[发明专利]基于边缘信息的RGB-D相机动态视觉里程计方法

权利要求书

1.基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于，包括以下步骤：

S1，使用K-means聚类法，将RGB-D相机采集到的图像分为24个簇；

S2，将聚类后的边缘图与灰度图分别坐标变换到关键帧及其DT图上，分别得到光度及几何一致性残差、边缘对齐残差和补偿残差；

S3，将所述光度及几何一致性残差和边缘对齐残差进行数据融合，构建基于边缘信息的聚类残差模型；

S4，引入平均背景深度进行运动分割，基于步骤S3构建的模型引入平均背景深度构建引入平均背景深度聚类残差模型；

S5，计算步骤S2中的补偿残差；

S6，将步骤S2中的补偿残差和S5构建的残差模型与面元3D重建算法结合，得到加权聚类残差；

S7，将步骤S6得到的加权聚类残差加入优化函数中进行位姿估算，并将得到的位姿进行跟踪质量检查，更新下次迭代的变换矩阵或关键帧。

2.根据权利要求1所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述K-means聚类法，通过计算每一个三维空间点距离簇中心点的距离，来确定该空间点属于哪一个簇。

3.根据权利要求1所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述步骤S2包括：

S21：将聚类后的当前帧F_c坐标变换到关键帧F_k，根据光度及几何一致性构建残差模型，计算光度及几何一致性误差；

S22：将聚类后的边缘图坐标变换到关键帧的DT图，得到基于边缘对齐的残差模型，计算边缘对齐误差。

4.根据权利要求3所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述构建的光度及几何一致性残差模型为：

r_I^p(ξ)＝I_M(ω(x^p,ξ))-I_D(x^p)

式中，r_I^p和分别表示点p对应的光度误差与深度误差，x^p为当前帧的第p个像素点，M表示关键帧，D表示当前帧，I为光度图，Z为深度图，T(ξ)表示变换矩阵，|·|_Z表示三维坐标点的Z坐标值，ξ为当前帧到关键帧坐标变换的李代数，π^-1为逆投影函数，ω为坐标变换函数；

所述边缘对齐残差模型具体公式如下：

式中，表示对齐残差，表示边缘点p对应的DT误差，DT_M表示关键帧的DT误差函数。

5.根据权利要求1所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：步骤S3所述基于边缘信息的聚类残差模型，具体公式如下：

式中，r_n表示第n个簇的残差值，分别表示点i对应的光度误差、深度误差和DT误差，α_I表示缩放强度，α_E表示DT误差在残差模型中所占权重，O_n表示第n个簇中遮挡的像素个数，E_n表示第n个簇中所有深度有效的边缘点，F(·)表示Cauchy函数，M表示图像中深度有效点的数量，S(b)表示动态残差集合，b_i(p)表示p点所在i簇的得分，分别表示根据噪声对光度和几何残差加权的权重。

6.根据权利要求5所述基于边缘信息的RGB-D相机动态视觉里程计方法，其特征在于：所述DT误差在残差模型中所占权重α_E的公式如下：

式中，v_c为相机运动速度，N为簇总数量，μ为由α_I到α_E的尺度系数，S_n表示第n个簇中所有深度有效的像素个数，E_n表示第n个簇中所有深度有效的边缘点。