动态场景下基于光流和实例分割的视觉SLAM方法.docx

基于光流和实例分割的视觉SLAM方法在动态场景下的应用 摘要：本文提出了一种基于光流和实例分割的视觉SLAM方法，旨在提高动态场景中视觉SLAM系统的定位精度和鲁棒性。该方法通过检测动态物体和静态背景光流方向的不一致性，实时剔除动态区域掩模中的特征点，并结合对极几何约束剔除局部建图线程中的动态路标点。 知识点1：视觉SLAM系统在动态场景下的挑战 视觉SLAM系统通常建立在场景中物体都是静态的假设前提下，但是在现实场景中总会存在诸如行走的人、移动的汽车等动态物体。如果这些动态物体在视场中占很大比例，会严重影响系统的定位精度和鲁棒性。 知识点2：基于光流的动态物体检测 光流是一种常用的动态物体检测方法，通过检测光流方向的变化可以检测出动态物体。但是，光流方向的不一致性可能会导致动态物体检测的不准确。 知识点3：实例分割在视觉SLAM中的应用 实例分割是一种将图像分割成不同的实例的技术，能够区分动态物体和静态背景。通过实例分割，可以生成动态物体的掩模，从而剔除动态区域中的特征点。 知识点4：高实时性动态区域掩模检测算法 本文提出了一种高实时性动态区域掩模检测算法，该算法可以实时地检测出动态物体和静态背景光流方向的不一致性，并剔除动态区域中的特征点。 知识点5：结合对极几何约束的动态路标点剔除 通过结合对极几何约束，可以剔除局部建图线程中的动态路标点，从而提高系统的定位精度和鲁棒性。 知识点6：视觉SLAM系统在动态场景下的性能评估 本文对TUM和KITTI数据集上的测试结果表明，在高动态场景下，本文算法相较ORB-SLAM2、Detect-SLAM、DS-SLAM，定位精度平均提升97%、64%和44%。相较DynaSLAM，本文算法在一半的高动态场景中定位精度平均提升20%。 知识点7：基于光流和实例分割的视觉SLAM方法的优点 本文提出的一种基于光流和实例分割的视觉SLAM方法可以有效地检测出动态物体，提高系统的定位精度和鲁棒性。该方法可以实时地剔除动态区域中的特征点，提高系统的实时性和鲁棒性。