CN115439743B 一种泊车场景下精确提取视觉slam静态特征的方法 （华南理工大学）

一种泊车场景下精确提取视觉SLAM静态特本发明公开一种泊车场景下精确提取视觉同时摒弃目前VSLAM系统常用的手工特征，选择使用改进的基于深度学习特征提取模型生成的mask掩码筛选并剔除动态物体框中的特22.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征构来提取通用特征；将提取的通用特征输送到Neck网络中提取更具多样性和鲁棒性的特使用CIoU_LOSS作为BoundingBo3.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征SuperPoint网络采用自监督的方式进行提取，首先将未标注的真实图片利用所述全卷积网络的检测结果作为伪真值关4.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征输入一张H*W*3的图像帧，将其灰度化后转化成H*W*1，接着将图3描述子解码器利用卷积网络得到半稠密描述子，接着利用双三次差值得出剩余描述，5.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征式中，LP(X,Y)为关键点损失，L,X,Y')为翻转后图像的关键点损失，La(D,D',S)为6.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征表示第n帧中的第i个特征点，p表示第n帧中的特征点的7.根据权利要求1_6任一所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，步骤4中计算相机位姿过程如下：将筛选出的特征点以及描述子进行图像匹8.根据权利要求7所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征9.根据权利要求7所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征4度学习目标检测去除动态特征点的方法，能够在泊车场景下精确提取视觉SLAM静态特征，[0002]同时定位与地图构建(Simultaneouslocalizationandmapping，SLAM)技术在没有环境先验内容的前提下，利用机器人自身的传感器完成对周围环境信息的摄取和处[0004]针对上述传统视觉SLAM算法对于动态特征点以及特征点5[0008]步骤3：如果mask掩码代表的是行人，SuperPoint网络对掩码内的特征点进行剔构和Focus结构来提取一些通用特征；将提取的通用特征输送到Neck网络中提取更具多样contcat，增强了特征融合的能力；最后输出端使用CIoU_LOSS代替之前的GIoU_LOSS作为的真实框之间比例差值的归一化表示，α表示损失平衡片在不同尺寸下提取特征，生成伪标签；生成伪标签后，即可将真是未标注图片放进6[0023]步骤2中，改进SuperPoint的损失函数由关键点提取损失和描述子检测损失两部对于相邻两帧的检测出动态目标框的特征点分别为(图7中A区域)，检测同一动态物体目标框的交集作为最终的动X=0,即为对极约束表达式，在按照最小重投影误差即7[0034]本发明采用基于深度学习的SuperPoint网络结合目标检测网络(如YOLOv5)分别进SuperPoin首先让网络模型更加轻量化，且最终能使得特征提取对于不同场景变化更加[0035]图1是本发明实施例提供的泊车场景下精确提取视觉SLAM静态特征方法的流程示[0043]传统的视觉SLAM特征提是基于静态环境假设，但是对于不是很鲁棒，本发明采用基于深度学习的SuperPoint网络结合YOLOv5算法分别进行关键8入到YOLOV5网络模型中，输入图像缩放到网络的输入尺寸，并利用Mosaic进行数据增强，Backbone模块使用CSPDarknet53结构和Focus结构来提取一些通用特征；将提取的通用特度化后输入到轻量化的SuperPoint网络中，SuperPoint网络采用自监督的方式进行提取，首先使用规则的几何形状作为数据集训练一个全卷积网络BaseDetector；将未标注的真实图片利用BaseDetector网络的检测结果作为伪真值关键点(伪GroundTruthKeypoint)，为了伪真值关键点更具鲁棒性和准确性，使用单应技术(Homographic9阈值筛选为关键点的地方就是关键点坐标；描述子检测器利用卷积网络得到半稠密描述子，接着利用双三次差值得出剩余描述，最后通过L2归一化得到统一长度(H*W*D)的描述[0063]目标检测框和深度特征使用多线程并行技术，在特征提X=0,即为对极约束表达式，按照最小重投影误差即可[0070]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发