基于動(dòng)態(tài)物體特征點(diǎn)去除的視覺里程計(jì)算法

(武漢理工大學(xué) 物流工程學(xué)院，武漢 430063)

0 引言

近年來，視覺同時(shí)定位和建圖(VISUAL simultaneous localization and mapping，VSLAM)技術(shù)以其價(jià)格低、能耗小、采集信息多等優(yōu)點(diǎn)在可移動(dòng)機(jī)器人定位導(dǎo)航、虛擬現(xiàn)實(shí)及自動(dòng)駕駛等領(lǐng)域得到了應(yīng)用。視覺里程計(jì)(Visual odometry, VO)作為VSLAM系統(tǒng)的前端，負(fù)責(zé)估計(jì)相機(jī)位姿，是整個(gè)VSLAM系統(tǒng)的重要組成部分。傳統(tǒng)視覺里程計(jì)方法假設(shè)系統(tǒng)工作在靜態(tài)環(huán)境下，即特征點(diǎn)的提取與關(guān)聯(lián)匹配不考慮行人、物體移動(dòng)等因素帶來的影響。然而大多數(shù)實(shí)際場(chǎng)景中都存在行人或者運(yùn)動(dòng)物體，這給傳統(tǒng)視覺里程計(jì)算法的精準(zhǔn)定位帶來了嚴(yán)峻的挑戰(zhàn)，例如PTAM(parallel tracking and mapping)[1]和ORB-SLAM2[2]的VO、DSO(direct sparse odometry)[3]等視覺里程計(jì)算法都不能很好處理動(dòng)態(tài)場(chǎng)景帶來的影響，在動(dòng)態(tài)場(chǎng)景中定位精度很差。針對(duì)此問題，目前有學(xué)者提出了相應(yīng)的研究方法，并取得了一定效果。Alcantarilla等人將三維場(chǎng)景流應(yīng)用到視覺里程計(jì)(VO)中，通過三維光流矢量的運(yùn)動(dòng)方向區(qū)分動(dòng)靜點(diǎn)[4]，提升了兩幀之間位姿估計(jì)的精度。彭真利用靜態(tài)空間點(diǎn)之間距離不變?cè)瓌t及德勞內(nèi)三角剖分法分割動(dòng)靜態(tài)點(diǎn)集[5]，提升了視覺里程計(jì)系統(tǒng)的定位精度。上述兩種方法取得了一定成效，但是當(dāng)區(qū)分動(dòng)靜物體的閾值選取不當(dāng)時(shí)，會(huì)出現(xiàn)將靜點(diǎn)完全識(shí)別為動(dòng)點(diǎn)，將動(dòng)點(diǎn)完全識(shí)別為靜點(diǎn)的現(xiàn)象。Wang等人通過計(jì)算兩幀圖像之間的稠密光流聚類來區(qū)分動(dòng)靜物體[6]，有效檢測(cè)動(dòng)態(tài)物體，但是稠密光流法耗時(shí)較長(zhǎng)，不能實(shí)時(shí)運(yùn)行。高成強(qiáng)[7]等人針對(duì)圖像塊的變化建立了背景實(shí)時(shí)更新模型，并利用圖像塊方差變化篩選運(yùn)動(dòng)物體，但是該方法對(duì)環(huán)境適應(yīng)度差。林志林等人利用三維場(chǎng)景流變換及虛擬場(chǎng)景點(diǎn)的方法識(shí)別動(dòng)態(tài)物體，動(dòng)態(tài)物體剔除率較高[8]，但是易出現(xiàn)刪除誤匹配點(diǎn)過多而導(dǎo)致估計(jì)失敗的情況。

