【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别是涉及一种基于无纹理加权模块的无监督视觉里程计方法和系统。
技术介绍
1、视觉里程计作为实时定位与建图(slam)系统的前端，可以根据拍摄的图像估计相机的运动，使移动机器人在没有预设环境地图的情况下实现自我定位，在移动机器人的自动驾驶中起着至关重要的作用。最早的方法依赖人工设计的低维特征得到相邻两张图像之间的匹配点信息，进而计算得到相应的位姿信息。
2、随着深度学习的发展，现有视觉里程计也可以采用无监督学习。现有应用于视觉里程计的预测模型主要包含一个深度估计子网络和一个位姿估计子网络。其中深度估计子网络用于估计t时刻图片对应的深度图，位姿估计子网络用于估计t时刻与t+1时刻图像之间的相对位姿。一般情况将t时刻图像称为目标图像，t+1时刻图像称为源图像。根据上述得到的目标图像深度图和目标图像与源图像之间的相对位姿可以将源图像重投影至目标图像得到重建目标图像，目标图像与重建目标图像理论上应保持一致，根据两者之间的差异构建重投影损失约束预测模型进行训练。
3、但是，现有的预测模型普遍依赖重投影损失，然而当图像中存在无纹理区域时会导致重投影损失存在较大误差。即使目标图像与重建目标图像在无纹理区域的像素点没有一一对应，依旧会计算得到较小的重投影损失，这是因为无纹理区域中每个像素点具有相似的光度值，对应错误点仍具有相似的光度值。现有方法通过目标图像和重建目标图像之间做差进行无纹理区域判定并直接将其用掩码遮盖，这虽然在一定程度上缓解了该问题，但直接进行遮盖会导致重投影损失计算的过程中无法充
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于无纹理加权模块的无监督视觉里程计方法和系统，减少场景中无纹理区域对无监督视觉里程计中重投影损失的影响。
2、本专利技术解决其技术问题所采用的技术方案是：提供一种基于无纹理加权模块的无监督视觉里程计方法，包括以下步骤：
3、接收单目视频序列；
4、将所述单目视频序列输入至预测模型，得到所述单目视频序列中每相邻两帧之间的位姿以及每帧图像的深度图；其中，所述预测模型包括：
5、深度估计子网络，用于估计输入的目标图像对应的深度图；
6、位姿估计子网络，用于估计输入的目标图像和源图像之间的相对位姿；
7、重投影模块，用于根据深度图和相对位姿对源图像进行重投影操作，得到重建目标图像；
8、无纹理加权模块，用于对所述目标图像和重建目标图像中无纹理区域的每个像素点赋予不同权重，得到用于构造重投影损失的加权目标图像和加权重建目标图像。
9、所述无纹理加权模块包括：
10、无纹理区域筛选单元，用于生成输入图像的无纹理区域索引，对输入图像中的无纹理区域进行标记；
11、图像滤波单元，用于根据所述无纹理区域索引对输入图像的无纹理区域进行去噪处理，得到二值化图像无纹理区域索引；
12、加权单元，用于采用距离变换函数对所述二值化图像无纹理区域索引进行处理得到无纹理区域加权权重。
13、所述无纹理区域筛选单元包括：
14、卷积处理子单元，用于对输入的图像进行卷积操作，得到输入图像中无纹理区域的初步索引；
15、阈值筛选处理子单元，用于通过无纹理阈值对所述输入图像中无纹理区域的初步索引进行筛选，得到输入图像的无纹理区域索引。
16、所述卷积处理子单元在进行卷积操作时，卷积核参数通过以下方式进行设置：
17、当采用的卷积核的尺寸小于或等于卷积阈值时，将除卷积核中心参数外的所有参数设置为-1，卷积核中心参数设置为n2-1；
18、当采用的卷积核的尺寸大于卷积阈值时，将除卷积核中心参数外的所有参数设置为卷积核中心参数设置为除卷积核中心参数外其它参数之和的相反数；
19、其中，n为卷积核的尺寸，x,y为卷积核中参数的位置坐标信息，坐标原点在卷积核中心，pxy为坐标(x,y)处卷积核的参数，σ为预设参数。
20、本专利技术解决其技术问题所采用的技术方案是：提供一种基于无纹理加权模块的无监督视觉里程计系统，包括：
21、接收模块，用于接收单目视频序列；
22、预测模块，用于将所述单目视频序列输入至预测模型，得到所述单目视频序列中每相邻两帧之间的位姿以及每帧图像的深度图；其中，所述预测模型包括：
23、深度估计子网络，用于估计输入的目标图像对应的深度图；
24、位姿估计子网络，用于估计输入的目标图像和源图像之间的相对位姿；
25、重投影模块，用于根据深度图和相对位姿对源图像进行重投影操作，得到重建目标图像；
