如需要完整文档点击下方 "点击下载文档" 按钮

摘要： 同时定位和地图构建（SLAM）凭借其高能效和低功耗等特点在诸多领域应用前景广阔。然而，在传统的SLAM系统中仍存在一些问题：传统的视觉里程计中关键帧并不包含语义信息，移动机器人获取的图像信息较为单一，且在实际场景中关键帧总包含大量误匹配点和动态点。针对以上问题，本文提出一种语义SLAM思路。首先，为了能够匹配到正确且对应的特征点，摒弃动态点和误匹配点的干扰，提出了一种基于Lucas-Kanade光流法的相邻帧特征状态判别法，将这项功能作为新的线程加入ORB-SLAM3的视觉里程计部分，完成对部分传统SLAM框架的优化和改进工作。其次，针对传统SLAM系统前端视觉里程计获取的图像帧不包含任何语义信息的问题，使用基于YOLOV4的目标检测算法和融合全连接条件随机场CRF的Mask R-CNN语义分割算法对ORB-SLAM3中的关键帧图像进行处理，有效提高了机器人等智能设备对室内环境的感知能力。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于深度学习的语义SLAM关键帧图像处理》

将 完整文档 下载到本地，方便收藏和查阅

文件号：060422

点击下载文档