基于語義分割和光流加速的動態場景ORB-SLAM算法

趙 健,李 虹

(太原科技大學 電子信息工程學院,太原 030024)

同步定位與地圖建立(simultaneous localization and mapping,SLAM)算法,是在未知環境下,利用傳感器采集周圍環境信息定位自身位置和位姿的同時增量式的構建地圖,分為VSLAM和激光SLAM.由于相機相對激光傳感器價格比較低、攜帶方便并且可以獲得語義信息,所以VSLAM受到了廣泛的關注。

如今,VSLAM算法發展飛快,其中最具有代表性的就是以提取特征點法為基礎的ORB-SLAM[1](Orient FAST and Rotated BRIEF SLAM)系列和以直接法為基礎的LSD-SLAM[2](Large Scale Direct monocular SLAM),但其在動態環境下的建圖誤差較大。

Fang[3]等利用改進的光流法與卡爾曼濾波相結合用于檢測動態物體,Kunde[4]等利用改進的極平面約束方法檢測運動物體,Lim[5]等利用稠密光流對前后景分離檢測動態物體。如今因為深度學習在圖片處理方面的優越性,很多人都將其加入算法中,大大提高了SLAM系統的性能。Zhong[6]等在SLAM系統中增加SSD語義檢測模塊用于檢測動態物體,增加算法在動態環境的魯棒性,Yu[7]等提出DS-SLAM,利用SegNet語義分割網絡加RANSAC運動一致性檢測剔除特征點。文獻[8]利用YOLOv4網絡對圖片分割并剔除動態點,剔除策略將所有的動態框特征點剔除,但同時也會剔除大量的非動態點,從而導致系統性能下降。Bescos[9]等提出Dyna-SLAM,使用MASK R-CNN分割圖片并且利用多視圖幾何方法剔除動點,由于網絡本身的運行速率低下很難實現實時性。文獻[10]使用DeepLabv3語義分割網絡,再利用稠密光流約束計算每個點運動概率,但因為采用稠密光流剔除動態物體,計算時間偏長,運行實時性得不到保障。文獻[11]利用Light Weight RefineNet輕量級網絡用于語義分割,在對極約束的基礎上增加深度約束用以檢測動態特征點。……