【技术实现步骤摘要】
基于特征的视觉SLAM语义优化算法方法及系统
[0001]本文件涉及计算机视觉
，尤其涉及一种基于特征的视觉SLAM语义优化算法方法及系统。
技术介绍
[0002]目前，计算机视觉是一个热门的研究领域，在无人机视觉定位、机器人导航等领域都有广泛的应用。对于视觉SLAM，为了保证定位和建图的稳定性，应尽可能保留稳定性好的关键帧和相关信息。视觉SLAM的前端分为直接前端和间接前端，对于前者，其相关信息即特征点，如SIFT，SURF和ORB等。对于间接视觉SLAM，其相关信息是单个像素表示的灰度值。在这些现有的SLAM方法中，都是假设所有运动估计在相对理想的前提下进行的，即信息随着时间和空间的变化具有良好的不变性。
[0003]然而，在实际的生产或生活环境中，无论是宏观层面的物体目标，还是微观层面的单个像素的灰度值，都不是恒定的，比如路边的行人和书桌上的书，都是可能移动的视觉目标。当定位过程中收集的特征点落在这些目标上时，系统计算的结果就会异常。
技术实现思路
[0004]本专利技术提供了一种基于特征...
【技术保护点】
【技术特征摘要】
1.一种基于特征的视觉SLAM语义优化方法，其特征在于，包括：S1、获取局部建图线程传入的关键帧，使用YOLOv3对局部地图进行处理，获取局部地图图像的对象位置，获取局部地图图像中对象的语义类别标签，根据所述语义类别标签的动态概率，获取图像中对象的动态概率；S2、根据所述对象的动态概率，通过词袋模型构建关键帧与对象之间的关系；S3、通过预设的筛选函数对关键帧进行筛选，通过设定关键帧的阈值判断是否删除该关键帧，并使局部建图线程接收新的关键帧；S4、结合语义信息的过滤轮过滤所述对象的地图点；S5、通过步骤S4和步骤S5获取过滤后的关键帧和地图点，从而消除语义中的动态目标和不稳定信息。2.根据权利要求1所述的方法，其特征在于，所述步骤S2中构建关键帧与对象之间的关系的过程中为每个对象及关键帧进行信息存储；为每个对象存储的信息包括：所述对象上的地图点的坐标、对象的类标签以及对象位置和大小信息；为每个关键字存储的信息包括：用于检测物体相应的RGB图像、生成点云的相应深度图像、在关键帧中观察到的对象。3.根据权利要求1所述的方法，其特征在于，所述步骤S2中使用对象作为单词来构建词袋模型，如下式所示：A＝(ω1,η1),(ω2,η2),
…
,(ω
N
，η
N
)}公式1；其中，ω表示单词，η表示对应单词的权重，权重由该单词对应的对象的动态概率表示，N表示检测到的对象数量，即k叉树的对应深度为1且k的值为N。4.根据权利要求1所述的方法，其特征在于，所述预设的筛选函数通过公式2进行获取：其中，
j
为每一帧关键帧的筛选分数，awh为动态对象的面积影响因子，a为参数的的权值，w,h为由YOLO输出的面积计算变量，为动态对象的影响因素，M
s
为动态对象所在关键帧的地图点数，M
h
是所有关键帧中地图点的总数，d是该项的权重参数，C
i
为该对象属于第i类的概率，D
i
为第i类对象是动态对象的概率，N为对象总数量；关键帧总数记为count，关键帧选择函数计算公式如下式所示：其中，参数f用于调整输出在[0,1]的范围内,S
j
为每一帧关键帧的筛选分数，设定关键帧的阈值为S
com
，判断S
sum
是否大于S
com
，如果大于则删除该关键帧，并使局部建图线程接收新的关键帧。5.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括：对所地图点的过滤分为两轮筛选，第一轮筛选将与动态对象相关的地图点移除，保证地图点与关键帧之间的良好关系，当对应的关键帧被删除后，地图点会被视为局部BA的外部点，此时地图点仍属于动态对象，并会继续进行第二轮过滤筛选；两轮筛选过后，保留了
良好的地图点，并在此基础上，利用PnP求解共视图中连接关键帧的ORB特征点恢复了新的地图点，遍历当前关键帧对应的相邻和次相邻关键帧，将当前帧与对应的地图点融合，最后更新当前关键帧对应的地图点属性，所述地图点属性包括：平均观测方向、观测距离以及生成树。6.一种基于特征的视觉SLAM语义优化系统，...
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。