本文受文獻(xiàn)[8]三維場(chǎng)景流變換判斷運(yùn)動(dòng)物體的啟發(fā)，采用二維光流計(jì)算兩幀間相機(jī)運(yùn)動(dòng)變換矩陣，并利用求解的變換矩陣對(duì)相機(jī)進(jìn)行運(yùn)動(dòng)補(bǔ)償，然后利用圖像幀間差分法檢測(cè)運(yùn)動(dòng)物體。進(jìn)一步地，將檢測(cè)到的運(yùn)動(dòng)物體興趣域(Region of Interest, ROI)作為圖像mask，剔除特征匹配中的運(yùn)動(dòng)物體區(qū)域特征點(diǎn)。最后利用剔除掉動(dòng)態(tài)點(diǎn)的點(diǎn)集進(jìn)行位姿估計(jì)，有效提升了VO算法在動(dòng)態(tài)場(chǎng)景的運(yùn)動(dòng)位姿估計(jì)精度。

1 基于改進(jìn)幀間差分的運(yùn)動(dòng)物體檢測(cè)

當(dāng)相機(jī)固定時(shí)，相鄰兩幀圖像間的圖像背景不變。此時(shí)如果場(chǎng)景中存在運(yùn)動(dòng)物體，相鄰兩幀圖像間像素變化只受行人或者運(yùn)動(dòng)物體影響。通過相鄰兩幀圖像間像素差值易判斷出行人或動(dòng)態(tài)物體的區(qū)域。兩幀圖像間像素差值可由(1)式進(jìn)行計(jì)算：

Idiff=|I(x,y,t)-I(x,y,t-1)|

(1)

其中：I(x,y,t)表示圖像中像素坐標(biāo)為(x,y)處在t時(shí)刻的像素值，而I(x,y,t-1)為像素坐標(biāo)(x,y)處在t-1時(shí)刻的像素值，Idiff表示兩幀圖像間的像素值差值。通過式(2)將兩幀圖像像素值差值結(jié)果二值化，進(jìn)而構(gòu)建出對(duì)應(yīng)的二值圖像，利用構(gòu)建好的二值圖像中的非零值，即可找到行人或者運(yùn)動(dòng)物體在圖像中所對(duì)應(yīng)的區(qū)域，式中的閾值th采用大律法獲得。

(2)

然而上述方法在相機(jī)運(yùn)動(dòng)時(shí)不再適用，因?yàn)橄鄼C(jī)運(yùn)動(dòng)時(shí)圖像中的像素值變化不僅受行人或運(yùn)動(dòng)物體影響，還受相機(jī)運(yùn)動(dòng)帶來的影響。所以此處需要一種方法對(duì)相機(jī)運(yùn)動(dòng)進(jìn)行補(bǔ)償，盡量減小乃至消除相機(jī)運(yùn)動(dòng)造成的影響。

為了盡量減小相機(jī)運(yùn)動(dòng)帶來的影響，需要求解出相機(jī)的位姿變換，進(jìn)而利用估計(jì)出的位姿變換矩陣對(duì)相機(jī)運(yùn)動(dòng)進(jìn)行補(bǔ)償。

1.1 相機(jī)運(yùn)動(dòng)估計(jì)及運(yùn)動(dòng)補(bǔ)償

相機(jī)運(yùn)動(dòng)估計(jì)時(shí)，不同于傳統(tǒng)的三維場(chǎng)景流方法，采用透視變換矩陣T表示兩幀圖像間的相機(jī)運(yùn)動(dòng)[9]。這里選用單應(yīng)矩陣H作為透視變換矩陣T，兩幀圖像間像素對(duì)應(yīng)關(guān)系見(3)式，簡(jiǎn)化記為It=HIt-1，其中：(xt-1,yt-1)和(xt,yt)為前后兩幀圖像匹配點(diǎn)對(duì)在兩幀圖像中的像素坐標(biāo)值。

(3)

