1
摘要
动态环境对视觉SLAM具有挑战性,因为移动对象遮挡了静态环境特征并导致错误的摄像机运动估计.在这篇文章中,我们提出了一个新的密集的三维立体模型解决方案,同时完成了动态/静态分割和相机自我运动估计以及静态背景重建...输入两个连续的RGB-D帧A和B,RGB图像首先被馈送到PWC-net用于光流(黄色箭头)估计.同时,强度和深度对A和B被馈送到鲁棒相机自我运动估计器,以初始化相机运动ξ,然后,我们用ξ将帧A映射到A’...(b)是根据(a)的图像对估计的光流.颜色表示流动方向,强度表示像素位移.蓝色的流动是相机自我运动的结果.我们从光流中减去自我流,得到像平面上的场景流分量,如(c)所示.在(b)中迭代地移除场景流和...下图是TUM fr3_walking xyz序列的比较实验.比较了JF、SF、PF和提出的FF方法的动态分割性能.蓝色部分在JF和SF是静态的.红色部分在PF和FF中是静态的.第一行是输入的RGB帧,其他行是每种方法的动态...,这使得难以获得光流残差.脚部分被分割成静态背景,因为在行走阶段,地面上的支撑脚很容易被视为静态对象.虽然扫地脚移动得很快,并保留了大量的光流残余,但它们离坚硬的地面太近了.因此,由于图的连通性,它们很容易被分割成静态背景