一种图像特征点提取方法、装置、视觉里程计及移动工具与流程

1.本发明涉及图像处理技术领域，尤其涉及一种图像特征点提取方法、装置、视觉里程计及移动工具。


背景技术：

2.里程计是指移动机器人利用自身搭载的传感器进行自身定位，为实现各种复杂任务提供保障。在众多类型的传感器中，相机由于其成本低廉、结构简单、采集得到的信息量更大的特点，应用范围更广。目前很多产品都是应用视觉里程计技术进行定位的，例如无人车、无人机和家用扫地机器人等。
3.视觉里程计的框架有很多，但大多都是基于静态环境假设的前提去构建。其中最经典的是orb-slam2算法，它是一个集成了多种视觉传感器设备于一体的系统，仅凭视觉传感器即可计算出自身位姿，应用极其广泛。然而在实际环境中，不可避免地会存在动态物体的干扰，但该算法并未充分考虑动态物体对系统定位精度的影响，导致该方法在室内多动态物体环境下定位精度明显变差，定位误差急剧增加。
4.针对以上问题，公开号为cn114612494a的中国专利公开了一种动态环境下的移动机器人视觉里程计设计方法。该方法使用实例分割网络yolact对物体提取语义信息并生成语义二进制掩膜，并结合图像语义信息和lk光流法进行运动一致性检测来判断运动物体，从而剔除动态特征点。该专利主要是利用语义信息和lk光流法进行运动一致性检测，并剔除动态特征点。但该方法需要特征点完全均匀分布，并且静态区域特征点需占所有特征点一定比例。而传统orb特征点(orb为oriented fast and rotated brief的简称，包括特征点和描述子)虽然具有一定的分散性，但在室内受光照等因素的影响，难免出现特征点密集分布的情况，可能导致最终动态特征点占多数，并且区域分布更为广泛，最后没有足够的静态特征点执行视觉里程计后续的ransac方法以及估计相机位姿，导致该方法在动态环境下视觉里程计精度下降甚至失效。


技术实现要素：

5.本发明旨在至少解决现有技术中动态环境下特征点提取不均匀和剔除动态特征点后特征点数量不足的问题，以及特征点不均匀和特征点数量不足导致的动态环境下视觉里程计定位精度不足的问题，提供一种图像特征点提取方法、装置、视觉里程计及移动工具。
6.为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种图像特征点提取方法，包括：获取图像帧；利用预先训练好的特征提取网络提取所述图像帧的第一特征点；利用预先训练好的实例分割网络对所述图像帧进行实例分割获得原始蒙版，基于所述原始蒙版获得所述图像帧的先验动态物体区域和先验静态物体区域；剔除所述图像帧的先验动态物体区域内的第一特征点；利用特征提取网络在所述图像帧的先验静态物体区域内继续提取设定数量的第二特征点，所述第二特征点的数量不小于剔除的第一特征点
的数量；将第二特征点和剩余的第一特征点作为图像帧的特征点。
7.为了实现本发明的上述目的，根据本发明的第二个方面，本发明提供了一种图像特征点提取装置，包括：获取模块，获取图像帧；第一特征点提取模块，利用预先训练好的特征提取网络提取所述图像帧的第一特征点；区域划分模块，利用预先训练好的实例分割网络对所述图像帧进行实例分割获得原始蒙版，基于所述原始蒙版获得所述图像帧的先验动态物体区域和先验静态物体区域；第一特征点剔除模块，剔除所述图像帧的先验动态物体区域内的第一特征点；第二特征点提取模块，利用特征提取网络在所述图像帧的先验静态物体区域内继续提取设定数量的第二特征点，所述第二特征点的数量不小于剔除的第一特征点的数量，将第二特征点和剩余的第一特征点作为图像帧的特征点。
8.为了实现本发明的上述目的，根据本发明的第三个方面，本发明提供了一种视觉里程计，包括：相机，用于拍摄移动工具的行驶图像；本发明第二方面提供的图像特征点提取装置，用于提取相机输出图像帧中的特征点；ransac算法模块，基于图像特征点提取装置提取的特征点获得最优基础矩阵，基于最优基础矩阵得到初步位姿；关键帧检测模块，选取关键帧；slam后端优化模块，基于关键帧、优化基础矩阵和初步位姿完成轨迹优化和回环检测，生成相机运动轨迹曲线。
