[发明专利]基于DeepLabv3+_SLAM的动态对象检测方法

说明书

本发明公开了一种基于DeepLabv3⁺_SLAM的动态对象检测方法，该方法包括步骤：S1，对采集的图像序列进行关键帧的筛选；S2，利用DeepLabv3⁺算法结合上下文信息分割出潜在的先验动态对象；S3，采用多视图几何的方法，依据相邻关键帧检测图像中物体的运动状态信息，判断其是否为动态对象；S4，利用新蚁群策略，通过最优路径找到所有的动态特征点所在组，避免遍历所有特征点；S5，融合物体的先验信息和运动状态信息检测其是否为动态对象并进行剔除。通过在公共数据集PASCAL VOC2012和TUM上分别进行实验，并与近几年的相关文献相比，结果均表明该发明能够有效检测到环境中的动态对象，减少其对系统的影响。

技术领域

本发明属于语义SLAM领域，特别是一种基于DeepLabv3⁺_SLAM的动态对象检测方法。

背景技术

随着机器人技术和计算机科学的快速发展，自主移动机器人被广泛应用于工业、农业等各个领域。SLAM作为机器人运动领域中最先进的技术之一，能够利用机器人自身的传感器数据进行自主定位与地图构建。近年来，随着深度学习技术的发展，越来越多优秀的图像算法被应用在视觉SLAM中，为视觉SLAM消除动态物体的影响和实现对高级语义信息的理解提供了方法与思路，这些结合深度学习的SLAM方法被统称为语义SLAM。

动态物体的检测是语义SLAM中重要的部分之一，机器人通过采集图像，判断当前帧和上一帧之间的变化判断该图像中是否有动态对象，如果存在动态对象，就要对其进行剔除，从而保证SLAM的定位和建图的精度。基于语义分割和SLAM相结合的方法目前检测动态物体常用的方法之一，通过使用语义信息和动态场景中的运动特征点过滤动态对象。但是由于语义分割网络模型的不同，使得网络所能识别的对象类型受到限制，资源消耗的增加，处理图像帧的能力不足影响到了SLAM系统的实时性。

发明内容

为了解决上述问题，本发明提出了一种基于DeepLabv3⁺_SLAM的动态对象检测方法，在所设计的方法中，DeepLabv3⁺网络通过ResNest以及设计的ASPP网络能够有效提升网络对图像帧处理的速度，减少语义分割的消耗的时间，提高先验动态对象检测的准确率。提出的新蚁群策略能够避免多视图几何方法对所有特征点进行动静点判断，减少特征点提取耗时，提升SLAM的实时性。

本发明采用的技术方案是：基于DeepLabv3⁺_SLAM的动态对象检测方法，包括以下步骤：

S1，对输入的图像进行关键帧的筛选，生成关键帧队列。

S2，利用DeepLabv3⁺算法结合上下文信息分割出潜在的先验动态对象。

S3，采用多视图几何的方法，依据相邻关键帧检测图像中物体的运动状态信息，判断其是否为动态对象。

S4，利用新蚁群策略，通过最优路径找到所有的动态特征点所在组，避免遍历所有特征点。

S5，融合物体的先验信息和运动状态信息检测其是否为动态对象并进行剔除。

进一步，步骤S1所述关键帧的筛选包括，当前帧图像跟踪到的特征点较上一帧的特征点，两者特征点的重合度小于75％，或者当前帧跟踪的地图点少于50个时，说明此时相机已经运动了一段距离，插入关键帧。