求取單應(yīng)矩陣H時(shí)，理論上只需要4對(duì)匹配點(diǎn)對(duì)就能求得單應(yīng)矩陣。然而實(shí)際中為了求解結(jié)果更精準(zhǔn)，往往利用4對(duì)以上配對(duì)點(diǎn)信息，采用重投影誤差優(yōu)化和隨機(jī)采樣一致性(random sample consensus, RANSAC)結(jié)合的方法求取。式(4)中，ε是兩張圖片之間對(duì)應(yīng)像素點(diǎn)的重投影誤差，求解H矩陣時(shí)，利用Levenberg-Marquardt方法不斷迭代優(yōu)化ε。當(dāng)ε最小時(shí)，更新得到的H矩陣即為最優(yōu)變換矩陣，接下來可以利用最優(yōu)變換矩陣補(bǔ)償相機(jī)運(yùn)動(dòng)。相機(jī)運(yùn)動(dòng)補(bǔ)償?shù)牧鞒虨椋赫蜃儞Q時(shí)(此處指將上一時(shí)刻圖像像素坐標(biāo)值變換為當(dāng)前時(shí)刻圖像坐標(biāo)值，逆向變換則相反)，利用最優(yōu)變換矩陣H將上一時(shí)刻中圖像幀中所有像素點(diǎn)坐標(biāo)值轉(zhuǎn)換到與原圖像相同分辨率大小的新圖像中，作為當(dāng)前時(shí)刻圖像的相機(jī)運(yùn)動(dòng)補(bǔ)償幀，逆向變換時(shí)則反向操作。

(4)

1.2 補(bǔ)償后的運(yùn)動(dòng)物體檢測(cè)及剔除

對(duì)相機(jī)的運(yùn)動(dòng)進(jìn)行補(bǔ)償之后，即可進(jìn)行行人或者運(yùn)動(dòng)物體的檢測(cè)，具體流程為：

Step1：利用最優(yōu)透視變換矩陣將前一幀圖像中的所有像素點(diǎn)轉(zhuǎn)換到新的圖像中，此圖像即為補(bǔ)償幀，補(bǔ)償幀圖片的尺寸大小和原圖片相同；

Step2：利用后一幀圖像像素值與補(bǔ)償幀圖像求解像素值差I(lǐng)diff，然后利用圖像二值化、圖像形態(tài)學(xué)操作、邊緣噪聲處理等方式去除圖像中相應(yīng)噪聲數(shù)據(jù)，最終通過二值圖中像素值非零值檢測(cè)出行人或動(dòng)態(tài)物體所在區(qū)域。

接下來以rgbd_fr3_walking_xyz數(shù)據(jù)子集中的第416幀圖像與第417幀圖像中的運(yùn)動(dòng)物體檢測(cè)為例，介紹運(yùn)動(dòng)物體或行人檢測(cè)檢測(cè)過程。具體的檢測(cè)效果見圖1，此處的上一幀圖像為第416幀圖像，此處的下一幀圖像為第417幀圖像。圖1(b)是圖1(c)的運(yùn)動(dòng)補(bǔ)償幀，圖1(d)是圖1(c)與子圖經(jīng)過下列過程得到的結(jié)果圖：依據(jù)式(1)求解像素值差值Idiff、利用Idiff二值化處理構(gòu)建二值圖、圖像腐蝕操作去除二值圖中小區(qū)域的噪聲、圖像膨脹操作將二值圖中有效區(qū)域范圍擴(kuò)大。腐蝕操作需要根據(jù)實(shí)際需求選擇圖像腐蝕內(nèi)核大小及腐蝕次數(shù)，同理，膨脹操作也需要確定膨脹內(nèi)核大小及膨脹次數(shù)。為了保證后續(xù)在所有數(shù)據(jù)集上取得較好的效果，腐蝕內(nèi)核大小為4，腐蝕操作進(jìn)行兩次，膨脹內(nèi)核大小為16，膨脹操作進(jìn)行一次。從圖1(d)中可以看到已經(jīng)基本檢測(cè)到真正運(yùn)動(dòng)的物體。

