基于稀疏光流的动态像素点分布识别方法、系统及设备技术方案

本发明专利技术公开了一种基于稀疏光流的动态像素点分布识别方法、系统及设备，涉及计算机视觉领域，方法包括获取搭载在机器人上的相机所采集的当前帧图像，并对当前帧图像进行特征提取，得到当前帧图像的目标特征点以及目标特征点对应的描述子；采用稀疏光流算法计算目标特征点的运动信息，并根据目标特征点的运动信息和描述子确定跟踪成功的特征点；根据跟踪成功的特征点和动态分布度识别器，确定动态类的特征点和静态类的特征点；根据区域生长算法和动态类的特征点，对当前帧图像中的动态区域进行剔除，得到当前帧图像对应的静态图像。本发明专利技术以解决现有动态环境下视觉SLAM技术无法实时运行且使用场景受限的问题。运行且使用场景受限的问题。运行且使用场景受限的问题。

【技术实现步骤摘要】
基于稀疏光流的动态像素点分布识别方法、系统及设备


[0001]本专利技术涉及计算机视觉领域，特别是涉及一种基于稀疏光流的动态像素点分布识别方法、系统及设备。

技术介绍

[0002]SLAM指的是Simultaneous Localization and Mapping，即同时定位和建图。在现实生活中，人们需要通过感知环境、认知位置和方向等方式来完成日常生活以及工作任务，而机器人也需要具备这样的能力。SLAM技术就是为了让机器人具备自主感知和导航能力而诞生的技术。随着计算机视觉领域的快速发展，人们发现利用视觉传感器（例如单目相机、双目相机或RGB
‑
D相机）也能够实现高精度的定位和建图。相比于其他传感器，视觉传感器具有成本低、重量轻、易于安装、数据处理方便等优点，因此视觉传感器在机器人导航、无人驾驶、虚拟现实等领域得到了广泛应用。
[0003]视觉SLAM技术是利用相机图像进行同时定位和建图的SLAM技术，具体地，视觉SLAM技术是将图像处理、计算机视觉和机器人技术等领域的知识相结合，通过对图像中的特征点提取、匹配和优化等操作，得到机器人在三维空间中的位置和姿态，并构建出环境的三维地图的方法。在动态环境下的视觉SLAM技术中，由于场景中存在移动的物体或者人等动态元素，会导致图像中的特征点出现变化或者跟踪丢失，从而影响视觉SLAM技术的定位精度和建图精度。因此，在使用动态环境下的视觉SLAM技术时，需要采用一些方法来识别动态物体，目前通常使用相邻帧之间的运动进行估计和预测的方法，来消除动态物体对定位和建图的干扰，例如光流法、稠密匹配等方法，对运动物体进行追踪和预测；深度学习方法通常使用目标检测和语义分割的方法，将动态物体从静态背景中分离出来。但是上述方法计算量大、对算力的要求较高，无法达到实时性，并且应用场景受限，仅可在背景面积大于前景面积的情况下使用，受到了多方面限制，以致无法在实际场景中使用。