26、无纹理加权模块，用于对所述目标图像和重建目标图像中无纹理区域的每个像素点赋予不同权重，得到用于构造重投影损失的加权目标图像和加权重建目标图像。
27、所述无纹理加权模块包括：
28、无纹理区域筛选单元，用于生成输入图像的无纹理区域索引，对输入图像中的无纹理区域进行标记；
29、图像滤波单元，用于根据所述无纹理区域索引对输入图像的无纹理区域进行去噪处理，得到二值化图像无纹理区域索引；
30、加权单元，用于采用距离变换函数对所述二值化图像无纹理区域索引进行处理得到无纹理区域加权权重。
31、所述无纹理区域筛选单元包括：
32、卷积处理子单元，用于对输入的图像进行卷积操作，得到输入图像中无纹理区域的初步索引；
33、阈值筛选处理子单元，用于通过无纹理阈值对所述输入图像中无纹理区域的初步索引进行筛选，得到输入图像的无纹理区域索引。
34、所述卷积处理子单元在进行卷积操作时，卷积核参数通过以下方式进行设置：
35、当采用的卷积核的尺寸小于或等于卷积阈值时，将除卷积核中心参数外的所有参数设置为-1，卷积核中心参数设置为n2-1；
36、当采用的卷积核的尺寸大于卷积阈值时，将除卷积核中心参数外的所有参数设置为卷积核中心参数设置为除卷积核中心参数外其它参数之和的相反数；
37、其中，n为卷积核的尺寸，x,y为卷积核中参数的位置坐标信息，坐标原点在卷积核中心，pxy为坐标(x,y)处卷积核的参数，σ为预设参数。
38、本专利技术解决其技术问题所采用的技术方案是：提供一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于无纹理加权模块的无监督视觉里程计方法的步骤。
39、本专利技术解决其技术问题所采用的技术方案是：提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于无纹理加权模块的无监督视觉里程计方法的步骤。
40、有益效果
41、由于采用了上述的技术方案，本本文档来自技高网...
【技术保护点】
1.一种基于无纹理加权模块的无监督视觉里程计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，所述无纹理加权模块包括：
3.根据权利要求2所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，所述无纹理区域筛选单元包括：
4.根据权利要求3所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，
5.一种基于无纹理加权模块的无监督视觉里程计系统，其特征在于，包括：
6.根据权利要求5所述的基于无纹理加权模块的无监督视觉里程计系统，其特征在于，所述无纹理加权模块包括：
7.根据权利要求6所述的基于无纹理加权模块的无监督视觉里程计系统，其特征在于，所述无纹理区域筛选单元包括：
8.根据权利要求7所述的基于无纹理加权模块的无监督视觉里程计系统，其特征在于，
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一所述基于无
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述基于无纹理加权模块的无监督视觉里程计方法的步骤。
...【技术特征摘要】
1.一种基于无纹理加权模块的无监督视觉里程计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，所述无纹理加权模块包括：
3.根据权利要求2所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，所述无纹理区域筛选单元包括：
4.根据权利要求3所述的基于无纹理加权模块的无监督视觉里程计方法，其特征在于，
5.一种基于无纹理加权模块的无监督视觉里程计系统，其特征在于，包括：
6.根据权利要求5所述的基于无纹理加权模块的无监督视觉里程计系统，其特征在于，所述无纹理加权模块包括：
...【专利技术属性】
技术研发人员：朱冬晨，刘润泽，张广慧，李嘉茂，王磊，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
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。