通過分析圖1(d)結(jié)果，可以得出雖然采用此方法檢測(cè)出了運(yùn)動(dòng)物體，但是運(yùn)動(dòng)物體上有大約三分之一區(qū)域仍然未檢測(cè)到，檢測(cè)信息丟失，不符合后續(xù)將檢測(cè)區(qū)域作為mask去除動(dòng)態(tài)點(diǎn)的需求。經(jīng)過對(duì)比分析，發(fā)現(xiàn)導(dǎo)致此情況的原因是運(yùn)動(dòng)物體表面紋理較為接近，導(dǎo)致圖像二值化時(shí)變?yōu)?像素值。為解決此問題，本文采用一種向前向后檢測(cè)方式來檢測(cè)運(yùn)動(dòng)物體。反方向的檢測(cè)與正方向的檢測(cè)相似，即計(jì)算后一時(shí)刻圖像相對(duì)于前一時(shí)刻圖像之間的最優(yōu)相對(duì)變換矩陣，像素補(bǔ)償后求解反方向二值化圖像，反向檢測(cè)結(jié)果見圖1(e)。將正反方向檢測(cè)二值化圖像疊加后，得到運(yùn)動(dòng)物體大部分像素點(diǎn)，最終檢測(cè)效果圖見圖1(f)。

圖1 TUM RGBD數(shù)據(jù)集[10]測(cè)試

圖像特征點(diǎn)建立關(guān)聯(lián)匹配時(shí)，將上述二值化圖像中的非零像素值聯(lián)通區(qū)域作為興趣域(Region of Interest, ROI)。刪除掉對(duì)應(yīng)圖像中ROI區(qū)域中的特征點(diǎn)集，即可刪除動(dòng)態(tài)特征點(diǎn)集，剩下靜態(tài)特征點(diǎn)集。在此基礎(chǔ)上通過求得的靜態(tài)點(diǎn)集優(yōu)化單應(yīng)矩陣H，重復(fù)上述操作，進(jìn)而求得更優(yōu)的靜態(tài)點(diǎn)集。綜上可以得出采用的靜態(tài)特征點(diǎn)提取流程如圖2所示。

圖2 靜態(tài)特征點(diǎn)提取流程

經(jīng)過上述流程，可以將移動(dòng)物體或者行人上面的大部分特征點(diǎn)去除，進(jìn)一步減小了動(dòng)態(tài)物體及行人對(duì)整個(gè)系統(tǒng)的影響，具體效果圖見圖3。圖3中動(dòng)態(tài)點(diǎn)刪除前，行人襯衫、腿部及身體輪廓邊緣有大量特征點(diǎn)。動(dòng)態(tài)點(diǎn)刪除后，能夠看到，位于行人身上及其輪廓的大量點(diǎn)已經(jīng)刪除，剩下的少部分點(diǎn)通過RANSAC方法也會(huì)被刪除掉。綜上，所提算法能夠有效檢測(cè)到動(dòng)態(tài)物體區(qū)域并剔除掉動(dòng)態(tài)干擾點(diǎn)。

圖3 補(bǔ)償后剔除動(dòng)態(tài)物體特征點(diǎn)

為了驗(yàn)證所提方法不僅能對(duì)行人進(jìn)行檢測(cè)，還能夠?qū)\(yùn)動(dòng)物體進(jìn)行檢測(cè)，此處采用實(shí)驗(yàn)室實(shí)際場(chǎng)景中的圖像幀進(jìn)行測(cè)試，具體效果見圖4。圖4中可以看到，算法已經(jīng)將移動(dòng)的杯子區(qū)域檢測(cè)出來。

圖4 實(shí)驗(yàn)室局部場(chǎng)景

2 運(yùn)動(dòng)物體特征點(diǎn)去除的視覺里程計(jì)

圖5為本文所提系統(tǒng)框架圖，整體包括行人及運(yùn)動(dòng)物體檢測(cè)、相機(jī)位姿估計(jì)兩部分。行人及運(yùn)動(dòng)物體檢測(cè)及特征點(diǎn)去除利用所提方法完成，最終剔除掉動(dòng)態(tài)點(diǎn)的靜態(tài)點(diǎn)集存儲(chǔ)在局部地圖中。利用單幀圖像與局部地圖點(diǎn)的匹配關(guān)系，采用EPNP[11]位姿估計(jì)算法求得相機(jī)位姿旋轉(zhuǎn)矩陣R和平移向量t初值，此時(shí)求得的R和t不是最優(yōu)解，需要通過重投影誤差公式(5)來進(jìn)行不斷迭代優(yōu)化得到較優(yōu)值。其中：ui代表圖像I1中點(diǎn)P的像素坐標(biāo)(即前面用特征點(diǎn)匹配或者跟蹤方法獲得的點(diǎn)像素坐標(biāo)值)，K(RPi+t)/s為與I1配對(duì)的圖像I2上對(duì)應(yīng)點(diǎn)P’通過重投影變換映射到圖像I1的坐標(biāo)值。

