VSLAM method based on object detection in dynamic environments.
VSLAM method based on object detection in dynamic environments.
复制标题
DOI：
10.3389/fnbot.2022.990453
复制
发表时间：
2022
影响因子：
3.1
通讯作者：
中科院分区：
文献类型：
--
作者：
增强现实注册领域现在需要改进的SLAM系统来适应更复杂和高度动态的环境。常用的VSLAM算法在动态场景中存在姿态估计误差过大、容易丢失摄像机跟踪等问题。针对这些问题，提出了一种基于GMM和YOLOv 3的实时跟踪和映射方法。该方法利用了ORB-SLAM 2系统框架，并对其跟踪线程进行了改进。该算法结合仿射变换矩阵对前后帧图像进行校正，并利用高斯混合模型对背景图像进行建模，分割出前景动态区域。然后，将获得的动态区域发送到YOLO检测器，以找到可能的动态目标。在跟踪阶段，采用改进的卡尔曼滤波算法对检测到的动态目标进行预测和跟踪。在建立地图之前，该方法过滤当前帧中检测到的特征点，并消除动态特征点。最后，我们使用TUM数据集验证了所提出的方法，并在动态环境中进行实时增强现实配准实验。实验结果表明，本文提出的方法在动态数据集下具有较强的鲁棒性，能够稳定、真实的实时地注册虚拟对象。
Augmented Reality Registration field now requires improved SLAM systems to adapt to more complex and highly dynamic environments. The commonly used VSLAM algorithm has problems such as excessive pose estimation errors and easy loss of camera tracking in dynamic scenes. To solve these problems, we propose a real-time tracking and mapping method based on GMM combined with YOLOv3. The method utilizes the ORB-SLAM2 system framework and improves its tracking thread. It combines the affine transformation matrix to correct the front and back frames, and employs GMM to model the background image and segment the foreground dynamic region. Then, the obtained dynamic region is sent to the YOLO detector to find the possible dynamic target. It uses the improved Kalman filter algorithm to predict and track the detected dynamic objects in the tracking stage. Before building a map, the method filters the feature points detected in the current frame and eliminates dynamic feature points. Finally, we validate the proposed method using the TUM dataset and conduct real-time Augmented Reality Registration experiments in a dynamic environment. The results show that the method proposed in this paper is more robust under dynamic datasets and can register virtual objects stably and in real time.
登录
查看更多内容
影响因子：
3.9
作者：
Fan, Yingchun;Zhang, Qichi;Han, Hong
通讯作者：
Han, Hong
DOI：
10.1023/b:visi.0000029664.99615.94
发表时间：
2004-11-01
影响因子：
19.5
作者：
Lowe, DG
通讯作者：
Lowe, DG
用于室内小目标检测的多尺度特征融合卷积神经网络。
影响因子：
3.1
作者：
Huang, Li;Chen, Cheng;Yun, Juntong;Sun, Ying;Tian, Jinrong;Hao, Zhiqiang;Yu, Hui;Ma, Hongjie
通讯作者：
Ma, Hongjie
DOI：
10.1109/tpami.2012.257
发表时间：
2013-08-01
影响因子：
23.6
作者：
Raguram, Rahul;Chum, Ondrej;Frahm, Jan-Michael
通讯作者：
Frahm, Jan-Michael
DOI：
10.1007/11744023_32
发表时间：
2006-01-01
期刊：
COMPUTER VISION - ECCV 2006 , PT 1, PROCEEDINGS
影响因子：
--
作者：
Bay, Herbert;Tuytelaars, Tinne;Van Gool, Luc
通讯作者：
Van Gool, Luc