输入到目标检测网络中进行目标检测，得到目标物的检测框；步骤2：筛选步骤1中输出的动态物体检测框，并形成mask掩码，与SuperPoint网络提取的特征点结合使用，剔除动态物体检测框的特征点，并得到关键点和描述子，SuperPoint网络包括关键点和描述子的共享编码器、关键点解码器和描述子解码器，共享编码器用于对图像进行编码得到特征图，关键点解码器用于对获得图像中关键点的坐标，描述子解码器用于获取关键点的描述子向量，其中，对SuperPoint网络的改进包括：将编码器中的所有卷积改成深度可分离卷积，其中，目标检测和特征提取使用多线程并行技术，在特征提取的同时进行目标检测；步骤3：如果mask掩码代表的是行人，SuperPoint网络对掩码内的特征点进行剔除；如果是汽车，则对比相邻帧的汽车目标检测区域，相邻的两个目标检测区域的非公共部分的特征点保留，公共部分的特征点进行剔除，得到筛选后的静态特征点；步骤4：利用SuperPoint网络提取并剔除mask掩码内的关键点和描述子，使用剩余的特征点进行特征匹配，继续执行视觉SLAM的tracking模块，计算相机位姿并建图，完成整个SLAM工作。2.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，步骤1中，目标检测网络采用YOLOv5网络，目标检测的过程包括：输入RGB图像，将输入图像缩放到网络的输入尺寸，并进行数据增强；主干网络提取图像特征，生成特征图，Backbone模块使用CSPDarknet53结构和Focus结构来提取通用特征；将提取的通用特征输送到Neck网络中提取更具多样性和鲁棒性的特征，输入到CSP2_X和CBL结构，并经过上采样，和主干网络输出的特征进行拼接；最后输出端使用CIoU_LOSS作为Bounding Box的损失函数。3.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，步骤2中采用的SuperPoint网络在训练前，SuperPoint网络采用自监督的方式进行提取，首先使用规则的几何形状作为数据集训练一个全卷积网络；将未标注的真实图片利用所述全卷积网络的检测结果作为伪真值关键点，并使用使用单应技术将未标注的真实图片在不同尺寸下提取特征，生成伪标签；生成伪标签后，即可将真实未标注图片放进SuperPoint网络中进行训练。4.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，步骤2中，SuperPoint网络检测关键点和描述子过程如下：输入一张H*W*3的图像帧，将其灰度化后转化成H*W*1，接着将图像输入到经过改进的更加轻量化共享编码器，经过编码器后，输入图像尺寸转化为H
c
＝H/8，W
c
＝W/8；关键点解码器进行子像素卷积...
【专利技术属性】
技术研发人员：崔博非，胡习之，李洪涛，符茂达，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。