9.为了实现本发明的上述目的，根据本发明的第四个方面，本发明提供了一种移动工具，包括工具本体和安装在所述工具本体上本发明第三方面提供的视觉里程计。
10.本发明充分利用特征提取网络(如gcnv2)在前端提取均匀的第一特征点，充分利用实例分割网络(如solov2)的语义信息，剔除先验动态区域内的第一特征点后，再次利用特征提取网络在图像帧的先验静态物体区域内继续提取设定数量的第二特征点，将第二特征点和剩余的第一特征点作为图像帧的特征点，确保了足够数量的优质特征点传入slam后端进行优化计算，从而提高了动态环境下视觉里程计的定位精度。
附图说明
11.图1是本发明一实施例中图像特征点提取方法的流程示意图；
12.图2是本发明一实施例中特征点重投影过程示意图；
13.图3是本发明一实施例中视觉里程计的整体流程图；
14.图4是为传统orb特征提取算法与gcnv2提取orb特征点的对比图。
具体实施方式
15.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
16.在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底
”““
内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
17.在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
18.本发明公开了一种图像特征点提取方法，在一种实施例中，图像特征点提取方法的流程示意图如图1所示，包括：
19.步骤s1，获取图像帧。图像帧为相机拍摄的视频图像，优选但不限于为rgb图像。
20.步骤s2，利用预先训练好的特征提取网络提取图像帧的第一特征点。特征提取网络可采用gcn或gcnv2。设提取的第一特征点的数量为n。
21.步骤s3，利用预先训练好的实例分割网络对图像帧进行实例分割获得原始蒙版，基于原始蒙版获得图像帧的先验动态物体区域和先验静态物体区域。
22.图像帧中至少具有一个以上的先验静态物体区域。具体的，原始蒙版为各物体表面二进制掩膜mask。二进制掩膜mask中值为1的像素为先验动态物体的像素，值为0的像素为先验静态物体的像素。将二进制掩膜与图像帧重叠对应，将图像帧中对应的二进制掩膜mask值为1的像素组成的区域作为先验动态物体区域，将图像帧中对应的二进制掩膜mask值为0的像素组成的区域作为先验静态物体区域。
23.设图像帧中包含i个先验静态物体区域，即包含i个先验静态物体，先验静态物体集合为φ＝{o1，o2，...oi}，oi表示第t个先验静态物体，先验静态物体在图像帧中所占区域集合表示为λ＝{s1，s2，...，si}，si表示第i个先验静态物体在图像帧中所占区域。
24.步骤s4，剔除图像帧的先验动态物体区域内的第一特征点。优选地，记录图像帧中提出的第一特征点的数量，将该数量作为后续补充的第二特征点数量的依据。
25.步骤s5，利用特征提取网络在图像帧的先验静态物体区域内继续提取设定数量的第二特征点，第二特征点的数量不小于剔除的第一特征点的数量。
26.步骤s6，将第二特征点和剩余的第一特征点作为图像帧的特征点。剩余的第一特征点表示图像帧中所有先验静态物体区域内的第一特征点集合。
27.在本实施例中，需要说明的是，步骤s2和步骤s3可同步执行，也可先执行步骤s2后执行步骤s3，或者，先执行步骤s3后执行步骤s2。