技术实现思路

[0004]本专利技术的目的是提供一种基于稀疏光流的动态像素点分布识别方法、系统及设备，以解决现有动态环境下视觉SLAM技术无法实时运行且使用场景受限的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]第一方面，本专利技术提供了一种基于稀疏光流的动态像素点分布识别方法，包括：
[0007]获取搭载在机器人上的相机所采集的当前帧图像，并对所述当前帧图像进行特征提取，得到所述当前帧图像的目标特征点以及所述目标特征点对应的描述子；所述目标特征点为自适应响应阈值的特征点；
[0008]采用稀疏光流算法计算所述目标特征点的运动信息，并根据所述目标特征点的运动信息和描述子确定跟踪成功的特征点；所述运动信息包括运动速度、运动方向和位移向量；
[0009]根据所述跟踪成功的特征点和动态分布度识别器，确定动态类的特征点和静态类
的特征点；
[0010]根据区域生长算法和所述动态类的特征点，对所述当前帧图像中的动态区域进行剔除，得到当前帧图像对应的静态图像。
[0011]第二方面，本专利技术提供了一种基于稀疏光流的动态像素点分布识别系统，包括：
[0012]特征信息提取模块，用于获取搭载在机器人上的相机所采集的当前帧图像，并对所述当前帧图像进行特征提取，得到所述当前帧图像的目标特征点以及所述目标特征点对应的描述子；所述目标特征点为自适应响应阈值的特征点；
[0013]特征点跟踪模块，用于采用稀疏光流算法计算所述目标特征点的运动信息，并根据所述目标特征点的运动信息和描述子确定跟踪成功的特征点；所述运动信息包括运动速度、运动方向和位移向量；
[0014]特征点分类模块，用于根据所述跟踪成功的特征点和动态分布度识别器，确定动态类的特征点和静态类的特征点；
[0015]静态图像确定模块，用于根据区域生长算法和所述动态类的特征点，对所述当前帧图像中的动态区域进行剔除，得到当前帧图像对应的静态图像。
[0016]第三方面，本专利技术提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的一种基于稀疏光流的动态像素点分布识别方法。
[0017]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0018]本专利技术在不牺牲特征点提取速度的同时，进行动态类的特征点的识别和动态区域的分割，最终得到干净的静态数据，解决现有动态环境下视觉SLAM技术无法实时运行且使用场景受限的问题。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的一种基于稀疏光流的动态像素点分布识别方法的流程示意图；
[0021]图2为本专利技术实施例提供的FAST角点提取过程示意图；
[0022]图3为本专利技术实施例提供的基于稀疏光流的动态像素点分布识别方法的结构示意图。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实
施方式对本专利技术作进一步详细的说明。
[0025]实施例一
[0026]本实施例提供的一种基于稀疏光流的动态像素点分布识别方法，该方法应用于机器人上，且搭载在机器人上的相机能够采集连续帧的图像。如图1所示，该方法包括：
[0027]步骤101：获取搭载在机器人上的相机所采集的当前帧图像，并对所述当前帧图像进行特征提取，得到所述当前帧图像的目标特征点以及所述目标特征点对应的描述子；所述目标特征点为自适应响应阈值的特征点。
[0028]步骤102：采用稀疏光流算法计算所述目标特征点的运动信息，并根据所述目标特征点的运动信息和描述子确定跟踪成功的特征点；所述运动信息包括运动速度、运动方向和位移向量。
[0029]步骤103：根据所述跟踪成功的特征点和动态分布度识别器，确定动态类的特征点和静态类的特征点。
[0030]步骤104：根据区域生长算法和所述动态类的特征点，对所述当前帧图像中的动态区域进行剔除，得到当前帧图像对应的静态图像。
[0031]作为一种优选地实施方式，步骤101，具体包括：
[0032]首先对输入的当前帧图像进行高斯模糊处理，并对高斯模糊处理后的当前帧图像进行两次下采样，生成1/2尺度的图像金字塔和1/4尺度的图像金字塔；其次，采用FAST角点检测器分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏光流的动态像素点分布识别方法，其特征在于，包括：获取搭载在机器人上的相机所采集的当前帧图像，并对所述当前帧图像进行特征提取，得到所述当前帧图像的目标特征点以及所述目标特征点对应的描述子；所述目标特征点为自适应响应阈值的特征点；采用稀疏光流算法计算所述目标特征点的运动信息，并根据所述目标特征点的运动信息和描述子确定跟踪成功的特征点；所述运动信息包括运动速度、运动方向和位移向量；根据所述跟踪成功的特征点和动态分布度识别器，确定动态类的特征点和静态类的特征点；根据区域生长算法和所述动态类的特征点，对所述当前帧图像中的动态区域进行剔除，得到当前帧图像对应的静态图像。2.根据权利要求1所述的一种基于稀疏光流的动态像素点分布识别方法，其特征在于，对所述当前帧图像进行特征提取，得到所述当前帧图像的目标特征点以及所述目标特征点对应的描述子，具体包括：对输入的当前帧图像进行高斯模糊处理，并对高斯模糊处理后的当前帧图像进行两次下采样，生成1/2尺度的图像金字塔和1/4尺度的图像金字塔；采用FAST角点检测器分别对1/2尺度的图像金字塔和1/4尺度的图像金字塔进行FAST角点提取，得到所述当前帧图像对应的FAST角点；计算所述当前帧图像对应的每个FAST角点的响应值，并根据所述当前帧图像对应的每个FAST角点的响应值确定所述当前帧图像对应的自适应响应阈值的特征点；计算所述当前帧图像的自适应响应阈值的特征点对应的描述子。3.根据权利要求2所述的一种基于稀疏光流的动态像素点分布识别方法，其特征在于，根据所述当前帧图像对应的每个FAST角点的响应值确定所述当前帧图像对应的自适应响应阈值的特征点，具体包括：按响应值从高到低顺序对所述当前帧图像对应的FAST角点排序，然后从排序后的第一个FAST角点开始，计算相邻FAST角点的响应值的差值，并当第n个FAST角点的响应值与第n+1个FAST角点的响应值的差值大于设定阈值时，取前n个FAST角点作为自适应响应阈值的特征点；所述设定阈值为第n个FAST角点的响应值的百分之三十。4.根据权利要求1所述的一种基于稀疏光流的动态像素点分布识别方法，其特征在于，采用稀疏光流算法计算所述目标特征点的运动信息，具体包括：采用稀疏光流算法，在上一帧图像中寻找与目标特征点相匹配的像素点，并计算所述目标特征点与匹配像素点之间的运动信息；所述匹配像素点为与所述目标特征点相匹配的像素点。5.根据权利要求4所述的一种基于稀疏光流的动态像素点分布识别方法，其特征在于，根据所述目标特征点的运动信息和描述子确定跟踪成功的特征点，具体包括：将符合第一条件和第二条件的目标特征点确定为跟踪成功的特征点；所述第一条件为所述目标特征点与所述匹配像素点之间的位移向量小于设定位移向量；所述第二条件为所...

【专利技术属性】
技术研发人员：陈帅新，张聪炫，甘宝霖，卢锋，陈震，葛利跃，陈昊，江乐旗，胡卫明，吕科，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：