语义信息与几何约束相结合的动态特征点剔除方法技术

本发明专利技术涉及于图像处理技术领域，尤其涉及语义信息与几何约束相结合的动态特征点剔除方法，步骤包括：在ORB

【技术实现步骤摘要】
语义信息与几何约束相结合的动态特征点剔除方法


[0001]本专利技术涉及于图像处理
，尤其涉及语义信息与几何约束相结合的动态特征点剔除方法。

技术介绍

[0002]同时定位与地图构建(Simultaneous Localization and Mapping，SLAM)技术是指搭载特定传感器的移动机器人在未知环境中从任意位置出发，于运动过程中根据观测到的路标，然后计算视野内路标与机器人的距离和夹角，从而定位自身的位置和姿态，同时在自身定位基础上增量式地构建周围环境地图。SLAM技术是机器人感知自身状态和外部环境的关键技术，更是机器人完成环境感知、自主定位与导航、路径规划、人机交互等复杂任务的关键及基础。
[0003]视觉SLAM因视觉传感器成本低、能获取丰富的环境信息被广泛应用，在静态环境下能够保证其鲁棒性和高效性，然而在实际动态场景下，由于场景中动态物体的特征点干扰，使得视觉SLAM图像帧间特征点匹配时出现误匹配，进而估计的位姿信息误差较大，最终导致机器人的运动轨迹与地图构建出现严重偏差。目前国内外动态场景视觉SLAM技术在一定本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
box
L
box
+W
cls
L
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
‑<...

【专利技术属性】
技术研发人员：闫河，黄奎霖，王旭，蔡朝安，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：