结合改进密集模块深度估计网络和多视几何的视觉里程计
Visual odometry combined with depth estimation network of improved dense block and multi-view geometry作者机构：上海电力大学自动化工程学院上海200090 上海发电过程智能管控工程技术研究中心上海200090
出 版 物：《控制与决策》 (Control and Decision)
年 卷 期：2023年第38卷第4期
页 面：980-988页
核心收录：
学科分类：0710[理学-生物学] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
基 金：上海市“科技创新行动计划”高新技术领域项目(21511101800).
主 题：无监督深度学习 视觉里程计 深度估计 光流估计 多视图几何 密集模块
摘 要：以多视图几何原理为基础,有效结合卷积神经网络进行图像深度估计和匹配筛选,构造无监督单目视觉里程计方法.针对主流深度估计网络易丢失图像浅层特征的问题,构造一种基于改进密集模块的深度估计网络,有效地聚合浅层特征,提升图像深度估计精度.里程计利用深度估计网络精确预测单目图像深度,利用光流网络获得双向光流,通过前后光流一致性原则筛选高质量匹配.利用多视图几何原理和优化方式求解获得初始位姿和计算深度,并通过特定的尺度对齐原则得到全局尺度一致的6自由度位姿.同时,为了提高网络对场景细节和弱纹理区域的学习能力,将基于特征图合成的特征度量损失结合到网络损失函数中.在KITTI Odometry数据集上进行实验验证,不同阈值下的深度估计取得了85.9%、95.8%、97.2%的准确率.在09和10序列上进行里程计评估,绝对轨迹误差在0.007 m.实验结果验证了所提出方法的有效性和准确性,表明其在深度估计和视觉里程计任务上的性能优于现有方法.
维普期刊数据库
同方期刊数据库