吉林大学学报(信息科学版) ›› 2023, Vol. 41 ›› Issue (6): 1041-1047.
任伟建1a,1b , 张志强1a , 康朝海1a,1b , 霍凤财1a,1b , 孙勤江2 , 陈建玲2
REN Weijian 1a,1b , ZHANG Zhiqiang 1a , KANG Chaohai 1a,1b , HUO Fengcai 1a,1b , SUN Qinjiang 2 , CHEN Jianling 2
摘要: 针对视觉 SLAM( Simultaneous Localization and Mapping) 在真实场景下出现动态物体( 如行人, 车辆、 动物)等影响算法定位和建图精确性的问题, 基于 ORB-SLAM3(Oriented FAST and Rotated BRIEF-Simultaneous Localization and Mapping 3)提出了 YOLOv3-ORB-SLAM3 算法。 该算法在 ORB-SLAM3 的基础上增加了语义线 程, 采用动态和静态场景特征提取双线程机制: 语义线程使用 YOLOv3 对场景中动态物体进行语义识别目标检 测, 同时对提取的动态区域特征点进行离群点剔除; 跟踪线程通过 ORB 特征提取场景区域特征, 结合语义信 息获得静态场景特征送入后端, 从而消除动态场景对系统的干扰, 提升视觉 SLAM 算法定位精度。 利用 TUM (Technical University of Munich)数据集验证, 结果表明 YOLOv3-ORB-SLAM3 算法在单目模式下动态序列相比 ORB-SLAM3 算法 ATE(Average Treatment Effect)指标下降30% 左右, RGB-D(Red, Green and Blue-Depth)模式下 动态序列 ATE 指标下降 10% , 静态序列未有明显下降。
中图分类号: