CN115439743B 一种泊车场景下精确提取视觉slam静态特征的方法 （华南理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115439743B(45)授权公告日2025.07.08

(21)申请号202211028947.4

(22)申请日2022.08.23

(65)同一申请的已公布的文献号申请公布号CN115439743A

(43)申请公布日2022.12.06

(73)专利权人华南理工大学

地址510640广东省广州市天河区五山路

381号

(72)发明人崔博非胡习之李洪涛符茂达

(74)专利代理机构广州粤高专利商标代理有限公司44102

专利代理师周春丽

GO6V10/75(2022.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

G06T7/73(2017.01)

GO6N3/0455(2023.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN111156984A,2020.05.15CN114677323A,2022.06.28

审查员李妍

权利要求书2页说明书7页附图6页

(51)Int.CI.

GO6V

GO6V

20/10(2022.01)

10/44(2022.01)

(54)发明名称

一种泊车场景下精确提取视觉SLAM静态特征的方法

(57)摘要

CN115439743B本发明公开一种泊车场景下精确提取视觉SLAM静态特征的方法，对于停车场场景有行人和车辆等动态物体的情况，使用多线程并行，利用目标检测模型将车辆与行人框出形成mask掩码；同时摒弃目前VSLAM系统常用的手工特征，选择使用改进的基于深度学习特征提取模型SuperPoint进行特征提取，让特征提取的精度更高更鲁棒，得出图像帧的关键点与描述子，根据生成的mask掩码筛选并剔除动态物体框中的特征点，利用剩余的精准静态特征点进行特征匹配和相机位姿估计，后续即可执行跟踪、建图和回环检测线程，完成整个SLAM工作。使用本方法降低了记忆泊车场景中误匹配的概率，可有效解决

CN115439743B

运入关

运入关

CN115439743B权利要求书1/2页

2

1.一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，包括以下步骤：

步骤1:对车前方的停车场场景提取图像，对图像进行预处理后将图像输入到目标检测网络中进行目标检测，得到目标物的检测框；

步骤2:筛选步骤1中输出的动态物体检测框，并形成mask掩码，与SuperPoint网络提取的特征点结合使用，剔除动态物体检测框的特征点，并得到关键点和描述子，SuperPoint网络包括关键点和描述子的共享编码器、关键点解码器和描述子解码器，共享编码器用于对图像进行编码得到特征图，关键点解码器用于获得图像中关键点的坐标，描述子解码器用于获取关键点的描述子向量，其中，对SuperPoint网络的改进包括：将编码器中的所有卷积改成深度可分离卷积，其中，目标检测和特征点提取使用多线程并行技术，在特征点提取的同时进行目标检测；

步骤3:如果mask掩码代表的是行人，SuperPoint网络对掩码内的特征点进行剔除；如果是汽车，则对比相邻帧的汽车目标检测区域，相邻的两个目标检测区域的非公共部分的特征点保留，公共部分的特征点进行剔除，得到筛选后的静态特征点；

步骤4:利用SuperPoint网络提取并剔除mask掩码内的关键点和描述子，使用剩余的特征点进行特征匹配，继续执行视觉SLAM的tracking模块，计算相机位姿并建图，完成整个SLAM工作；

其中，步骤2中的深度可分离卷积包括逐通道卷积和逐点卷积两个连续过程，逐通道卷积是给每个通道一个单独的卷积核进行卷积，将卷积过程转化到二维平面内进行，最终生成中间特征图，此环节的卷积核参数量为f*f*3,生成的中间特征图进行逐点卷积，使用1*1*3卷积核，最终也输出m层特征图，此部分的参数量为1*3*m;逐通道核与逐点卷积的卷积核的参数量为3*(f*f+m),f表示卷积核尺寸。

2.根据权利要求1所述的一种泊车场景下精确提取视觉SLAM静态特征的方法，其特征在于，步骤1中，目标检测网络采用YOLOv5网络，目标检测的过程包括