高动态环境下的傅里叶梅林变换视觉SLAM算法

针对视觉即时定位与地图构建(SLAM)中的静态假设限制其在动态现实环境中应用的问题,提出了一种在高动态环境下基于傅里叶梅林变换的视觉SLAM算法。首先,采用傅里叶梅林算法配准以补偿相机运动,应用帧间差分算法获取运动掩膜。同时利用短时密集连接网络进行语义分割确定潜在运动物体掩膜。结合运动掩膜与物体掩膜,获得最终的物体运动区域,剔除该区域的特征点。最后,依据稳定的静态特征点跟踪优化,提升位姿精度。实验结果表明,本算法的绝对轨迹误差与相对位姿误差相比于ORB-SLAM2减少了95%以上,相比于DS-SLAM减少了30%以上,验证其在复杂动态场景下具有良好的定位精度与鲁棒性,有效降低运动模糊与光照变化对运动检测的影响,同时,克服了传统动态SLAM难以检测非先验运动对象的弊端。

侧扫声呐图像特征提取改进方法

由于侧扫声呐图像对于研究海底状况有着重要的作用,因此常采用点特征和线特征提取来分析声呐图像的特点。其中点特征提取分析采用尺度不变特征变换(SIFT)算法,直线特征提取采用Hough变换和线段检测(LSD)算法。文中针对Hough变换在提取直线特征时因基本空间转换方式存在不足而使得提取的线特征不理想的问题,提出了一种效果更好的空间转换方式,该方法需要建立2个图像边缘掩码矩阵,一个保持原状用于寻找直线特征,另一个根据边缘点转化情况相应减少对应边缘点,这种方法的设计可以保证属于直线的特征点都能参与到直线特征的形成中;针对LSD算法中检测到的直线特征会因相交而出现断裂的问题,设计了一种断裂线特征拟合方法,利用角度、位置等条件将被判定为断裂的直线特征进行拟合,减少因直线特征断裂造成直线过短过多的问题,然后通过长度阈值筛选出合适的直线特征。通过优化前后的方法对侧扫声呐图像进行直线特征提取验证,证明了所改进的Hough变换可以更好地提取到线特征,而优化后的LSD算法也减小了线特征断裂的影响。同时对于待处理的声呐图像,点特征提取数量较多,不能很好地体现图像内容特点,而改进之后的线特征可以提取出图像内容的轮廓,信息丰富,能更好地表现了图像的内容。以上改进方法可为有关线特征提取研究提供参考。