基于NeRF的物体轮廓与纹理增强的SLAM方法，该方法的过程包括：S1：利用深度补全网络恢复不完整深度图中缺失的物体几何信息；S2：根据图像梯度和补全深度，通过两阶段像素采样提取场景物体的几何约束信息；S3：深度指导下的相机射线上的体渲染，生成渲染的深度和渲染颜色；S4：利用图像帧之间的估计位姿，分别计算旋转角差异和平移距离，并据此执行关键帧选择策略，将二维图像生成为三维重建结果。通过本申请可以提升NeRF在物体形状和纹理等细节处的重建效果。
【技术实现步骤摘要】
本专利技术涉及计算机视觉和机器人技术的交叉领域，更具体地说是基于nerf的物体轮廓与纹理增强的slam方法。
技术介绍
1、在自动化和机器人领域，slam(simultaneous localization and mapping)技术一直是关键技术之一，允许机器在未知环境中进行导航和地图创建。然而，传统的slam方法在处理环境的物体轮廓与纹理方面存在限制。这些方法往往依赖于低层次的视觉特征(如边缘或角点)来估计环境的几何结构，但在捕捉场景的详细纹理和复杂物体轮廓方面表现不佳。
2、nerf(neural radiance fields)技术，作为一种基于深度学习的三维重建方法，提供了对场景的细致捕捉能力。nerf通过模拟光在场景中的传播，能够生成高度真实感的视觉输出。
3、结合nerf技术的slam方法，实现将nerf的高保真场景渲染与slam的实时定位和地图构建能力相结合。生成的重建场景结果相比较经典slam的方法有所提升，但是在相似纹理之间的物体形状重建和相似几何中的纹理渲染中，效果仍然不足。
/>技术本文档来自技高网...
【技术保护点】
1.基于NeRF的物体轮廓与纹理增强的SLAM方法，其特征在于：所述方法包括下列步骤：
2.根据权利要求1所述的基于NeRF的物体轮廓与纹理增强的SLAM方法，其特征在于，步骤2中，采用基于梯度和深度先验的两阶段采样方法，用于强化物体形状约束。第一阶段采用区域化的梯度像素采样，通过计算图像区域的梯度幅值来表示边缘信息，并确保像素采样在整个图像上均匀分布，以平衡物体形状和低变化纹理区域的重现。梯度幅值由图像中每个像素点的水平(x方向)和垂直(y方向)梯度分量组成，计算公式如下：
3.根据权利要求1所述的基于NeRF的物体轮廓与纹理增强的SLAM方法，其特征在于，步骤...
【技术特征摘要】
1.基于nerf的物体轮廓与纹理增强的slam方法，其特征在于：所述方法包括下列步骤：
2.根据权利要求1所述的基于nerf的物体轮廓与纹理增强的slam方法，其特征在于，步骤2中，采用基于梯度和深度先验的两阶段采样方法，用于强化物体形状约束。第一阶段采用区域化的梯度像素采样，通过计算图像区域的梯度幅值来表示边缘信息，并确保像素采样在整个图像上均匀分布，以平衡物体形状和低变化纹理区域的重现。梯度幅值由图像中每个像素点的水平(x方向)和垂直(y方向)梯度分量组成，计算公式如下：
3.根据权利要求1所述的基于nerf的物体轮廓与纹理增强的slam方法，其特征在于，步骤3中，首先通过粗采样在每个像素的相机射线上均匀选取点，以获取射线上物体...
【专利技术属性】
技术研发人员：张剑华，陆佳铭，刘儒瑜，陈胜勇，
申请(专利权)人：天津理工大学，
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。