室内动态场景下融合点线特征的视觉里程计

摘要

针对室内动态场景下视觉里程计(visual odometry,VO)存在特征点数据关联困难导致跟踪失败、位姿估计精度较低的问题,提出了一种融合点线特征的视觉里程计算法。利用Mask R-CNN检测运动物体,滤除运动物体区域的特征点,提取静态区域线特征增加特征信息,加强数据关联保证相机稳定跟踪。解耦相机位姿估计,单独计算旋转矩阵与平移向量;利用ResNet101-FPN预测结构场景的平面法向量并确定正交平面,结合线特征和正交平面法向量构建曼哈顿坐标系,采用均值漂移算法迭代计算旋转矩阵;根据旋转矩阵求解平移向量,建立融合点线特征的联合误差函数优化平移向量,提高相机位姿估计精度。在TUM数据集上的测试结果表明,在高动态和低动态场景中,所提算法相比ORB-SLAM2、DynaSLAM和Dynamic-SLAM,相机位姿估计精度均有较大提升,证明了算法在动态场景下的可行性和有效性。