[发明专利]基于边缘信息的RGB-D相机动态视觉里程计方法

说明书

本发明公开了一种基于边缘信息的RGB‑D相机的动态环境觉里程计方法，该方法包括以下步骤：将采集图像根据深度信息进行场景聚类；再通过光度信息、边缘信息构建出残差模型，引入平均背景深度，加大前景残差；将残差模型与面元3D重建算法结合，分离动态物体并得到聚类权重；将加权聚类残差加入到位姿估计的非线性优化函数中，以降低动态物体的影响，提高位姿估计的精度。通过在TUM RGB‑D数据集上进行实验，实验表明本发明在动态环境下比现有算法有更高的精度与鲁棒性。

技术领域

本发明属于视觉SLAM领域，特别是基于边缘信息的RGB-D相机的动态环境觉里程计方法。

背景技术

视觉里程计(visualodometry)是一种利用视觉传感器信息对机器人或其他载体进行准确的位姿估计的方法，相比于使用激光传感器的方法，视觉信息更加丰富，可用于三维重建、物体识别、语义分割等。同时，因其成本低、体积小、精度高等优点，广泛应用于机器人自主导航、自动驾驶、增强现实等领域。

在实际应用场景中，动态环境是无法避免的，而大多数视觉SLAM算法都假设处于静态环境中。动态环境下的SLAM算法问题在于如何区分动态物体和静态物体。在进行位姿估计时，如果错误区分二者，则在后续的优化过程会产生误差，从而导致跟踪失败。当动态物体在图像中所占比重较小时，可采用随机采样一致性(RANSAC)或鲁棒Huber函数等概率方法将动态部分当作噪声剔除掉。若动态物体在图像中占比较大时，则无法通过概率方法剔除，需针对动态物体进行处理从而得到正确数据。

发明内容

为了解决上述问题，本发明提出了一种基于边缘信息的RGB-D相机动态视觉里程计方法，在所设计的方法中，K-means聚类算法能够提取更多信息，提高识别动态物体的准确度。提出的边缘信息和K-me ans算法融合可以正确识别动态物体在图像中占比超过50％的情况，提高识别动态物体的准确率。

本发明采用的技术方案是：基于边缘信息的RGB-D相机动态视觉里程计方法，包括以下步骤：

S1，使用K-means聚类法，将RGB-D相机获取的图像分为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。

本发明的优点及有益效果如下：

在传统视觉里程计中无法对动态物体进行处理，只能将其当做干扰噪声去除，当动态物体在图像中占比较大时，如果将其当做噪声去除则会产生信息丢失、图片模糊、无法完成精准定位等问题，同时也会导致鲁棒性下降。

本发明提出将边缘信息和聚类算法相结合并引入平均背景深度，可以正确处理动态物体在图像中占比超过50％的情况，并在信息丢失、图像模糊等情况下也有更好的鲁棒性。首先通过引入K-means聚类算法将图像进行分簇，方便后续处理。同时将RGB-D相机采集到的图像进行边缘处理，得到边缘对齐残差。再将通过聚类处理后的光度和几何残差与边缘对齐残差想融合得到加权聚类残差，通过面元重建算法分离动态簇和静态簇，最后完成里程计的后端优化处理。通过相关算法改进，本发明在鲁棒性和里程计精度上都得的较大改进。

附图说明