28.在本实施例中，优选地，特征提取网络采用gcnv2，其能提取均匀的orb特征点，有利于提高动态环境下视觉里程计后端模块的定位精度。图4展示了传统orb特征提取算法与gcnv2提取orb特征点的对比图，图4左侧为传统orb特征提取算法提取的orb特征点分布示意图，图4右侧为gcnv2提取orb特征点的分布示意图，可以明显看到右侧的orb特征点分布更为均匀。优选地，步骤s2中提取预设的n个第一特征点。输入相机视频图像，将其中每一帧图像信息输入到特征提取网络gcnv2中进行运算：
29.定义f为低分辨率下的密集特征映射，o为像素原始分辨率。当给定图像平面的二维坐标x＝(u
x
，vy)作为f(
·
)和o(
·
)的输入时，返回相应的特征描述符和关键点置信度。其中描述符是通过双线性采样得到的，定义f
cur
和f
tar
分别表示当前帧和目标帧的特征图，l
feat
和l
det
分别表示训练描述符和检测器的损失。将特征进行二值化
30.forward：
31.backward：
32.其中，b是特征f的二值化版本，|f|≤1是为了消去f的绝对值大于1的单个特征响应的梯度，b的大小被设置为256，使用像素度量学习来训练最近邻的描述符：
[0033][0034]
d(x
cur
，x
tar
)＝||b
cur
(x
cur
)-b
tar
(x
tar
)||2ꢀꢀꢀ
(2)
[0035]
其中，m为截断的距离余量，j(
·
，
·
)为二值化特征的汉明距离的平方。是使用训练数据中相机位姿真实轨迹得到的匹配对。
[0036][0037]
其中r
gt
为地面真值旋转矩阵，t
gt
为地面真值平移向量。π使用给定的2d坐标和深度zi将一个像素从图像平面投影到3d空间，为检索到的非匹配对。
[0038]
将关键点检测视为一个二值分类问题，从网络中得到的概率图o的目标是一个由1和0组成的掩码，这些值表示像素是否为关键点。通过加权交叉熵作为目标函数进行训练，损失总是在两个连续的帧上评估，目的是增强提取的关键点的一致性，检测的损失可以写成
[0039][0040][0041]
其中，α1和α2用于处理不平衡类，防止非关键点像素占主导损失。
[0042]
在本实施例中，为保证提取出足够数量的第二特征点，进一步优选地，特征提取网络提取第一特征点时特征点阈值设置为t1，特征提取网络提取第二特征点时特征点阈值设置为t2，t1＞t2。特征点阈值为特征提取网络的一个网络参数，在特征提取网络提取特征点的过程中，若以某个像素点为圆心，设该像素点的亮度为i
p
，该像素点周边第一预设数量的邻近像素点(如16个邻近像素点)中若有第二预设数量的像素点(如3、9、11或12个)的亮度大于i
p
+t或者小于i
p-t，则认为该像素点为特征点。其中，t表示特征点阈值，在特征提取网络提取第一特征点时，t＝t1，在特征提取网络提取第二特征点时，r＝t2。
[0043]
在本实施例中，实例分割网络可采用基于语义信息的solov1或solov2网络。优选地，实例分割网络采用solov2网络，solov2网络可以按位置分割物体，完成实例分割任务，同时还兼具实时性，其出色地兼顾了精度和速度。
[0044]
在本实施例中，优选地，第二特征点的数量等于剔除的第一特征点的数量，设步骤s4中剔除的第一特征点数量为ndelete，则补充的第二特征点的数量也为ndelete，这样能够保证最终获取的特征点数量还是n。
[0045]
在另一种实施例中，为了尽可能使提取的特征点为优质特征点，使其更具有静态特性，在步骤s5中，利用特征提取网络在图像帧的先验静态物体区域内继续提取设定数量的第二特征点，包括：
[0046]
步骤a，对图像帧的先验静态物体区域进行优先级排序。静态属性越高的先验静态物体区域的优先等级越高。
[0047]
步骤b，按照优先级从高到低的顺序，利用特征提取网络依次在图像帧的先验静态物体区域内提取第二特征点，当提取的第二特征点的累积数量等于剔除的第一特征点的数量时停止第二特征点提取。
[0048]
在本实施例中，按照优先级的先后顺序，对先验静态物体集合φ中的各物体所对应的区域进行排序，首先在优先级最高的区域中，调用特征提取网络gcnv2，以阈值t2在先验静态区域提取特征点。假设该区域能提取有效特征点为n1，判断n1与ndelete的相对大小，如果n1≥ndelete，则表示在优先级最高的区域已提取到足够的第二特征点，则停止第二特征点提取，否则，以同样的阈值，依次在优先级较低的区域继续提取静态特征点，直到提取的第二特征点累积数量达到ndelete个。具体算法流程如下：
[0049][0050][0051]
在本实施例中，进一步优选地，仅对图像帧中包含的第一特征点数量大于等于7的先验静态物体区域进行优先级排序，以保证先验静态物体区域内像素点亮度变化较大，能够顺利地提取出第二特征点。
[0052]
在本实施例中，进一步优选地，步骤a包括：
[0053]
计算先验静态物体区域的平均极线距离；平均极线距离能够准确评估先验静态物体区域的静态属性，平均极线距离越小先验静态物体区域的静态属性越高。
[0054]
按照平均极线距离的大小对图像帧的静态物体区域进行优先级排序，其中，静态物体区域的平均极线距离越小则优先等级越高。
[0055]
在本实施例中，进一步优选地，计算第j个先验静态物体区域的平均极线距离的过
程包括：
[0056]
步骤1，对第j个先验静态物体区域分别在图像帧和图像帧的下一帧图像中的第一特征点进行匹配获得多个匹配点对，基于多个匹配点对获得第j个先验静态物体区域对应的基础矩阵f。
[0057]
为便于区分，将输入的图像帧叫作当前帧，将该图像帧的下一帧图像叫作下一帧，利用特征提取网络提取下一帧的第一特征点，利用现有的0rb特征点匹配算法进行当前帧和下一帧在第j个先验静态物体区域的第一特征点匹配，设当前帧第j个先验静态物体区域中第m个第一特征点与下一帧第j个先验静态物体区域中第m
′
个第一特征点匹配。当前帧中第m个第一特征点的归一化坐标为下一帧中第m
′
个第一特征点的归一化坐标为
[0058]
步骤2，基于基础矩阵计算匹配点对中位于图像帧的下一帧图像中第.j个先验静态物体区域的匹配点对应的极线。图2展示了特征点的重投影过程，fr表示当前帧，fe表示后一帧，fr上的特征点x1重投影在fe上特征点为x2，x1和x2组成一个匹配点对，l1为特征点x1对应的极线，l2为特征点x2对应的极线。
[0059]
具体的，计算当前帧中第j个先验静态物体区域的第m个第一特征点在下一帧匹配点m
′
对应的极线其中，[x，尸，z]表示极线lm′
的三轴矢量。
[0060]
步骤3，计算图像帧的下一帧图像中第j个先验静态物体区域内匹配点与其对应的极线的距离，记为极线距离。具体的，下一帧中第m
′
个匹配点到对应极线lm′
的距离(极线距离)为：
[0061][0062]
步骤4，计算图像帧的下一帧图像第j个先验静态物体区域内所有匹配点的极线距离的平均值，将该平均值作为第j个先验静态物体区域的平均极线距离。具体的，设下一帧的第j个先验静态物体区域中也具有k个第一特征点，第j个先验静态物体区域的平均极线距离为k为正整数。其中，j为正整数，且j∈[1，i]，i表示图像帧中先验静态物体区域的数量。
[0063]
本发明还公开了一种图像特征点提取装置，用于实现本发明提供的图像特征点提取方法的功能，在一种实施例中，该装置包括：获取模块，获取图像帧；第一特征点提取模块，利用预先训练好的特征提取网络提取图像帧的第一特征点；区域划分模块，利用预先训练好的实例分割网络对图像帧进行实例分割获得原始蒙版，基于原始蒙版获得所述图像帧的先验动态物体区域和先验静态物体区域；第一特征点剔除模块，剔除图像帧的先验动态物体区域内的第一特征点；第二特征点提取模块，利用特征提取网络在图像帧的先验静态物体区域内继续提取设定数量的第二特征点，第二特征点的数量不小于剔除的第一特征点的数量，将第二特征点和剩余的第一特征点作为图像帧的特征点。
[0064]
在本实施例中，本装置各模块的具体执行过程可参照本发明提供的图像特征点提取方法中的具体步骤，在此不再赘述。
