韓慧妍，韓方正，韓 燮，況立群，曹亞明

(1.中北大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 太原 030051；2.機(jī)器視覺與虛擬現(xiàn)實(shí)山西省重點(diǎn)實(shí)驗(yàn)室，山西 太原 030051；3.山西省視覺信息處理及智能機(jī)器人工程研究中心，山西 太原 030051)

0 引 言

同時定位和映射(SLAM)在無人系統(tǒng)導(dǎo)航和人機(jī)交互中起著重要作用。在室內(nèi)場景地圖構(gòu)建過程中，大多數(shù)SLAM假設(shè)環(huán)境是靜態(tài)的，然而室內(nèi)環(huán)境存在人、寵物等動態(tài)物體，當(dāng)運(yùn)動物體進(jìn)入相機(jī)的視場時，這些物體將保留在構(gòu)建的地圖中，同時會干擾相機(jī)的姿態(tài)估計(jì)[1]。

針對此類問題，早先的方法將預(yù)定義運(yùn)動物體的語義信息與空間幾何信息相結(jié)合[2]，消除運(yùn)動物體的負(fù)面影響。事實(shí)上，語義分割方法提供的對象原始掩膜并不完善，無法完全覆蓋運(yùn)動的物體，尤其是運(yùn)動物體的輪廓邊界，其邊界信息被泄漏到點(diǎn)云圖中，形成大量的噪聲塊。在本文中，提出了一種在室內(nèi)動態(tài)環(huán)境下工作的BN-SLAM系統(tǒng)，該系統(tǒng)具有較為完整的精確特征點(diǎn)匹配，且移動物體去除方法與ORB-SLAM3相結(jié)合。在BN-SLAM中，BN網(wǎng)絡(luò)是一種實(shí)時的深度神經(jīng)網(wǎng)絡(luò)，它可以同時獲得環(huán)境中運(yùn)動物體的語義包圍盒和原始掩膜，利用運(yùn)動物體的語義包圍盒將深度圖像快速劃分為靜態(tài)環(huán)境區(qū)域和潛在的動態(tài)區(qū)域。靜態(tài)環(huán)境區(qū)域中的匹配點(diǎn)可以通過構(gòu)建潛在動態(tài)區(qū)域中的外極約束來定位，再利用深度圖像的幾何信息對原始掩模進(jìn)行修正，以更完整地覆蓋運(yùn)動物體，使用修正后的掩模去除局部點(diǎn)云中的噪聲塊，通過合并這些局部點(diǎn)云，可以得到一個清晰的全局點(diǎn)云圖。本文的主要貢獻(xiàn)如下：第一，提出了一種結(jié)合原始掩模和深度圖像信息獲取運(yùn)動物體修正掩模的方法；第二，提出了一種消除點(diǎn)云圖構(gòu)造中由運(yùn)動物體形成的噪聲塊的方法。

1 相關(guān)工作

在未獲取運(yùn)動物體信息時，尋求可靠的靜態(tài)匹配特征是動態(tài)SLAM系統(tǒng)的基本任務(wù)。Zhang等[3]提出了一種基于RGB-D數(shù)據(jù)的運(yùn)動去除方法，作為一個預(yù)處理模塊來過濾掉運(yùn)動的物體。DMS-SLAM[4]使用GMS[5]和滑動窗口進(jìn)行系統(tǒng)初始化，消除運(yùn)動物體的影響，構(gòu)建靜態(tài)三維地圖，通過重投影得到與局部地圖中當(dāng)前幀對應(yīng)的三維點(diǎn)云，將這些點(diǎn)與參考幀模型相結(jié)合，實(shí)現(xiàn)當(dāng)前幀的位姿估計(jì)并更新局部地圖中三維點(diǎn)云。DynaSLAM[6]結(jié)合多視角幾何和初始掩膜，去除預(yù)定義的運(yùn)動目標(biāo)，并填充該區(qū)域。DynaSLAM II[7]估計(jì)攝像機(jī)位姿，構(gòu)建稀疏3D地圖并記錄攝像機(jī)的運(yùn)動軌跡，利用光束平差法優(yōu)化靜態(tài)場景結(jié)構(gòu)及動態(tài)物體的姿態(tài)。MaskFusion[8]基于圖像的實(shí)例級語義分割創(chuàng)建語義對象掩碼，識別運(yùn)動物體。MaskFusion也可以分割語義類標(biāo)簽，并將其分配給場景中的不同對象，同時進(jìn)行跟蹤和重建。MIDFusion[9]通過提取幾何、語義和運(yùn)動特征識別運(yùn)動物體。DS-SLAM[10]濾除運(yùn)動物體后，基于物體運(yùn)動的連續(xù)性去除動態(tài)匹配點(diǎn)。DP-SLAM[11]基于貝葉斯似然估計(jì)架構(gòu)追蹤動態(tài)匹配點(diǎn)，糾正幾何約束和語義分割中的錯誤。以上動態(tài)SLAM系統(tǒng)側(cè)重于提高攝像機(jī)定位精度，本方法的重點(diǎn)是可以在動態(tài)環(huán)境中獲得干凈和準(zhǔn)確的點(diǎn)云圖。深度圖像[12]存在一定的深度缺失區(qū)域，不適合使用多模態(tài)網(wǎng)絡(luò)對RGB-D圖像進(jìn)行語義分割，在平衡了性能和實(shí)時性之后，本系統(tǒng)選擇BN作為語義分割網(wǎng)絡(luò)，同時可以進(jìn)一步消除運(yùn)動物體產(chǎn)生的噪聲塊，剔除運(yùn)動物體在場景中的拖影和輪廓邊界。

2 BN-SLAM系統(tǒng)

2.1 BN-SLAM系統(tǒng)概述

基于實(shí)驗(yàn)室已購置的松靈移動機(jī)器人、RGB-D攝像機(jī)、工控機(jī)，搭建BN-SLAM系統(tǒng)，具體研究方案如圖1所示。RGB圖像通過BN網(wǎng)絡(luò)，獲得原始掩膜和環(huán)境對象的語義包圍盒[13]，原始掩膜與深度掩膜結(jié)合可以進(jìn)行修正得到修正掩膜。在攝像機(jī)定位過程中，通過移動物體的語義包圍盒，可以將圖像快速劃分為環(huán)境區(qū)域和潛在的動態(tài)區(qū)域，通過環(huán)境區(qū)域中的匹配點(diǎn)來構(gòu)建外極約束，以對潛在動態(tài)區(qū)域中的靜態(tài)和動態(tài)匹配點(diǎn)進(jìn)行分類。然后，使用靜態(tài)匹配點(diǎn)進(jìn)行相機(jī)定位。在精確估計(jì)相機(jī)姿態(tài)后，通過拼接局部點(diǎn)云，可以得到全局點(diǎn)云圖。

圖1 BN-SLAM系統(tǒng)方案

根據(jù)對象在環(huán)境中的狀態(tài)，對象大致可以分為3類：移動的物體：如行走的人。這些物體不僅直接干擾攝像機(jī)的姿態(tài)估計(jì)，而且在構(gòu)建的環(huán)境地圖中留下大量的噪聲塊。靜態(tài)對象：如冰箱、桌子、監(jiān)視器等。這些對象通常位于環(huán)境中的相同位置，并且不會經(jīng)常被移動?？梢苿拥奈矬w：如椅子、書籍等。這些對象可以是移動的，也可以是靜態(tài)的。

由于BN網(wǎng)絡(luò)獲得的原始目標(biāo)掩模不完善，因此利用目標(biāo)區(qū)域的深度信息對原始掩模進(jìn)行改進(jìn)，即得到能夠完全覆蓋目標(biāo)區(qū)域的修正掩模。在去除由移動物體引起的噪聲塊后，可以獲取清晰的局部點(diǎn)云。在構(gòu)建全局點(diǎn)云圖中，即將每一組關(guān)鍵幀對應(yīng)的局部點(diǎn)云進(jìn)行合并。如式(1)所示

