基于視覺SLAM的動態圖像處理方法研究

劉文杰 ，劉小嬌，付 猛，姚玉波

（中國地質調查局廊坊自然資源綜合調查中心，河北 廊坊 065000）

0 引言

隨著科學技術的高速發展，智能感知、移動定位等技術慢慢滲透到人們的日常生活中，SLAM技術是其中之一。SLAM技術通過系統定位，可以迅速擬定圖像，完成對場景的初步構建。這種技術大多應用于不易發現、無法定位的條件，輔助安防、巡航、救援等活動，通過視覺傳感技術進行環境數據的采集分析處理。因為其獨到的圖像處理能力，在構建動態場景及模擬地圖方面具有巨大的發展前景，未來可將這種技術應用在物流運輸、安保、醫療等多個基本民生行業。SLAM的構建時間很短，但該技術在獲取環境信息的行業中應用廣泛，例如，航天航空、無人機、航天探測等行業，其效果好、效率高，是目前對于環境處理的熱門技術。

當下SLAM技術經常應用于靜態的環境，但在現實條件下靜態場景處理呈現效果一般，而且在工作環境中動態場景占據比重大于靜態場景。為了更好地適應動態場景工作中的視覺提取，通過采用SLAM在建圖過程中進行精準的定位精度調動，確保前一幀與后一幀的細化處理達到百分之八十的貼合程度。具體來看，就是在動態場景固定誤差下使地圖精度得到提升。

1 基于視覺SLAM的動態圖像處理方法

1.1 構建ORB-SLAM2線程

構建ORB-SLAM2線程是針對特征點進行的圖像處理。ORB-SLAM2擁有較好的環境監測穩定性，可以通過ORB抓取跟蹤目標的數據模型[1]。若跟蹤成功則采取恒速運動模型進行追蹤。若跟蹤失敗，將重新定位跟蹤目標數據，通過對局部地圖的提取，進行關鍵幀的決策生成，最終實現整個ORB數據處理。特征點定位的前端視覺技術，可以確保計算過程中圖像提取的效率。ORB-SLAM2中ORB圖像特征提取還需要相對均勻地進行數據處理，這種處理方式可以減少誤差。關鍵幀的識別一般選擇最近的地圖點，創建新點后再整體進行閉環的檢測和修正。通過系統的運行提取數據，確保視覺識別的精確程度。同時，對ORBSLAM2線程的優化可消除動態物體運作過程的影響。具體的線程模式如圖1所示。

圖1 ORB-SLAM2線程搭建

在進行ORB-SLAM2線程構建中，數據的識別可以通過對相機拍攝后的位置進行計算，通過數據庫信息比對進行識別。也可以依靠視覺編輯表進行處理，根據跟蹤目標的運動幀數選擇相應的模型分析數據。關鍵幀的生成與跟蹤狀態和運動速度有關[2]。ORBSLAM2對關鍵幀的選取較寬松，在具體操作中，關鍵幀在選擇上所滿足的條件必須要達到跟蹤目標的有效特征點。圖像關鍵幀之間的間隔頻率、新觀測點數據、特征占比等相關因素都會影響到關鍵幀的選擇。

關鍵幀選擇完成后進入局部地圖構造，地圖初始化公示圖也會進入循環監測中。循環的閉環監測融合完成后與循環結合，確保地圖的全局更新，最終實現整個閉環運作的線程部署。

1.2 引入PSP網絡進行圖像分割

在完成圖像幀數對比后進行PSP網絡引入。PSP網絡可以針對匹配好的圖像幀來對應點數，從而達到對數據信息的站位計算，進而模擬出相應的結構化環境草圖。通過根據點的深入信息探測結構環境與非結構環境的不同站位，采用 AGV相機進行深度探測。AGV攝像機能夠獲取多種點云數據，從而獲得更好的匹配效果。若要進行對比，則可以通過不同的點云數據實現不同區域的上下優化，進而統籌全局[3]。采用PSP網絡的圖像網絡分割技術可以有效對人體像素進行識別，并且通過分割歸類。具體的神經網絡在圖像識別與分割的應用如圖2所示。