[0065]
本发明还公开了一种视觉里程计，在一种实施例中，包括相机、本发明提供的图像特征点提取装置、ransac算法模块、关键帧检测模块和slam后端优化模块。
[0066]
其中，相机，用于拍摄移动工具的行驶图像。
[0067]
本发明提供的图像特征点提取装置，用于提取相机输出图像帧中的特征点。
[0068]
ransac算法模块，基于图像特征点提取装置提取的特征点获得最优基础矩阵，基于最优基础矩阵得到初步位姿。ransac算法模块将传入的n个特征点进行特征匹配操作。首先从多个特征点中随机选取s个点用于计算最优基础矩阵f
′
，根据f
′
矩阵遍历所有特征点中的每一对匹配点，判断它们是否满足这个ransac模型，即假设当前帧特征点为x1，当后一帧特征点为x2，定义它的重投影误差为：
[0069]
e＝x
2-f
′
x1ꢀꢀꢀꢀ
(7)
[0070]
若误差e满足距离阈值t则该点为内点，将其加入一致集s中，否则为外点。如果s中点的数量大于特征点数量阈值n
t
，则就用该s重新估计ransac模型并结束迭代，否则重复上述过程。
[0071]
ransac算法模块经过m次实验，选择一个最大数量的一致集s，用该s中的所有点重新估计ransac模型，获得最终的最优基础矩阵，基于最优基础矩阵得到初步位姿。
[0072]
ransac为random sample consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。ransac算法经常用于计算机视觉中。例如，在立体视觉领域中同时解决一对相机的匹配点问题及基本矩阵的计算。
[0073]
关键帧检测模块，选取关键帧。具体的，计算连续图像帧序列中每帧图像与邻近一帧以上的相似度，若相似度小于预设的相似度阈值，则将该帧图像作为关键帧。
[0074]
slam后端优化模块，基于关键帧、优化基础矩阵和初步位姿完成轨迹优化和回环检测，生成相机运动轨迹曲线。
[0075]
如图3所示为视觉里程计的整体执行流程，slam后端优化模块包括插入关键帧单元、选择地图点单元、局部ba优化单元、提出冗余关键帧单元、查询数据库单元、计算sim3单元、闭环融合单元和本质图优化单元，slam后端优化模块为现有技术，在此不再赘述。
[0076]
本发明还提供了一种移动工具，包括工具本体和安装在所述工具本体上的本发明提供的视觉里程计。
[0077]
工具本体优选但不限于为无人车、无人机、扫地机器人或巡检机器人。视觉里程计中相机安装在工具本体上用于拍摄工具本体行驶图像，视觉里程计中除相机外的其它模块的功能可集中由一个专设的处理器实现，也可由工具本体原有的处理器实现。
[0078]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0079]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本
发明的范围由权利要求及其等同物限定。

技术特征：
1.一种图像特征点提取方法，其特征在于，包括：获取图像帧；利用预先训练好的特征提取网络提取所述图像帧的第一特征点；利用预先训练好的实例分割网络对所述图像帧进行实例分割获得原始蒙版，基于所述原始蒙版获得所述图像帧的先验动态物体区域和先验静态物体区域；剔除所述图像帧的先验动态物体区域内的第一特征点；利用特征提取网络在所述图像帧的先验静态物体区域内继续提取设定数量的第二特征点，所述第二特征点的数量不小于剔除的第一特征点的数量；将第二特征点和剩余的第一特征点作为图像帧的特征点。2.如权利要求1所述的图像特征点提取方法，其特征在于，所述第二特征点的数量等于剔除的第一特征点的数量；和/或，所述特征提取网络为gcnv2网络；和/或，所述实例分割网络为solov2网络。3.