(1)

其中，Pi表示局部點(diǎn)云，PE表示全局點(diǎn)云圖，旋轉(zhuǎn)矩陣Ri和平移矩陣ti由攝像機(jī)所在參考坐標(biāo)系的位姿決定。

2.2 基于深度信息修復(fù)初始掩膜

由于深度攝像機(jī)的限制，深度圖像中的一些區(qū)域失去了其深度值。當(dāng)一個物體的表面非常光滑時，這個物體的深度值也會嚴(yán)重缺失。針對深度圖像的缺失等問題，使用大小為2×2的滑窗遍歷深度圖像，并記錄滑窗內(nèi)的深度值，如式(2)所示，其中(u，v)表示滑窗左上角像素對應(yīng)的圖像坐標(biāo)，邊緣點(diǎn)可通過式(3)提取，τ1為閾值

(2)

(3)

(4)

(5)

(6)

圖2 人輪廓的修正過程

2.3 移除與運(yùn)動物體交互的可移動物體

(1)判斷二者是否發(fā)生交互

對掩膜修正后，若運(yùn)動物體的掩膜與可移動物體的掩膜有交集，則認(rèn)為兩者存在交互，如式(7)所示，其中i=1，…，n，n為圖像中運(yùn)動物體的總量，j=1，…，m，m為圖像中可移動物體的總量，DObj和SObj分別為運(yùn)動物體和靜態(tài)物體的集合

(7)

如圖3所示，兩個人和兩把椅子修改后的掩膜顯示在方框中。轉(zhuǎn)椅是C(1)， 普通椅子是C(2)， 兩人與圖2一致。經(jīng)過判斷，P(1) 與C(1) 發(fā)生互動。

圖3 人與椅子交互

(2)移除移動物體的殘留噪聲

pC=HpP

(8)

利用相鄰兩幀殘差邊界的深度值相差較大的特性將邊界噪聲去除，如式(9)所示，其中dP和dC是IP和IC對應(yīng)的深度圖像，τ4為閾值。最后，通過形態(tài)學(xué)方法去除深度圖像中的孤立圖像塊，以確保完全去除運(yùn)動物體所在區(qū)域

(9)

基于以上操作，將得到清晰完整的單視角靜態(tài)場景點(diǎn)云圖。對應(yīng)的給出流程如圖4所示。

圖4 殘余噪聲塊清除

如圖5所示，第一行為去除噪聲塊之前的局部點(diǎn)云，噪聲塊用矩形標(biāo)記。第二行為去除噪聲塊后的局部點(diǎn)云數(shù)據(jù)。即噪聲塊被完全除去。

圖5 去除運(yùn)動物體前后點(diǎn)云圖比較

2.4 靜態(tài)匹配點(diǎn)位姿

在攝像機(jī)定位過程中，基于運(yùn)動物體的語義包圍盒，將圖像快速劃分為靜態(tài)區(qū)域和潛在動態(tài)區(qū)域?；跇O線約束并使用加權(quán)RANSAC方法，將潛在動態(tài)區(qū)域分類為靜態(tài)和動態(tài)匹配點(diǎn)，為可靠性較高的靜態(tài)物體點(diǎn)賦予較高的置信度，以有效消除來自運(yùn)動物體和可移動物體的不利影響，利用剩余的靜態(tài)匹配點(diǎn)計(jì)算攝像機(jī)位姿。

設(shè)前一幀IP和當(dāng)前幀IC的兩組靜態(tài)匹配點(diǎn)為PP={PP1，PP2，…，PPm}和PC={PC1，PC2，…，PCm}，IP與IC之間的攝像機(jī)位姿變換可通過最小二乘法求解式(10)得到

(10)

從IP和IC的靜態(tài)區(qū)域中提取匹配點(diǎn)，其中I為潛在動態(tài)區(qū)域所對應(yīng)匹配點(diǎn)的集合。內(nèi)點(diǎn)查找函數(shù)使用輸入模型對樣本進(jìn)行評估，并返回誤差小于閾值的內(nèi)點(diǎn)子集。加權(quán)RANSAC步驟如圖6所示。

圖6 加權(quán)RANSAC步驟流程

步驟1 與傳統(tǒng)算法RANSAC算法一致，從數(shù)據(jù)集P中隨機(jī)選取n個實(shí)驗(yàn)數(shù)據(jù)，所選取的n個實(shí)驗(yàn)數(shù)據(jù)需要滿足構(gòu)成對應(yīng)圖像數(shù)據(jù)集模型Q1的數(shù)量，并計(jì)算模型參數(shù)；

步驟2 模型Q1對圖像數(shù)據(jù)集的所有匹配點(diǎn)進(jìn)行距離計(jì)算，并根據(jù)閾值判斷內(nèi)外點(diǎn)，保留內(nèi)點(diǎn)，剔除外點(diǎn)；

步驟3 將已獲取的內(nèi)點(diǎn)集作為初始樣本，進(jìn)行基于最小二乘法的初始樣本模型，得到Q2；

步驟4 計(jì)算內(nèi)點(diǎn)集與經(jīng)過最小二乘法優(yōu)化過的樣本模型Q2間的距離，并通過與閾值比較，篩選內(nèi)點(diǎn)，剔除外點(diǎn)；

步驟5 對以上4步進(jìn)行循環(huán)迭代，使得迭代次數(shù)滿足預(yù)期設(shè)定迭代值，得到最優(yōu)模型Qbest。

(11)

在IP和IC的潛在動態(tài)區(qū)域中提取匹配點(diǎn)集PDP=[uDP，vDP，1]，PDC=[uDC，vDC，1]。 計(jì)算潛在動態(tài)匹配點(diǎn)到對應(yīng)極線的距離，如式(12)所示，其中，lx和ly可通過式(13)求得

(12)

(13)

計(jì)算潛在動態(tài)區(qū)域中第i個匹配點(diǎn)狀態(tài)的方法如式(14)所示，其中D和S分別表示動態(tài)和靜態(tài)匹配點(diǎn)集，τ5為閾值。靜態(tài)匹配點(diǎn)定位流程如圖7所示。詳細(xì)步驟如下：

圖7 靜態(tài)匹配點(diǎn)算法流程

步驟1 獲取正確的RGB圖像，選取在非潛在動態(tài)區(qū)域的靜態(tài)環(huán)境區(qū)域，并提取靜態(tài)點(diǎn)；

步驟2 將提取到的特征點(diǎn)通過加權(quán)RANSAC算法得出基礎(chǔ)矩陣；

步驟3 選取在潛在動態(tài)區(qū)域匹配點(diǎn)，通過計(jì)算對應(yīng)點(diǎn)極線的距離，當(dāng)對應(yīng)點(diǎn)極線距離小于閾值則加入到靜態(tài)匹配點(diǎn)集合；

步驟4 當(dāng)對應(yīng)點(diǎn)極線距離大于閾值則剔除；

步驟5 通過上述4步操作，即可得到靜態(tài)匹配點(diǎn)集合

(14)

3 實(shí)驗(yàn)和討論

3.1 機(jī)器人搭建

本文搭建的地面機(jī)器人采用四輪差速底盤，可以四輪驅(qū)動，底盤最小轉(zhuǎn)彎半徑為0 m，爬坡角度接近30度。選用額定功率為300 W的12寸輪轂電機(jī)作為驅(qū)動電機(jī)，采用無刷直流驅(qū)動器驅(qū)動車輪轉(zhuǎn)動，如圖8所示。機(jī)器人分為3層：頂層包括D435相機(jī)[15]、激光雷達(dá)；中間層包括各類傳感器和工控機(jī)；底層包含電源、Jetson AGX Xavier和顯示器。其中，Jetson AGX Xavier可以進(jìn)行視覺測距、傳感器融合、定位與地圖繪制、障礙物檢測等工作，擁有32萬億次運(yùn)算/秒(TOPS)的峰值計(jì)算能力和750 Gbps的高速I/O性能，如圖9所示。