(5)

這里通過式(5)不斷優(yōu)化迭代，使得式中的e最小，最終求得相鄰兩幀之間相機(jī)位姿最優(yōu)旋轉(zhuǎn)矩陣R和平移向量t。為了使得定位效果更好，算法還構(gòu)建了局部地圖，在獲得局部關(guān)鍵幀圖像、固定關(guān)鍵幀圖像及局部共視地圖點(diǎn)之后進(jìn)行局部bundleadjustment優(yōu)化，此處采用G2O框架進(jìn)行優(yōu)化，利用局部關(guān)鍵幀圖像、固定關(guān)鍵幀圖像及共視地圖點(diǎn)作為G2O的頂點(diǎn)，利用三者之間的關(guān)系作為邊，迭代優(yōu)化使得局部最小二乘誤差最小。

圖5 帶有動(dòng)態(tài)物體檢測(cè)的里程計(jì)架構(gòu)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)及參數(shù)配置

本文的算法運(yùn)行環(huán)境為：操作系統(tǒng)Ubuntu16.04，cpu型號(hào)為I7-7700HQ，CPU的主頻為2.8 gHz，整機(jī)的RAM為8 g。實(shí)驗(yàn)過程中未使用顯卡進(jìn)行加速，為CPU實(shí)時(shí)運(yùn)行。利用TUM的RGBD數(shù)據(jù)集對(duì)提出的算法進(jìn)行了算法精度及耗時(shí)評(píng)估，并與開源的ORB-SLAM2中的前端里程計(jì)算法進(jìn)行了對(duì)比，從而驗(yàn)證本文所提算法有效性。

表1 視覺里程計(jì)輸出RPE對(duì)比

實(shí)驗(yàn)驗(yàn)證使用的TUM RGBD數(shù)據(jù)集圖片大小為640x480，數(shù)據(jù)集分為幾個(gè)子集，分別針對(duì)FR2、FR3兩個(gè)場(chǎng)地，每個(gè)數(shù)據(jù)子集都提供了真實(shí)移動(dòng)軌跡groundtruth。為了驗(yàn)證本文算法能夠有效提升視覺里程計(jì)在動(dòng)態(tài)環(huán)境中的定位精度，這里選取全部低動(dòng)態(tài)、高動(dòng)態(tài)場(chǎng)景數(shù)據(jù)子集進(jìn)行算法評(píng)估。算法實(shí)驗(yàn)中使用的圖像畸變校正參數(shù)來自于TUM RGBD數(shù)據(jù)集官方文件。

