[发明专利]动态环境下基于GMM结合YOLO实时跟踪与建图方法

说明书

本发明公开了一种动态环境下基于GMM结合YOLO实时跟踪与建图方法，包括如下步骤：(1)对动态图像中的每帧图像提取特征点，利用仿射变换矩阵对非关键帧进行校正；(2)利用高斯混合模型对非关键帧阶段的图像进行训练，通过GMM对背景图像建模和分割前景动态区域；(3)将步骤(2)训练后的非关键帧图像和步骤(1)关键帧图像输入到YOLO检测器，使用粒子滤波算法，对YOLO检测器的图像进行跟踪和预测，剔除当前帧检测到的动态特征点，插入关键帧进行地图构建。本发明利用关键帧全局不连续的特性，通过GMM对背景图像训练，分割出前景动态区域，为YOLO提供先验；利用YOLOv3速度快、鲁棒性好的优点，实现连续帧之间的动态目标检测，提高了动态区域检测精度。

技术领域

本发明涉及图像处理领域，特别涉及一种动态环境下基于GMM结合YOLO实时跟踪与建图方法。

背景技术

SLAM是指同时定位与地图构建，SLAM可以解决机器人在未知环境中的运动问题，通过机器人在对环境的观测后及时反馈自身的姿态以及运动轨迹，构建出环境地图。早期的SLAM系统主要利用单线激光雷达、声呐等传感器来实现自身的定位，随着计算机视觉的飞速发展，通过相机与IMU的视觉SLAM系统凭借其便捷与成本低的优势，在机器人、AR地图构建、无人驾驶等领域得到广泛应用。

传统的动态目标检测方法包括光流法、帧间差分法和背景消除法，存在以下问题：光流法受场景亮度变化影响较大，帧差法受噪声影响较大，导致目标检测过程中存在误检、漏检等现象，使目标跟踪时产生漂移，进而影响目标跟踪的精度。

在诸多研究中将VSLAM系统建立在静态环境上，然而现实环境更为复杂，众多场景如教室、医院、购物场所等往往存在像人、车等诸多动态目标，很多的VSLAM系统并不具备复杂场景的适应性，导致计算得到的地图点和位姿矩阵产生误差。随着跟踪精度要求提高，目标跟踪数目增加，传统的滤波算法无法提供良好的跟踪效果。

发明内容

发明目的：针对以上问题，本发明目的是提供一种动态环境下基于GMM结合YOLO实时跟踪与建图方法，在动态环境下准确的去除动态区域，进而实现稳定的跟踪与建图。

技术方案：本发明的一种动态环境下基于GMM结合YOLO的实时跟踪与建图方法，包括如下步骤：

(1)对动态图像中的每帧图像提取特征点，分成关键帧和非关键帧，计算非关键帧中相邻两帧之间的仿射变换矩阵，利用仿射变换矩阵对非关键帧进行校正；

(2)利用高斯混合模型(GMM)对非关键帧阶段的图像进行训练，通过GMM对背景图像建模和分割前景动态区域；

(3)将步骤(2)训练后的非关键帧图像和步骤(1)关键帧图像输入到YOLO检测器，使用粒子滤波算法，对YOLO检测器的图像进行跟踪和预测，剔除当前帧检测到的动态特征点，插入关键帧进行地图构建。

进一步，所述步骤(1)仿射变换矩阵的关系式为：

其中等式左边矩阵表示当前帧坐标，等式右边表示仿真变换矩阵，表示当前帧的前一帧的坐标。

进一步，步骤(2)所述建模过程包括：

(21)利用GMM对非关键帧阶段图像的每个像素点进行匹配，找到每个像素点在K类正态分布模型中对应的模型，若该像素点属于当前的正态分布模型，则满足下式：

|X_t-μ_i,t-1|≤2.5σ_i,t-1

式中X_t表示待匹配的像素点，i表示正态分布模型对应的类别，μ_i,t-1表示t-1时刻第i个正态分布模型对应的像素均值，σ_i,t-1表示t-1时刻第i个正态分布模型对应所有像素的标准差；