圖8 機(jī)器人實(shí)物

圖9 機(jī)器人配件

3.2 實(shí)驗(yàn)環(huán)境設(shè)置

機(jī)器人工控機(jī)搭載Ubuntu20.04系統(tǒng)，Ubuntu系統(tǒng)內(nèi)安裝的機(jī)器人操作系統(tǒng)(robot operating system，ROS)作為機(jī)器人程序的運(yùn)行平臺。在ROS中實(shí)現(xiàn)用戶界面(userinterface，UI)、人機(jī)交互、圖像處理、SLAM、運(yùn)動決策等功能并通過控制串口收發(fā)實(shí)現(xiàn)對機(jī)器人運(yùn)動的控制與傳感器信號的獲取，該機(jī)器人分別進(jìn)行兩次實(shí)驗(yàn)，第一次運(yùn)行標(biāo)準(zhǔn)TUM數(shù)據(jù)集來驗(yàn)證各類算法的精確度，并展現(xiàn)本文BN-SLAM系統(tǒng)的優(yōu)化效率；第二次驗(yàn)證本文所提出的BN-SLAM系統(tǒng)在實(shí)際環(huán)境中的效果。為了保證數(shù)據(jù)的高速傳輸，將D435及各類傳感設(shè)備連接到主機(jī)的USB3.0端口，所有獲得的數(shù)據(jù)記錄在機(jī)器人內(nèi)部工控機(jī)。

3.3 實(shí)驗(yàn)功能實(shí)現(xiàn)

該實(shí)驗(yàn)中，在TUM RGB-D數(shù)據(jù)集上比較BN-SLAM與ORB-SLAM2[14]，Dyna-SLAM和DS-SLAM的性能。TUM數(shù)據(jù)集提供了具有相機(jī)軌跡和參數(shù)的動態(tài)場景。選取步行序列代表高度動態(tài)的環(huán)境，并作為實(shí)驗(yàn)數(shù)據(jù)集。

相機(jī)有4種運(yùn)動模式：半球形(half)，相機(jī)在半球形軌跡上移動；rpy，表示相機(jī)繞主軸旋轉(zhuǎn)；static，表示相機(jī)保持固定；xyz，表示相機(jī)沿x、y和z軸移動。使用fr3/w/half、fr3/w/rpy、fr3/w/static、fr3/w/xyz來表示4組步行圖像序列，其中fr3、w分別代表參與實(shí)驗(yàn)的人、運(yùn)動為行走。

3.4 誤差估計(jì)

在實(shí)驗(yàn)中，絕對軌跡誤差(ATE)和相對姿勢誤差(RPE)用于定量評估[16]。讓P1，…，Pn∈SE(3) 表示估計(jì)的相機(jī)位姿，Q1，…，Qn∈SE(3) 表示實(shí)際軌跡位姿。ATE測量估計(jì)軌跡全局的一致性，ATEFi在時間步長i可以通過式(15)求得

(15)

S表示剛體變換，它將估計(jì)軌跡與實(shí)際軌跡對齊。RPE測量固定時間內(nèi)估計(jì)軌跡的局部精度Δ，RPEEi在時間步長i可以通過式(16)求得

(16)