3.2 實(shí)驗(yàn)結(jié)果分析

算法精度驗(yàn)證標(biāo)準(zhǔn)為相對(duì)位姿誤差(relative pose error,RPE)[10]，相對(duì)位姿誤差估計(jì)的是一定時(shí)間內(nèi)的局部位姿測(cè)量誤差，因此其適用于視覺里程計(jì)系統(tǒng)的誤差評(píng)估。為了更好地評(píng)估所提算法提升精度的有效性，實(shí)驗(yàn)分別對(duì)比了ORB-SLAM2算法、文獻(xiàn)[7]所提算法和文獻(xiàn)[12]所提BaMVO算法的定位精度實(shí)驗(yàn)結(jié)果。其中ORB-SLAM2算法沒有考慮動(dòng)靜態(tài)點(diǎn)的區(qū)分，文獻(xiàn)[7]所提算法利用圖像塊及圖像塊方差差異剔除了動(dòng)態(tài)點(diǎn)，文獻(xiàn)[12]所提BaMVO算法通過對(duì)比匹配特征點(diǎn)之間深度值差異情況來去除動(dòng)態(tài)點(diǎn)影響。由表1可以得出，在低動(dòng)態(tài)場(chǎng)景和高動(dòng)態(tài)場(chǎng)景中，本文所提算法相較于ORB-SLAM2算法都有所提升，尤其是在高動(dòng)態(tài)場(chǎng)景中，整體算法精度提升較大，所有數(shù)據(jù)集定位精度平均提升38%，證明算法有效。fr3_walking_static數(shù)據(jù)子集中定位精度更是提高了87.9%，而fr3_walking_rpy數(shù)據(jù)集中整體運(yùn)動(dòng)模糊較多，相機(jī)位移較大，對(duì)本文算法是較大的挑戰(zhàn)，所以相較于其他高動(dòng)態(tài)場(chǎng)景精度提升最小。低動(dòng)態(tài)場(chǎng)景的精度提升較小，主要原因是腐蝕膨脹圖像處理時(shí)，為了兼顧所有數(shù)據(jù)集都能平穩(wěn)運(yùn)行，設(shè)置了固定腐蝕膨脹閾值，導(dǎo)致對(duì)輕微的移動(dòng)現(xiàn)象檢測(cè)較弱，此處設(shè)置自適應(yīng)閾值會(huì)取得更佳效果。與文獻(xiàn)[7]所提算法對(duì)比，在低動(dòng)態(tài)場(chǎng)景，本文所提算法更加有效，原因是其背景塊建模算法對(duì)低動(dòng)態(tài)變化不敏感，在高動(dòng)態(tài)場(chǎng)景，文獻(xiàn)[7]算法在大部分?jǐn)?shù)據(jù)子集上效果較好，在fr3_walking_rpy數(shù)據(jù)子集上，跟蹤失敗，未獲得最終的運(yùn)行軌跡，主要原因是其在運(yùn)動(dòng)模糊中本身提取角點(diǎn)較少，剔除動(dòng)態(tài)角點(diǎn)后剩余角點(diǎn)已無法進(jìn)行位姿估計(jì)，導(dǎo)致跟蹤線程失敗。而本文方法雖然在定位精度上稍差于文獻(xiàn)[7]算法，但是魯棒性更強(qiáng)，能夠適應(yīng)更多環(huán)境。與文獻(xiàn)[12]所提BaMVO算法對(duì)比，無論是在低動(dòng)態(tài)場(chǎng)景還是高動(dòng)態(tài)場(chǎng)景中，本文算法相對(duì)定位精度更高，主要原因是算法對(duì)于動(dòng)態(tài)區(qū)域感知相對(duì)較好，而文獻(xiàn)[12]的BaMVO算法動(dòng)態(tài)點(diǎn)剔除算法相對(duì)較弱，對(duì)于動(dòng)態(tài)區(qū)域的感知較弱，大部分動(dòng)態(tài)點(diǎn)沒有被剔除掉，動(dòng)態(tài)點(diǎn)會(huì)繼續(xù)干擾定位效果。由表1可以得知，只有fr3_walking_rpy數(shù)據(jù)子集實(shí)驗(yàn)BaMVO算法較優(yōu)，原因是對(duì)于整體運(yùn)動(dòng)模糊過多場(chǎng)景，BaMVO算法受運(yùn)動(dòng)模糊干擾較小，特征點(diǎn)提取算法準(zhǔn)確度較低，后續(xù)可以結(jié)合稀疏直接法提升本文算法對(duì)于場(chǎng)景運(yùn)動(dòng)模糊的定位精度。

綜上所述，所提算法對(duì)于相機(jī)位姿估計(jì)精度提升是有效的，與現(xiàn)有基于運(yùn)動(dòng)物體刪除的里程計(jì)算法對(duì)比也有一定優(yōu)勢(shì)，此處需要注意的是表中的文獻(xiàn)[7]及文獻(xiàn)[12]算法實(shí)驗(yàn)結(jié)果均來自文獻(xiàn)，但是文獻(xiàn)[7]平臺(tái)計(jì)算能力更佳，對(duì)比是有效的。

