摘要

本文提出了一種將單目視覺SLAM與基于深度學習的語義分割相結合的新方法.為了穩定運行,vSLAM需要靜態對象上的特征點.在傳統的vSLAM中,隨機樣本一致性(RANSAC) 用于選擇那些特征點.然而,如果視圖的主要部分被移動的對象占據,許多特征點變得不合適,并且RANSAC不能很好地執行.根據我們的經驗研究,天空和汽車上的特征點通常會導致vSLAM中的錯誤.我們提出了一個新的框架,使用語義分割產生的掩碼來排除特征點.排除掩蔽區域中的特征點使vSLAM能夠穩定地估計攝像機運動.我們在框架中應用ORBSLAM ,這是單目vSLAM的最新實現.在我們的實驗中,我們使用CARLA simulator [3],在各種條件下創建了vSLAM評估數據集.與最先進的方法相比,我們的方法可以獲得明顯更高的精度.

2

介紹

為了使機器能夠識別真實世界,攝像機姿態估計是一項關鍵的任務,它可以準確地估計機器在真實世界中的位置.視覺同時定位和建圖(vSLAM)是最有前途的定位方法之一.它很簡單,只需要一臺攝像機來捕捉圖像序列.利用一系列圖像,VSLAM不僅能夠估計攝像機的位置和姿態,還能重建三維場景.與激光雷達等其他傳感器相比,成本要低得多,并且可以獲得更多關于周圍環境的數據.然而,vSLAM并不是特別魯棒.

在本文中,我們將重點放在基于特征的vSLAM上,使用ORB-SLAM在單目vSLAM實現運行相對穩定.基于特征的vSLAM首先從圖像中提取許多特征點,然后比較序列中圖像之間每個點的描述符以搜索對應關系,最后根據這些對應關系估計攝像機姿態.基于特征的方法可以抵抗圖像失真,并且可以為多種設備執行高精度的姿態估計.然而,這些方法僅利用作為特征點提取的局部信息,并且不能區分世界坐標系中靜止區域的特征點.如果特征點位于移動區域,vSLAM會產生估計誤差.為了從靜態區域中選擇特征點,隨機樣本一致性(RANSAC) [5]通常用于基于特征的vSLAM.

RANSAC用于從許多假設中選擇最可靠的值.假設是從大量對應對的隨機樣本中計算出來的.vSLAM應排除移動區域中的特征點

總結

以上是生活随笔為你收集整理的Mask-SLAM:基于语义分割掩模的鲁棒特征单目SLAM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。