基于动态场景的稠密视觉SLAM方法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于动态场景的稠密视觉SLAM方法研究

摘要

视觉SLAM(SimultaneousLocalizationandMapping,SLAM)算法发展至今已

较为成熟，在大多数静态场景中有着良好的性能，能获得较好的定位精度和建

图效果。但其应用于动态场景时，会受到场景中运动物体的干扰，将运动物体

的特征点用于位姿估计会产生大量的误匹配，使系统对自身的位姿估计出现偏

差，影响系统的定位精度和鲁棒性，甚至导致跟踪失败等现象。此外，传统

SLAM算法建立的稀疏地图应用价值较低，无法满足导航规划等高级人机交互

任务。

针对传统视觉SLAM在动态场景中定位精度低、鲁棒性差的问题，本文提

出一种动态场景中的稠密视觉SLAM方法，能够在动态场景中获得较高的定位

精度，同时能够构建不含运动物体的稠密点云地图和八叉树地图。首先，本文

在ORB-SLAM2算法基础上，对平衡四叉树方法进行改进，通过新的空间划分

方法获得分布更加均匀的特征点，解决传统方法进行特征提取时出现的特征点

扎堆冗余现象。在特征匹配时，使用基于网格的运动统计（Grid-basedMotion

Statistics，GMS）方法将图像划分为不同的网格单元，并在网格单元中计算特

征点对应的运动模式，然后将特征点的运动模式与网格单元中最具代表性的运

动模式进行比较，最后决定是否接受匹配，进而提高相邻帧间特征匹配的准确

率。本文使用先验信息结合光流估计的方法，解决场景中运动物体对系统造成

的干扰问题。先验信息可以滤除绝大多数的运动物体，未被滤除的潜在运动物

体则通过光流进行二次处理。在地图构建方面，使用PointCloudLibrary和

Octomap，结合滤除运动物体后的关键帧信息，构建只含静态信息的稠密点云

地图和八叉树地图，用于高级人机交互任务。

最后，为验证本文方法的有效性，在TUM数据集中与ORB-SLAM2，

ORB-SLAM3，DS-SLAM，SF-SLAM，RGBD-SLAM，RDS-SLAM等算法进

行了对比。结果表明，在所测数据集中，本文方法的绝对轨迹误差明显低于其

他方法。

关键词SLAM；动态场景；特征匹配；目标检测；稠密地图

-I-

哈尔滨理工大学电子信息硕士学位论文

ResearchonDenseVisualSLLAMMethod

BasedonDynamicScene

Abstract

VisualSLAM(SimultaneousLocalizationandMapping,SLAM)algorithm

developmenthasbeenrelativelymature,inmoststaticsceneshavegoodperformance,

canobtainbetterpositioningaccuracyandmapbuildingeffect.However,whenitis

appliedtodynamicscenes,itwillbeinterferedbythemovingobjectsinthescene,and

theuseofthefeaturepointsofthemovingobjectsforthepositionestimationwill

producealargenumberofmismatches,whichwillmakethesystemdeviatefromthe

estimationofitsownposition,affectingthelocalizationaccuracyandrobustnessof

thesystem,andevenleadingtotrackingfailuresandotherphenomen