圖2 PSP圖像分割

神經網絡在對運動中的物體進行輪廓分割時，需要考慮不同物體運動屬性的差異。在進行物體運動圖像分割時，要考慮每個物體的狀態[4]。例如，有的人處于靜止狀態，而有的人處于運動狀態，要按不同類型去對待。通用的圖像分割網絡通過ORB抓取增加信息，預留出不同區域的圖像信息對齊層，再對目標進行像素分割。

1.3 剔除動態點

在ORB采集原始圖像數據后，再輸入SLAM線程和PSP網絡進行圖像分割。這時，最基本的關鍵幀處理完畢，動態點在跟蹤中的特征提取時，將人作為動態圖像目標。經過PSP分割過的圖像與在人身上的特征點進行對比。在實際操作中，剔除人的動態特征進行站位模擬分析，結合ORB-SLAM2進行局部動態幀匹配[5]。

基于此的動態點能獲得優化后的空間整體的SLAM框架。獲得優化后的物體位姿和空間點通過回環檢測來跟蹤線程。剔除動態點需要精準計算插入關鍵幀的時間，并且判斷估算的幀數的圖像站姿是否能在局部構圖下實現最優化重建。

用于估算圖像的相機位姿在局部建圖程序下進行閉環監測，在監測中判斷關鍵幀與剔除的動態點形成回環的程度。對通過局部優化的圖像序列可以進行物體運動處理，達到深度圖像分割的稀疏識別的目的[6]。稀疏識別方法是在全局控制的線程下利用物體積累動態數據進行消除漂移的。

2 實驗

為了驗證本文設計的基于視覺SLAM的動態圖像處理方法的有效性，將與傳統的技術動態圖像處理方法進行比較，驗證哪種方法在精度上更準確。

2.1 實驗準備

在本次實驗中，選用標準的T U M RG B 數據集。數據集中的圖像包含3個實驗動態場景，分別用A1、A 2、A 3代表。每個動態場景都匹配了高精度的數值信息。具體包括真實站姿信息和預位站姿信息。這些數據信息可以通過傳感器獲取。將設計構建的ORB-SLAM2線程結合SLAM技術進行了分析，在ORB處理下，數據集運行產生的測試軌跡誤差。與傳統對于動態圖像處理方法的運行的軌跡誤差進行對比分析。獲取的數據大部分應用在算法實踐操作。具體的操作過程如下：

式中，Q是真實站姿；P是預位站姿；1代表時間參數； 代表時間間隔。在進行傳感器獲取動態數據的同時，利用動態選擇的時間間隔計算出相對的站姿誤差。不同計算產生的數值在衡量下分為不同的局部精度。

2.2 實驗結果

本次實驗主要選取傳感器感應的數值進行計算，根據對不同局部區域圖像數據精度產生的軌跡誤差，分析具體改進方法應用后提高的百分比，具體計算公式見上文。

在視覺動態的SLAM分析處理中，一般會比較估計絕對軌跡誤差、相對軌跡誤差和相對旋轉誤差，通過將這些誤差與真實軌跡的誤差進行對比，哪種誤差指標的偏差性小，那么其精確度就會更大。在具體分析中一些誤差指標采用定量分析的方法處理數據。

可以根據如下方式定義絕對軌跡誤差和相對位姿誤差。具體的數據如表1所示。

表1 絕對軌跡誤差對比

從表1和表2中的結果即可得出結論，在前三個動態場景序列下的環境下使用經過修正后的設計方式，得到的相對位姿偏差、絕對軌跡誤差均出現明顯下降。結合更新后的OR B-SLA M 2系統的R mes、Mean、std等數據進行了智能化處理，并進行了以下的比較。結果顯示：本文設計的基于視覺SLA M的動態圖像處理方法在精確程度上平均穩定數值更好，相對位姿誤差和絕對軌跡誤差更小，這說明設計的方法能夠更好地做到動態圖像的信息處理。

表2 相對位姿誤差對比

3 結束語

本文為了驗證基于視覺SLAM的動態處理方法的有效性，通過設計的ORB-SLAM線程和動態場景下結合PSP網絡實現目標運作的圖像切割技術，實現了對ORB-SLAM和圖像分割的完美融合。雖然在對相對位姿誤差、絕對軌跡誤差在數據統計上可能做不到完全準確無誤，但還是希望本文提出的研究方法能夠在學術上提供一定的價值參考。■