买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：福建工程学院

摘要：本发明公开基于目标检测和K‑means聚类的联合优化动态SLAM方法，通过Yolov5目标检测算法和K‑means聚类算法可以准确的检测出动态物体在图像中所在的位置，进而可以精准的剔除掉动态物体上的动态特征点，使得求解的相机位姿精度大大提升。而且本发明采用了轻量级的Yolov5目标检测算法，计算成本短，耗时短，可以和SLAM系统的跟踪线程并行，跟踪线程无需等待Yolov5的检测结果，所以本算法可以实时运行。最后本发明融入了极线约束和投影条件的方法，可以很好的剔除掉语义先验为静态物体运动产生的动态特征点。

主权项：1.基于目标检测和K-means聚类的联合优化动态SLAM方法，其特征在于：其包括以下步骤：步骤S1：获取输入图像得到RGB图像及对应的深度图像，步骤S2：对当前帧的RGB图像上进行ORB特征点提取和对所提取的ORB特征点进行描述子计算；同时将当前帧的RGB图像用Yolov5目标检测得到物体的边界框位置和类别；步骤S3：将检测出的物体边界框进行分类，把人物所在的边界框标记为动态物体框，把非人物的物体所在的边界框标记为静态物体框；步骤S4：根据深度值当前帧的深度图像中动态物体框内的像素聚成k类；步骤S5：从K-means聚类分割出的k类中找出像素点数量最大的类，把在最大类但不在静态物体框内的特征点标记为准动态特征点并剔除掉，把在其他类的但不在静态物体框内的特征点标记为疑似动态特征点，把其余剩下的特征点暂时标记为静态特征点；步骤S6：将当前帧的RGB图像的静态特征点和疑似动态特征点与上一帧的RGB图像的特征点进行描述子匹配，得到Ni个静态特征匹配点对和Nj个疑似动态特征匹配点对；将静态特征匹配点对和疑似动态特征匹配点对进行加权最小化重投影误差，初步求解当前帧的位姿Tcw1，公式如下： 其中：K为相机内参矩阵；∑1＝n×E,∑2＝0.4×n×E；xi为静态特征点坐标，pi为对应的投影坐标；xj为可疑动态特征点坐标，pj为对应的投影坐标，∑1为静态特征点的信息矩阵，∑2为可疑动态特征点点的信息矩阵，n为当前特征点所在图像金字塔的层数，E为2×2的单位矩阵；步骤S7：在静态物体框中而实际运动但无法被Yolov5目标检测算法和K-means聚类算法检测到的特征点，用极限约束和投影条件检测出剩下少量动态特征点；步骤S8：不满足极线约束和投影条件的剩余动态特征点剔除后，把剩下的特征点标记为最终静态特征点，将最终静态特征点对应的地图点投影到当前帧，建立最小重投影误差求解当前帧的最终位姿： 其中xi是准静态特征点对应的地图点坐标，pi为准静态特征点坐标，N为准静态特征点数量，Tcw为当前帧最终位姿。

全文数据：

权利要求：

百度查询： 福建工程学院 基于目标检测和K-means聚类的联合优化动态SLAM方法