首先，對4個系統(tǒng)的ATE和RPE進(jìn)行定量分析。4個SLAM系統(tǒng)的ATE和RPE的均方根誤差(RMSE)和標(biāo)準(zhǔn)偏差(S.D.)值如表1～表3所示。RMSE測量觀測值與真實(shí)值之間的偏差，即反映了系統(tǒng)的魯棒性。S.D.衡量整體數(shù)據(jù)的偏差程度，則展現(xiàn)了系統(tǒng)的穩(wěn)定性。表中的改進(jìn)率計(jì)算式(17)如下

(17)

表1 絕對軌跡誤差(ATE)的結(jié)果

其中，κ表示改進(jìn)值，α是ORB-SLAM2的值，β代表本文的值。

表1和表2，BN-SLAM在fr3/w/half和fr3/w/xyz序列中，ATE和平移RPE的效果最好；在fr3/w/rpy序列中，BN-SLAM的結(jié)果僅次于Dyna-SLAM。表3顯示了旋轉(zhuǎn)RPE的結(jié)果，BN-SLAM在fr3/w/half序列中的S.D.實(shí)現(xiàn)了最佳值；在序列fr3/w/rpy中，BN-SLAM的結(jié)果僅次于Dyna-SLAM。

表2 平移相對姿勢誤差(RPE)的結(jié)果

表3 旋轉(zhuǎn)相對姿勢誤差(RPE)的結(jié)果

根據(jù)表1～表3獲得的結(jié)果，在高動態(tài)環(huán)境中，消除移動物體后，相機(jī)的姿態(tài)估計(jì)將大大提高。Dyna-SLAM、DS-SLAM和BN-SLAM在上述4組序列中取得了良好的姿勢估計(jì)結(jié)果。對于BN-SLAM，序列中ATE、平移RPE和旋轉(zhuǎn)RPE的平均RMSE值分別為95.46%、92.45%和90.88%。且平均S.D.值分別為94.88%、94.76%和92.80%。

從圖10可以看出，4個SLAM系統(tǒng)都失去了部分軌跡點(diǎn)。為定量比較4個系統(tǒng)跟蹤的軌跡點(diǎn)，獲取了實(shí)際跟蹤軌跡點(diǎn)的結(jié)果，見表4。與ORB-SLAM2、Dyna-SLAM和DS-SLAM相比，BN-SLAM跟蹤的軌跡點(diǎn)在序列中是最完整的。在該實(shí)驗(yàn)序列中，BN-SLAM跟蹤軌跡點(diǎn)結(jié)果的平均率為98.80%。

表4 實(shí)際跟蹤軌跡對比結(jié)果

圖10 4種SLAM軌跡對比

3.5 點(diǎn)云圖的估計(jì)

圖11顯示了TUM數(shù)據(jù)集在高動態(tài)序列中對運(yùn)動物體去除的結(jié)果。第一行顯示從序列中選取的RGB圖像。第二行和第三行分別顯示了獲得的原始掩膜和該方法修正后生成的掩膜，即原始掩膜的邊界是平滑的，而修改后的掩膜邊界更清晰。原始掩膜無法覆蓋移動物體的某些部分，例如第一列中行人的腿，第三列中坐著的人的腳和背部，以及第四列左側(cè)人的手臂。與原始掩膜相比，修正后的掩膜可以更完整地覆蓋移動物體的區(qū)域。第四行圖像是去除運(yùn)動物體的修正掩模所覆蓋區(qū)域后獲得的局部點(diǎn)云，其中運(yùn)動物體形成的拖尾已被去除。

圖11 運(yùn)動物體去除結(jié)果

如圖12所示，ORB-SLAM2、Dyna-SLAM和DS-SLAM在高動態(tài)序列fr3/w/xyz中獲得的全局點(diǎn)云圖的三視圖。兩人的大部分信息都未能去除，桌子的木板嚴(yán)重變形。Dyna-SLAM和DS-SLAM消除了兩人的干擾，但由于語義分割不完善，兩人的邊界信息被泄露到點(diǎn)云圖中。與ORB-SLAM2相比，Dyna-SLAM和DS-SLAM的點(diǎn)云圖中的噪聲塊相對稀疏，即可以清楚地看到環(huán)境中有哪些對象，但仍在點(diǎn)云圖中具有大量噪聲塊。由于環(huán)境中移動人員泄露的邊界信息已經(jīng)被濾除，所以在BN-SLAM獲得的點(diǎn)云圖中幾乎沒有剩余的人員信息。

