SOF-SLAM：一种面向动态环境的语义视觉SLAM（2019，JCR Q1， 4.076）

最新推荐文章于 2024-10-16 05:16:26 发布

原创

最新推荐文章于 2024-10-16 05:16:26 发布 · 2.2k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉

提出了一种新的SLAM系统SOF-SLAM，利用语义分割和极线几何约束相结合的方法，有效地检测并去除动态特征，提高了定位精度。系统结合ORB特征提取和语义光流算法，通过SegNet获取语义分割信息，辅助极线几何计算，以更精确的方式识别动态物体。

提出了一种动态特征检测方法&语义光流，是一种紧密耦合的方法，能够充分利用隐藏在语义和几何信息中的特征动态特征，有效、合理地去除动态特征

1. 贡献
2.SOF-SLAM
- A . 框架
- B. 语义光流

1. 贡献

本文提出的SOF-SLAM充分利用了语义分割的运动先验信息和极线几何约束下的运动检测信息的互补性，而现有的SLAM系统要么完全依赖于语义信息，要么依赖于几何信息，或者天真地结合它们的结果来删除动态特性。SOF-SLAM提出的动态特征检测算法，即语义光流，利用语义分割信息来辅助极线几何的计算，而不是简单的结果组合。因此，我们的系统可以更合理有效地去除动态特征，从而得到更准确的结果。

2.SOF-SLAM

A . 框架

首先，ORB特征提取过程与原ORB-SLAM2相同，即静态特征和动态特征同时提取。然后我们提出的动态特征检测方法语义光流可以有效地去除动态特征。剩余的静态特征被保留，用于跟踪线程中新帧的后续姿态估计。保持原线程映射和局部线程映射的线程映射和局部线程映射保持相同。
在这里插入图片描述

B. 语义光流

动态特征检测与去除的语义光流流程图如图3所示。一方面，利用当前RGB图像提取球体特征。另一方面，利用SegNet在另一个独立线程上生成的当前RGB图像的语义分割结果，计算语义光流。利用语义光流产生的对应关系得到可靠的基本矩阵，进而有效地检测出真实的动态特征。
在这里插入图片描述
1）基于语义分割的运动先验
使用SegNet编解码网络对每个输入图像进行像素级语义分割。
SegNet的体系结构由两个主要模块组成：编码器网络和解码器网络。编码器