动态场景中基于特征点几何约束的3D SLAM算法

针对动态场景中动态物体会导致机器人在进行位姿估计时引入大量动态误差的问题,提出一种利用特征点间几何约束来剔除动态特征点的移动机器人3D同步定位与地图构建(SLAM)算法。利用当前帧的ORB特征点与上一帧特征点生成的地图点进行投影匹配,通过引入Delaunay三角剖分法构建能够表示2帧间、匹配地图点间几何关系的三角网。利用相邻2帧地图点的几何关系变化检测出动态特征点,考虑到静态特征点可能被误检测为动态特征点而导致特征点缺失的情况,在相邻2帧匹配时提取更多的特征点以实现静态特征点的补偿,进而剔除动态特征点,实现对移动机器人位姿的精确估计。在此基础上,通过引入滑动窗口提取关键帧并完成闭环检测,从而构建出精确的3D稠密地图。在多组公开数据集上进行仿真实验及室内动态场景下的实验,结果表明,所提算法能够有效剔除动态特征点,提高移动机器人在动态场景中位姿估计的精度和地图的一致性。

基于Faster R-CNN的显著性目标检测方法

显著性目标检测成为计算机视觉领域中的研究热点问题之一,但目前的方法在面对前景和背景对比度不强及复杂背景的图像时,较难取得好的检测效果。融合多尺度超像素分割方法,提出一种在背景信息相对复杂的场景中基于FasterR-CNN的显著性目标检测方法。首先对图像进行多尺度超像素分割,同时利用FasterR-CNN对图像进行目标检测,根据似物性特点对超像素进行显著性筛选,得到初始目标位置特征后进行显著性检测及优化,最后使用元胞自动机方法对多尺度超像素显著性图进行融合。通过在特定类数据集进行实验,与已有典型显著性检测进行对比分析,验证了本文方法在背景复杂的图像中可提升显著性目标检测的精度。