[发明专利]一种动态环境下基于点线特征的语义SLAM方法

权利要求书

1.一种动态环境下基于点线特征的语义SLAM方法，其特征在于，包括以下步骤：

步骤一：标定相机，去除图像畸变，获得去畸变之后的图像序列；

步骤二：通过语义分割网络对输入图像进行分割，获得各物体掩码，并将动态物体的掩码部分去除，得到初步的去除动态物体后的图像；

步骤三：对去除先验动态的图像进行提取点特征，所述的点特征提取采用ORB特征点；对去除先验动态的RGB图片进行线特征提取，所述的线特征提取采用LSD直线特征提取；

步骤四：计算ORB特征点的描述子，采用快速最近邻算法进行特征点匹配；计算直线段的LBD二进制描述子，采用外观一致性验证和几何一致性验证进行线特征匹配；

步骤五：点线特征匹配策略进行相机初始位姿估计，包括恒速模型估计、参考关键帧估计以及重定位；

步骤六：通过跟踪线程获得相机位姿；

步骤七：通过局部建图线程进行点云处理，获得稀疏点云地图；

步骤八：利用回环检测来优化位姿，更正漂移误差。

2.根据权利要求1所述的一种动态环境下基于点线特征的语义SLAM方法，其特征在于，在所述步骤一中，标定相机，去除图像畸变具体的步骤为：

S1.1：首先获取相机内参，其中内参包括f_x,f_y,c_x,c_y，将三维坐标(X,Y,Z)归一化为齐次坐标(x,y)；

S1.2：去除畸变对图像的影响,其中[k₁,k₂,k₃,p₁,p₂]为该镜头的畸变系数，r为该点到坐标系原点的距离：

S1.3：将该摄像机坐标系下的坐标转到像素坐标系下：

3.根据权利要求1所述的一种动态环境下基于点线特征的语义SLAM方法，其特征在于，所述语义分割网络为轻量级语义分割网络FcHarDnet。

4.根据权利要求1所述的一种动态环境下基于点线特征的语义SLAM方法，其特征在于，在所述步骤三中，ORB特征点提取的步骤为：

S3.1：当图像当点P周围有超过N个的点的灰度值I(x)与该点P的灰度值I(p)相差大于阈值ε就认为该点为目标角点，具体表示为：

S3.2：通过计算质心保持特征点方向不变性，通过对原图像序列以一定比例缩放，构成图像金字塔，以保持特征点尺度不变性：同时为了使特征点在图像中均匀分布采用四叉树均匀算法；

S3.3：计算BRIEF描述子，通过二进制进行描述特征点周围的信息。

5.根据权利要求4所述的一种动态环境下基于点线特征的语义SLAM方法，其特征在于，在所述步骤三中，LSD直线特征提取的具体步骤为：

S3.4：采用LSD算法线段检测算法提取特征；以设定的尺度对图像进行高斯下采样，并计算点的梯度值和方向，根据梯度值对所有点进行排序后建立状态列表，将梯度值小于阈值的点在修改状态表中进行标志；

S3.5：取出列表中梯度最大的点作为种子点，以种子点为起点，搜索周围方向一定范围内所有未改变状态的点，并修改状态标志，最后生成线段L。

6.根据权利要求1所述的一种动态环境下基于点线特征的语义SLAM方法，其特征在于，在所述步骤四中，通过快速最近邻法对相邻帧中的特征点进行匹配，计算特征点之间的汉明距离，通过特征点间的相似程度进行匹配，并用采用PROSAC算法去除误匹配的特征点。