如权利要求1或2所述的图像特征点提取方法，其特征在于，所述利用特征提取网络在所述图像帧的先验静态物体区域内继续提取设定数量的第二特征点，包括：对图像帧的先验静态物体区域进行优先级排序；按照优先级从高到低的顺序，利用特征提取网络依次在图像帧的先验静态物体区域内提取第二特征点，当提取的第二特征点的累积数量等于剔除的第一特征点的数量时停止第二特征点提取。4.如权利要求3所述的图像特征点提取方法，其特征在于，仅对图像帧中包含的第一特征点数量大于等于7的先验静态物体区域进行优先级排序。5.如权利要求4所述的图像特征点提取方法，其特征在于，所述对图像帧的先验静态物体区域进行优先级排序，包括：计算先验静态物体区域的平均极线距离；按照平均极线距离的大小对图像帧的静态物体区域进行优先级排序，其中，静态物体区域的平均极线距离越小则优先等级越高。6.如权利要求5所述的图像特征点提取方法，其特征在于，计算第j个先验静态物体区域的平均极线距离的过程包括：对第j个先验静态物体区域分别在图像帧和所述图像帧的下一帧图像中的第一特征点进行匹配获得多个匹配点对，基于多个匹配点对获得第j个先验静态物体区域对应的基础矩阵；基于所述基础矩阵计算匹配点对中位于所述图像帧的下一帧图像中第j个先验静态物体区域的匹配点对应的极线；计算所述图像帧的下一帧图像中第j个先验静态物体区域内匹配点与其对应的极线的距离，记为极线距离；计算所述图像帧的下一帧图像第j个先验静态物体区域内所有匹配点的极线距离的平均值，所述平均值为平均极线距离；其中，j为正整数，且j∈[1，i]，i表示图像帧中先验静态物体区域的数量。7.如权利要求1-6之一所述的图像特征点提取方法，其特征在于，特征提取网络提取第
一特征点时特征点阈值设置为t1，特征提取网络提取第二特征点时特征点阈值设置为t2，t1＞t2。8.一种图像特征点提取装置，其特征在于，包括：获取模块，获取图像帧；第一特征点提取模块，利用预先训练好的特征提取网络提取所述图像帧的第一特征点；区域划分模块，利用预先训练好的实例分割网络对所述图像帧进行实例分割获得原始蒙版，基于所述原始蒙版获得所述图像帧的先验动态物体区域和先验静态物体区域；第一特征点剔除模块，剔除所述图像帧的先验动态物体区域内的第一特征点；第二特征点提取模块，利用特征提取网络在所述图像帧的先验静态物体区域内继续提取设定数量的第二特征点，所述第二特征点的数量不小于剔除的第一特征点的数量，将第二特征点和剩余的第一特征点作为图像帧的特征点。9.一种视觉里程计，其特征在于，包括：相机，用于拍摄移动工具的行驶图像；如权利要求8所述的图像特征点提取装置，用于提取相机输出图像帧中的特征点；ransac算法模块，基于图像特征点提取装置提取的特征点获得最优基础矩阵，基于最优基础矩阵得到初步位姿；关键帧检测模块，选取关键帧；slam后端优化模块，基于关键帧、优化基础矩阵和初步位姿完成轨迹优化和回环检测，生成相机运动轨迹曲线。10.一种移动工具，其特征在于，包括工具本体和安装在所述工具本体上的如权利要求9所述的视觉里程计。

技术总结
本发明提供了一种图像特征点提取方法、装置、视觉里程计及移动工具。图像特征点提取方法包括：获取图像帧；利用特征提取网络提取图像帧的第一特征点；利用实例分割网络对图像帧进行实例分割获得原始蒙版，基于原始蒙版获得先验动态物体区域和先验静态物体区域；剔除先验动态物体区域内的第一特征点；利用特征提取网络在先验静态物体区域内继续提取设定数量的第二特征点，第二特征点的数量不小于剔除的第一特征点的数量；将第二特征点和剩余的第一特征点作为图像帧的特征点。剔除先验动态区域内的第一特征点后，在先验静态物体区域内提取设定数量的第二特征点，确保足够数量的优质特征点传入SLAM后端，提高了动态环境下视觉里程计的定位精度。计的定位精度。计的定位精度。


技术研发人员：朱冬 宋雯 方向明 唐国梅 张建
受保护的技术使用者：七腾机器人有限公司
技术研发日：2023.06.06
技术公布日：2023/10/8