火柴的初心的博客

1.声明  本文为自己的研究总结，内容可能有些不全面，不客观，但都是自己根据阅读的各类文献总结而来。这篇博文主要介绍的是基于视觉的移动平台运动目标检测，写这篇博文的目的主要是对自己一个阶段性总结。2.引言  运动目标检测一直是计算机视觉领域研究的热点，同样也是很多应用的基础，比如：SLAM，交通监控等等。运动目标检测其实就是从图像序列中检测出运动目标。当然，检测出运动目标后，就可以做许多其他的事情，比如说，估计目标的速度，预测目标的状态等等。3.重要性  我们身处一个动态的世界，比如，车辆在马路上

动态SLAM

SG-SLAM使用LK光流法计算特征匹配，然后去除位于图像边缘的匹配点对，以及差异过大的，减少错误的匹配，采用基于RANSAC的七点法计算两帧之间的基本矩阵。仅用关键帧构建语义地图，当一个新的关键帧到达时，语义地图线程立即使用它的深度图像和姿态来生成三维点云。动态点判断方法：计算当前帧的特征点与其对应的极线之间的距离。距离越大，特征点的动态越有可能。因此，RANSAC算法可以有效地减少动态区域错误数据关联的不利影响。

以RGB-D相机和IMU作为输入，与ORB_SLAM3类似，分别估计poseTiT_{i}Ti​、速度viv_{i}vi​、以及biasbabgba​bg​对于深度图像，将其分割为K个类，对于深度无效的分为第K+1类，对于每一簇，有个score代表静止的可能性，另外，假设同一簇的所有像素点具有相同的分数对于BA，使用滑窗内的共视关键帧和这些关键帧观测到3D地图点XX0⋯XL−1XX0​⋯XL−1​, 分数Bβ0⋯βMB。

[2022]DyOb-SLAM : Dynamic Object Tracking SLAM System

[2020]The STDyn-SLAM: A stereo vision and semantic segmentation approach for SLAM in dynamic outdoor environments1.作者Daniela Esparza and Gerardo Flores代码：GitHub - DanielaEsparza/STDyn-SLAM: STDyn-SLAM: A Stereo Vision and Semantic Segmentation Approach

[2020]DOT: Dynamic Object Tracking for Visual SLAM1.作者Irene Ballester, Alejandro Fontan, Javier Civera,Klaus H. Strobl, Rudolph Triebel2.时间20203.整体架构实例分割出所有潜在的运动目标（像素级分割）（网络： Detectron2 ）image Processing部分提取和分类在静止区域的点和在动态目标上的点，利用静止场景的特征点求解相机的位姿，每

[2019]Semantic Monocular Visual Localization and Mapping Based on Deep Learning in Dynamic environment1.作者Linhui Xiao, Jinge Wang, Xiaosong Qiu, Zheng Rong, Xudong Zou2.时间20193.整体结构运动目标检测线程使用SSD目标检测网络去计算目标的分类和位置。通过语义校正线程将目标分为静止的或者运动的。追踪线程可以提供动态目

[2018]Mask-SLAM: Robust feature-based monocular SLAM by masking using semantic segmentation1.作者kaneko, iwami, t ogawa, yamasaki, aizawa2.时间20183.整体结构解决的问题：如果图像的主要部分被移动的对象占据，许多特征点变得不可靠，并且RANSAC不能很好地完成。天空和汽车上的特征点通常会导致vSLAM中的错误。解决的方法：使用语义分割产生的掩膜来排除特征点，

[2018]Detect-SLAM: Making Object Detection and SLAM Mutually Beneficial1.作者Fangwei Zhong， Sheng Wang， Ziqi Zhang， Chen Zhou， Yizhou Wang2.时间20183.整体结构解决的问题：SLAM系统在动态环境下失效；目标检测对视角变换敏感。是否能够将两者整合在一起，共享几何和语义信息，对两者来说都有利呢？解决的方法：利用语义信息消除动态目标在SLAM中的影