圖12 高動態(tài)序列fr3/w/xyz中點(diǎn)云圖對比

4個SLAM算法在低動態(tài)序列fr3/s/xyz中獲得的點(diǎn)云圖的三視圖如圖13所示。在第一列圖像中，由于ORB-SLAM2可以在低動態(tài)環(huán)境中準(zhǔn)確地定位相機(jī)，且這些點(diǎn)被映射到正確的位置，所以點(diǎn)云圖中的對象清晰可見，且桌面板不會變形，但兩人的信息仍未能去除。第二列和第三列的圖像中，Dyna-SLAM和DS-SLAM已經(jīng)濾除了這兩個人的大部分信息，但仍泄露出由噪聲塊造成的兩人輪廓邊界。從第四列的圖像中可以看出，去除了由兩人形成的噪聲塊。與其它3種SLAM系統(tǒng)相比，BN-SLAM在低動態(tài)序列中獲得的全局點(diǎn)云圖效果最好。

圖13 低動態(tài)序列fr3/s/xyz中點(diǎn)云圖對比

3.6 在現(xiàn)實(shí)環(huán)境中的評估

為了驗(yàn)證BN-SLAM在現(xiàn)實(shí)環(huán)境中的有效性，使用D435相機(jī)在實(shí)驗(yàn)室環(huán)境中進(jìn)行實(shí)驗(yàn)。圖14顯示了動態(tài)特征點(diǎn)的剔除結(jié)果，該實(shí)驗(yàn)將實(shí)際場景中靜態(tài)環(huán)境區(qū)域和潛在動態(tài)區(qū)域快速劃分，精準(zhǔn)識別出運(yùn)動物體，即圖中語義包圍盒中的運(yùn)動的人。非運(yùn)動物體上的大部分特征點(diǎn)被判定為靜態(tài)點(diǎn)。在實(shí)驗(yàn)中，可以較好識別出各類靜動態(tài)物體。圖15分別顯示了在去除人的信息前后所構(gòu)建的點(diǎn)云圖。在第一行，人體后方的靜態(tài)物體被移動的人形成的噪聲塊擋住，墻壁也由于錯誤的相機(jī)定位而嚴(yán)重變形。在第二行中，人體的干擾被消除，靜態(tài)物體清晰可見，房間的幾何結(jié)構(gòu)保存完好。

圖14 動態(tài)特征點(diǎn)的剔除結(jié)果

圖15 去除人的信息前后所構(gòu)建的點(diǎn)云圖

4 結(jié)束語

在本文中，提出了一個在動態(tài)環(huán)境中工作的BN-SLAM系統(tǒng)，它將原始掩膜和移動物體的深度信息結(jié)合起來得到深度掩膜，其深度掩膜與原始掩膜結(jié)合得到的修正掩?？梢杂行Ц采w運(yùn)動物體的區(qū)域。本文使用移動對象的語義包圍盒，將圖像分為環(huán)境區(qū)域和潛在的動態(tài)區(qū)域。利用環(huán)境區(qū)域中的匹配點(diǎn)構(gòu)建極性約束，以去除潛在動態(tài)區(qū)域中的異常值。實(shí)驗(yàn)結(jié)果表明，BN-SLAM系統(tǒng)能夠在動態(tài)環(huán)境中獲得準(zhǔn)確的相機(jī)姿態(tài)和清晰的全局點(diǎn)云圖。本文系統(tǒng)目前設(shè)計(jì)用于處理室內(nèi)動態(tài)場景，尚未擴(kuò)展到室外場景，如何快速識別并濾除室外場景中的多類移動物體是下一步工作的重心。