為更為直觀地表示所提算法對(duì)于位姿估計(jì)精度的提升，圖6中將兩種算法在部分?jǐn)?shù)據(jù)集上的RPE曲線圖展現(xiàn)出來，從圖6中能夠看到，所提算法整體上比ORB-SLAM2精度高。圖6中的實(shí)黑線能夠看到，ORB-SLAM2在某些時(shí)段誤差突然變大，將曲線圖的時(shí)間與數(shù)據(jù)集圖片集一一對(duì)應(yīng)起來，發(fā)現(xiàn)誤差突然變大的地方都有動(dòng)態(tài)物體存在，所提算法在有動(dòng)態(tài)物體時(shí)表現(xiàn)了良好的穩(wěn)定性。圖6(a)中可以看到，所提算法在剛開始時(shí)穩(wěn)定性不如ORB-SLAM2，通過對(duì)相應(yīng)時(shí)間段的數(shù)據(jù)集圖片分析得知，不穩(wěn)定的原因在于在對(duì)應(yīng)時(shí)間段，運(yùn)動(dòng)物體存在但是其運(yùn)動(dòng)方向垂直相機(jī)平面，此情況是所提算法檢測(cè)盲區(qū)，故出現(xiàn)不穩(wěn)定現(xiàn)象。

圖6 所提算法與ORB-SLAM2在兩個(gè)數(shù)據(jù)集的RPE曲線圖

除對(duì)算法定位精度進(jìn)行評(píng)估外，還對(duì)所提算法與ORB-SLAM2整體運(yùn)行耗時(shí)進(jìn)行了評(píng)估，這里不對(duì)比文獻(xiàn)[7]及文獻(xiàn)[12]的運(yùn)行耗時(shí)，因?yàn)樗惴ㄟ\(yùn)行平臺(tái)不同，耗時(shí)對(duì)比標(biāo)準(zhǔn)會(huì)有不同。算法耗時(shí)實(shí)驗(yàn)評(píng)估發(fā)現(xiàn)ORB-SLAM2跟蹤在測(cè)試數(shù)據(jù)集上的平均運(yùn)行耗時(shí)為37.683 ms，而所提算法在測(cè)試數(shù)據(jù)集上的運(yùn)行平均耗時(shí)達(dá)到了56.746 ms，相較于ORB-SLAM2算法耗時(shí)增加了19 ms，雖然較ORB-SLAM2運(yùn)行耗時(shí)有所增加，但是能夠?qū)崟r(shí)運(yùn)行，此處耗時(shí)增加需要進(jìn)一步分析進(jìn)行優(yōu)化。

4 結(jié)束語

本文提出了一種基于動(dòng)態(tài)物體檢測(cè)與特征點(diǎn)去除的立體視覺里程計(jì)算法。算法能夠有效檢測(cè)到動(dòng)態(tài)物體，并能夠利用動(dòng)態(tài)區(qū)域mask剔除掉對(duì)應(yīng)動(dòng)態(tài)點(diǎn)，降低了動(dòng)態(tài)物體對(duì)相機(jī)位姿估計(jì)帶來的影響。通過對(duì)TUM RGBD數(shù)據(jù)集的評(píng)估測(cè)試，發(fā)現(xiàn)所提算法對(duì)于定位精度有一定提升，與現(xiàn)有改進(jìn)算法相比，也具有一定優(yōu)勢(shì)。但是所提算法對(duì)于垂直相機(jī)平面的運(yùn)行物體檢測(cè)較差，后續(xù)可以針對(duì)此處做相應(yīng)優(yōu)化。除此之外，耗時(shí)相較于其他算法有所增加，實(shí)際使用中需要進(jìn)行計(jì)算機(jī)工程上的優(yōu)化。除此之外，下一步工作會(huì)嘗試加入其它傳感器，進(jìn)一步判斷動(dòng)態(tài)物體，從而更好地去除動(dòng)態(tài)物體影響。