排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对同步定位与地图构建(SLAM)算法中易受场景中动态物体的干扰,造成定位精度不理想等问题,本文提出一种动态场景下基于改进运动性判断的SLAM算法。该算法在特征提取的同时,采用PSPNet语义分割网络获取物体的掩码信息,将不同物体上的特征点区分开。利用背景特征点为样本点计算出基础矩阵,结合语义信息与几何信息判断出物体的真实运动性。当场景被大量遮挡而无法获取足够多的背景点时,从运动物体的跟踪中恢复出当前相机的位姿,提高算法在动态场景下定位的鲁棒性。在TUM公开数据集下的实验结果表明,该算法在动态场景下与ORB-SLAM2相比定位误差减少约94%,表现出良好的构图能力。 相似文献
2.
针对视觉同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)方法在相机快速运动中容易导致图像模糊,以及在稠密场景中线特征提取易造成信息冗余等问题,提出一种融合梯度密度的点线视觉SLAM算法改进。该算法首先利用前后图像帧之间特征点数量信息对模糊图像进行筛选,并使用高斯模糊进行优化处理,得到匹配效果更佳的图像帧。然后利用点特征信息判断是否引入线特征,并引入图像像素梯度密度对LSD(Line Segment Detection)线特征进行多维优化,提取出稳定线特征以提高后续匹配质量。最后结合点线特征误差构建误差函数,最小化投影误差提高位姿估计精度。算法在TUM数据集下进行测试,实验结果表明本算法可以有效提升特征提取的稳健性,进而提高相机位姿估计与建图的精度。 相似文献
1