基于点、线特征自适应加权的动态语义视觉SLAM方法
本发明涉及语义挖掘,具体涉及基于点、线特征自适应加权的动态语义视觉slam方法。
背景技术:
1、在室内动态环境中,运动物体与结构特征分布不均对视觉同时定位与建图(visual slam)的稳定性和精度提出了严峻挑战。现有多数 slam 系统仍将来自不同物体、不同区域的点与线特征视为等价可靠的观测,在动态干扰或低纹理条件下容易导致位姿估计偏移和地图一致性下降。针对动态干扰或低纹理问题,现有技术主要采取以下几类改进策略:
2、一类方法通过几何一致性约束或重投影误差阈值剔除异常特征点,以减弱动态物体对位姿估计的影响。然而,该类方法对初始化质量依赖较强,且难以区分真实动态物体与由视角变化、光照变化等因素引起的伪动态特征,容易造成误删或漏检。
3、另一类方法引入目标检测或语义分割技术,根据物体类别信息直接剔除被认为是动态物体上的特征。虽然语义信息能够提高动态物体的检测召回率,但现有方案通常对整类物体进行硬删除处理,忽略了同一物体在不同时间段可能处于静止或运动状态的情况,且语义误检或分割边界不准确容易导致大量可靠静态特征被错误剔除。
4、此外,部分方法尝试引入线特征或其他几何特征以增强系统在低纹理环境下的稳定性,但在实际应用中,点特征与线特征通常被等价对待,未充分考虑不同物体、不同区域及不同特征类型在动态场景中的可靠性差异。现有技术普遍缺乏一种能够综合语义信息、运动状态及特征质量,对特征在位姿估计与地图优化过程中的贡献度进行精细化调节的有效机制。
5、因此,如何在室内动态环境中准确识别潜在动态区域、合理区分不同运动状态的物体,并根据特征的时序稳定性和几何可靠性动态调节其对位姿估计和建图过程的影响,仍然是现有视觉 slam 技术中亟需解决的技术问题。
技术实现思路
1、发明目的:本发明的目的是提供基于点、线特征自适应加权的动态语义视觉slam方法,解决人机共融高动态环境、以及含有大量结构化但无纹理物体(如墙体、天花板等)场景下出现的特征点不足、匹配质量差、定位精度低、建图质量低下的问题。
2、技术方案:本发明所述的基于点、线特征自适应加权的动态语义视觉slam方法,包括以下步骤:
3、(1)使用目标检测模型与图像分割模型联合对输入图像序列进行目标检测与像素级分割,输出像素级动态掩模与掩模元数据,为后续模块提供潜在动态区域先验;
4、(2)接收动态掩模与掩模元数据,进行运动一致性检查与动态等级划分,并基于动态等级与特征质量对点、线特征进行首次自适应加权,进而完成特征匹配与位姿初步估计;
5、(3)在关键帧层级对点、线特征进行多视角一致性验证,基于重投影误差、几何一致性、深度一致性与匹配一致性进行第二次自适应加权,并执行带权局部优化与地图维护;
6、(4)基于加权外观描述与几何一致性验证,生成并确认回环约束,抑制动态特征对回环判定的干扰;
7、(5)融合回环约束与加权点线特征误差,执行加权全局优化,以消除累计漂移并保持地图全局一致性。
8、进一步的,步骤(1)中,采用开放环境目标检测模型与图像分割模型级联实现,先通过目标检测模型生成候选区域,再对候选区域进行像素级分割,并通过语义优先级规则融合重叠区域,输出像素级动态掩模与语义元数据。
9、进一步的,步骤(2)中,运动一致性检查包括融合光流一致性、重投影误差与深度变化率,对潜在动态区域进行运动验证,并根据运动强度划分动态等级。
10、进一步的,步骤(2)中,点、线特征首次自适应加权具体如下:对点特征,基于角点度、邻域重复性与深度可信度进行加权;对线特征,基于线段长度、梯度一致性、深度平滑度与重投影角度进行加权;加权结果用于调整特征匹配优先级与位姿估计中的贡献度。
11、进一步的,步骤(3)中,第二次自适应加权基于多视角观测下的重投影误差、几何方向一致性、深度一致性与描述子匹配一致性进行综合评估,并融合首次加权结果得到最终特征权重,用于带权局部优化。
12、进一步的,步骤(4)中,在构建外观描述时引入特征权重调制,优先使用高权重特征,并在几何验证阶段通过加权约束降低动态特征的干扰,提升回环检测的鲁棒性。
13、进一步的,步骤(5)中,将回环约束与加权点线特征误差统一建模于全局图中,通过加权全局优化实现动态特征抑制与全局地图一致性维护。
14、有益效果:与现有技术相比,本发明具有如下显著优点:通过差异化建模特征贡献度,有效抑制了动态与低可信特征对位姿估计的负面影响;双阶段自适应加权机制使系统能够处理间歇性运动物体,避免误判的长期累积;点线特征的联合建模与加权策略显著增强了低纹理场景下的可观测性与结构稳定性。
1.一种基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(1)中,采用开放环境目标检测模型与图像分割模型级联实现,先通过目标检测模型生成候选区域,再对候选区域进行像素级分割,并通过语义优先级规则融合重叠区域,输出像素级动态掩模与语义元数据。
3.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(2)中,运动一致性检查包括融合光流一致性、重投影误差与深度变化率,对潜在动态区域进行运动验证,并根据运动强度划分动态等级。
4.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(2)中,点、线特征首次自适应加权具体如下:对点特征,基于角点度、邻域重复性与深度可信度进行加权;对线特征,基于线段长度、梯度一致性、深度平滑度与重投影角度进行加权;加权结果用于调整特征匹配优先级与位姿估计中的贡献度。
5.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(3)中,第二次自适应加权基于多视角观测下的重投影误差、几何方向一致性、深度一致性与描述子匹配一致性进行综合评估,并融合首次加权结果得到最终特征权重,用于带权局部优化。
6.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(4)中,在构建外观描述时引入特征权重调制,优先使用高权重特征,并在几何验证阶段通过加权约束降低动态特征的干扰,提升回环检测的鲁棒性。
7.根据权利要求1所述的基于点、线特征自适应加权的动态语义视觉slam方法,其特征在于,步骤(5)中,将回环约束与加权点线特征误差统一建模于全局图中,通过加权全局优化实现动态特征抑制与全局地图一致性维护。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com